基于IABC优化LSSVR的变形预测研究

针对最小二乘支持向量回归机(LSSVR)中惩罚参数c和核函数参数σ难以确定,以及标准人工蜂群算法(ABC)易陷入局部最优、收敛速度慢等问题,提出一种改进的人工蜂群算法(IABC)来优化LSSVR的参数并进行变形预测研究。首先,IABC算法利用反向学习策略生成正反2个种群来增加初始群体的多样性,一次迭代后对双种群的当前最优食物源进行信息交换以实现优中选优,并设计食物源自适应权重函数及适应度自适应选择函数平衡ABC的勘探和开发能力;其次,以LSSVR的预测精度为目标函数,并将其转化为IABC的适应度函数,以此构建出基于IABC优化LSSVR的预测模型;最后,以基坑监测数据为例,将IABC优化的LSSVR模型、ABC优化的LSSVR模型以及基于PSO的组合模型进行预测对比分析。结果表明,IABC增加了种群的多样性,提高了收敛精度,基于IABC优化的LSSVR模型预测的变形趋势更符合实际,预测精度高于对比模型。     

南黄海砂质海底反向声散射测量（6-24 kHz）

在南黄海某一典型的砂质海底区域,采用全向性声源和全向性接收水听器开展了频率范围为6-24 kHz的海底反向声散射测量。测量结果表明,在避免海面散射干扰并满足远场条件的情况下,本次实验获得了掠射角范围为18~80°的海底反向声散射强度,其数值为-41.1~24.4 dB。在有效掠射角范围内,声散射强度总体上随掠射角的增大呈现出增大趋势,但对于不同的频率,其变化趋势有所不同,反映出不同的散射机理。在20°、40°和60°掠射角处,在6-24 kHz的频率范围内反向声散射强度总体上呈现出正相关的频率依赖性,其线性相关斜率分别为0.2229 dB/kHz、0.5130 dB/kHz、0.1746 dB/kHz。在最大掠射角80°处,反向声散射强度未呈现出明显的频率相关性。     

优化卷积神经网络在道编辑中的应用

由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测.作为一种快速高效的识别算法,可以广泛应用到各个研究领域.本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.     

基于反向传播神经网络的闽台ML震级偏差分析与修正

选取我国台湾地区2012—2018年期间的浅源地震资料,将台湾气象局与福建地震台网中心测定的M_L震级进行对比分析,得出两机构测定的震级之间的差异主要是受地震震级大小、震源深度、震源地理位置等因素的影响,并采用线性回归方法对两机构测定的M_L之间的模型关系进行拟合。与此同时,引入反向传播神经网络技术对两机构测定震级之间的偏差进行预测训练,构建4?9?9?9?4的五层网络模型,利用2012—2017年台湾震例作为训练集进行学习训练,2018年数据作为测试集进行预测效果分析。测试结果表明,经过反向传播神经网络修正后,震级偏差较大改善,基本都控制在[?0.4,0.3]之内,预测效果优于传统的线性回归方法,特别是对多震、少震区域震例的修正效果更为显著,进一步验证了反向传播神经网络技术具有较强的非线性拟合能力和泛化能力。      

Estimation of Tsunami Run-up Height by Three Artificial Neural Network Methods

Tsunami run-up height is a significant parameter for dimemsions of coastal structures.In the present study,tsunami run-up heights are estimated by three different Artificial Neural Network (ANN) models,i.e.Feed Forward Back Propagation (FFBP),Radial Basis Functions (RBF) and Generalized Regression Neural Network (GRNN).As the input for the ANN configuration,the wave height (H) values are employed.It is shown that the tsunami run-up height values are closely approximated with all of the applied ANN methods.The ANN estimations are slightly superior to those of the empirical equation.It can he seen that the ANN applications are especially significant in the absence of adequate number of laboratory experiments.The restdts also prove that the available experiment data set can he extended with ANN simulations.This may be helpful to decrease the burden of the experimental studies and to supply results for comparisons.     

多波束声呐图像条带中央和边缘残差处理方法

多波束声呐图像是进行海底底质分类的主要数据源之一,由于受海洋噪声、声波散射和混响、仪器设备等因素影响,其经各项常规改正后仍存在明显残差,突出表现在中央波束区和条带重叠区,难以形成高质量的声呐图像。文中分析了多波束声呐图像残差的成因及影响,提出了一种基于多条带最小二乘拟合的多波束声呐图像残差处理方法。首先,得到相邻声脉冲(ping)信号中央区域、重叠区域以及整体趋势的拟合函数;然后,通过拟合函数计算得到中央和重叠区域的残差改正系数;最后,通过改正系数进行残差改正。实验分析表明,该方法在保留原始细节的基础上,有效削弱了残差对声呐图像的影响,对多波束声呐图像处理具有参考和应用价值。     

三维叠前时间偏移技术在永新高密度细分面元资料处理中的应用

针对胜利油田永新地区地下地质构造复杂、断裂发育,横向速度变化不太剧烈的条件,对高密度可细分面元的三维地震采集资料,采用了三维叠前时间偏移技术。在高保真、高信噪比的叠前数据,合理的偏移算法,准确的三维偏移速度场,横向采样间隔细分的面元尺度,偏移成像等关键处理方法上,均选择了最佳处理参数。获取了复杂断块区高精度的偏移成像资料,取得了良好的地质效果。     

多波束回声数据的统计与底质分类应用

利用声反向散射数据作海底沉积物分类,是海洋地质学家感兴趣的话题,也是目前多波束声纳应用的一个研究热点。结合胶州湾实际调查数据,探讨了贝叶斯分类方法在该领域的应用。研究结果表明,该方法可以对不同的底质类型进行分类,可以识别未知的底质类型以及对混合在一起的两种不同类型的目标进行分类。     

介绍几种典型的海底底质分类技术

本文主要介绍了四家海洋仪器公司的最新海底底质分类技术。它们分别利用多波束的反向散射强度数据、单波束的回声波形结构数据和旁侧声纳数据。采用了多参数统计分析、波形结构分析和影像属性分析等方法，实现了快速、高效、大面积地对海底底质进行间接的分类。尽管它们的技术各不相同，但都可以分为监督分类方式和非监督分类方式。     

东胜断块系与东胜式铅锌矿床

辽东早元古宙拗拉槽中的铅锌矿床,可划分为层状矿床和脉状矿床两大类。本文论述了后一种类型的典型代表——东胜式铅锌矿床的控矿因素和矿床特征。依据大量地质事实,作者认为:东胜式铅锌矿床的控矿构造是与基底花岗岩活动密切相关的中生代半地堑系;矿质来源于地壳深部液态矿源层;中生代岩浆活动是矿液上升的热动力。综合这三大因素,建立了东胜式矿床的成矿模式。由此,期望对进一步找矿能有一定的指导意义。