改进残差网络及时序气象卫星云图的台风等级分类研究

结合了传统残差网络在数据样本小环境下分支卷积层特征的浪费问题,且考虑台风云图时空关联性强、特征复杂因素,参考日本国立情报学研究所在西北太平洋上空通过数个气象卫星拍摄的8 000多景高分辨率台风云图,编制了适应于残差神经网络的时序台风云图分类训练集和测试集。为满足数据集及台风特征,有效优化了原始残差网络的残差块,并得到了恒等映射残差块。经由增加卷积输出来促进分支通路更好的被利用,保留台风图像时序特性,提高网络性能。实验显示,W-ResNets模型在自建台风数据集上的训练精度达到99.60%,测试精度达到76.19%,相较于浅层卷积神经网络的测试精度高出8.48%,相比于使用传统的残差神经网络提高了2.87%,为进一步验证模型的泛化性能,采用MNIST通用数据集进行网络对比实验,宽残差网络得到98.786%的测试精度,优于传统残差网络。文中的W-ResNets预报模型可在小样本台风数据集推广使用。     

HY-1/CZI卫星影像的海上运动船只自动检测方法

船只遥感检测对于海上航行安全保障和海洋权益维护具有重要意义,传统基于极高空间分辨率的合成孔径雷达(SAR)和光学卫星影像的船只检测由于重访周期长,难以实现高频监测应用。中国自主“海洋一号”系列卫星(HY-1)搭载的中分辨率海岸带成像仪(CZI),虽然空间分辨率相对较低(星下点50 m),但HY-1C、HY-1D形成双星上下午组网观测,具有重访周期短的优势,对于海上船只监测具有重要价值。本文利用卷积神经网络进行特征学习和目标提取,建立了HY-1/CZI影像船只自动检测方法。验证结果表明,相对于传统图像处理方法,本文方法具有不需要调整阈值、适应性强的特点,检测精度达到77.71%,可应用于HY-1/CZI影像的海上运动船只自动监测。     

双通道卷积神经网络在影像融合中的应用

利用Landsat8遥感卫星影像数据制作影像融合数据集,提出了一种双通道融合网络,并利用结果影像的质量指数对网络融合性能进行评估,分析与双三次卷积插值和GS影像融合方法的差异。结果表明,该网络加强了对高频空间信息的提取,在更高效提取空间特征的同时,减弱了融合过程中对多光谱影像光谱特征的影响,从而提高了融合影像的综合影像质量（QNR=0.885 2）。     

结合自适应PCNN的非下采样剪切波遥感影像融合

为解决全色与多光谱遥感影像融合中脉冲耦合神经网络参数不能自适应调节问题,提出一种基于参数自适应脉冲耦合神经网络模型(PA-PCNN)和保持能量属性(EA)融合策略相结合的非下采样剪切波变换(NSST)的遥感影像融合方法:①通过提取多光谱影像YUV颜色空间变换的Y亮度分量并与全色影像进行NSST变换,获得高频系数和低频系数.②针对低频子带系数,采用EA法进行融合;针对高频子带系数,通过PA-PCNN模型得到的最优参数,以确定最优的PCNN模型,进而实现高频子带系数的融合.③将NSST和YUV进行逆变换得到融合影像.本文选取空间频率、相对无量纲全局误差、相关系数、视觉信息保真度、基于梯度的融合性能和结构相似度测量等6种客观评价指标对融合影像的光谱和空间细节评价,利用多组不同分辨率全色和多光谱遥感影像,通过与4种融合方法对比验证,结果表明本文方法在视觉感知和客观评价方面总体优于其他全色与多光谱遥感影像融合方法.     

基于历史数据的黄海浒苔爆发规模预测

依据黄海浒苔初始覆盖面积及最大覆盖面积的历史数据,选取温度、光强、降水3种对于浒苔生长扩散最重要的影响因子,本文提出并建立了基于BP神经网络确定转换系数R的浒苔覆盖面积预测模型,可在浒苔出现初期即实现对本年度浒苔最大覆盖面积的模拟预测,并通过历史数据进行验证。结果表明,所预测的浒苔最大爆发情况与真实情况相符,研究成果可为浒苔的应急准备工作争取更多的时间提供一定参考。     

基于卷积神经网络的地铁保护区风险源识别北大核心CSCD

城市轨道交通沿线的风险源识别是防止违规作业导致的安全事故的重要手段。为解决传统识别方法效率低、漏检率高、成本大等问题,本文基于无人机地铁保护区巡检系统,采用卷积神经网络对无人机采集的影像数据进行风险源识别。首先介绍无人机影像获取的流程,并在原始影像数据的基础上,通过数据增强的方式制作多角度、多尺度的风险源数据集;然后使用卷积神经网络建立风险源识别模型,对无人机采集影像中的风险源进行自动识别和定位。试验结果表明,多角度、多尺度风险源数据集的建立进一步提升了模型的识别准确率,且比传统方法具有效率高、成本低等优点。     

基于遗传算法的灰色Elman神经网络在深基坑变形中的应用

为保障基坑施工安全,快速发现沉降问题,本文提出一种基于遗传算法的灰色Elman神经网络,利用沉降监测数据预测围护结构沉降.通过计算发现该模型迭代收敛速度较快,25次即能达到0.001的均方误差,可以在较短时间得到预测结果.与其他3种基础模型对比,发现该模型精度较高,在SSE、MRE、MSE 3种精度评价中均处于较高水平...     

多元宇宙算法在大坝水平位移预测中的应用

针对大坝变形预测的影响因素过多且无法精准预测的问题,将主成分分析方法、多元宇宙算法、BP神经网络协同应用于大坝水平位移预测中,构建出PCA-MVO-BP预测模型。通过PCA来降低原始输入参数的维度,消除变量间相关性,并结合多元宇宙算法的快速收敛、泛化能力强的特性,解决BP神经网络预测模型中的权值和阈值的优化问题。以丰满大坝监测数据为测试样本,将组合模型与常规预测模型进行对比。结果表明：相较于常规LSSVM、RF、SVM算法,组合预测模型的平均误差、标准误差、平均绝对百分比误差值均较小,其预测精度较于单一BP神经网络提高了28.85%。表明了PCA-MVO-BP模型在大坝水平位移预测中的现实性。     

基于时序InSAR技术的北京地铁六号线二期工程沿线地面沉降监测与预测

合理地开发和利用地下轨道交通,是缓解城市交通压力的有效途径。对轨道交通沿线的地面沉降进行持续监测,对保障其安全运营具有重要的意义。本文基于时序InSAR技术,采用26景3 m高分辨率的TerraSAR-X数据,获取2016年9月至2019年1月北京地铁6号线二期工程沿线地面沉降速率场及累积沉降信息,并引入神经网络模型预测沉降趋势。结果表明：研究区的地面沉降具有不均匀性;6号线二期工程路段沿线1 km缓冲区内,站点由西向东沉降速率逐渐增大,且沉降速率最大值位于地铁线北侧约800 m处;径向基神经网络模型能够合理地预测地铁沉降发展趋势,为地铁安全施工、运营及维护提供参考。     

应用CF-BPNN模型确定GPS高程异常

介绍了确定GPS高程异常的传统方法,分析了应用CF-BPNN模型求解GPS高程异常的步骤,验证了其精度比常规方法有显著提高及其可行性.