基于贝叶斯网络的水源涵养服务空间格局优化

以渭河流域关中—天水经济区段（简称“渭河流域关天段”）为研究区,基于贝叶斯网络和水量平衡原理建立了水源涵养服务网络模型;将CA-Marcov模型与贝叶斯网络模型相结合,预测了2050年不同土地利用情景及其水源涵养服务分布概率;提出了关键变量关键状态子集方法,对研究区水源涵养服务空间格局进行优化。结果表明：① 保护情景下,林地面积增长了18.12%,其主要来源为耕地;草地和城市面积增长缓慢,分别增加了0.73%和0.38%;水体和未利用地分别减少了5.08%和0.92%,该情景下的水源涵养量值偏高的概率在3种情景中最大,保护情景的设计对未来的土地利用政策制定具有一定参考价值。② 水源涵养服务的关键影响因子是降水、蒸散发和土地利用,水源涵养量最高状态对应的关键变量关键状态子集是：﹛降水= 1,蒸散发= 2,土地利用= 2﹜,该子集主要分布在年平均降雨量和蒸散发量较大,植被覆盖率高的地区。③ 研究区适宜优化水源涵养的区域主要分布在天水市麦积区南部、宝鸡市陇县西南部和渭滨区南部、咸阳市旬邑县东北部和永寿县西北部,以及铜川市耀州区西部。结合贝叶斯网络模型研究水源涵养服务的优化区域,不仅有助于提升对生态系统水源涵养服务过程的直观认识,而且增加了情景设计和格局优化的合理性。在此基础上提出的关键状态关键因子方法,对研究区水源涵养生态环境建设和政策制定都具有重要的意义。     

基于BPSO-NBayes的雷暴释用预报技术研究

提出了一种新的雷暴预报法,即二进制粒子群-朴素贝叶斯分类器(Binary Particle Swarm Optimization-Naive Bayesian Classifiers,BPSO-NBayes)方法,以福州、连城、宁波3站为例,对使用T511数值预报产品站点的雷暴释用预报技术进行研究。利用2010—2014年T511数值预报产品和单站观测资料,使用BPSO-NBayes方法,建立了0~72 h雷暴预报模型,并与Fisher判别准则和Bayes判别准则进行比较。预报结果表明,BPSO-NBayes模型临界成功指数都在0.29以上,平均值达到0.33以上,是3种方法中最好的,空报率都在0.59以下,漏报率在0.60以下,而且变化幅度很小。BPSO-NBayes模型明显优于Fisher判别准则和Bayes判别准则,具有良好的稳定性和预报能力。     

基于数据分布域变换与贝叶斯神经网络的渗透率预测及不确定性估计

渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声,渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性);同时,当测试数据与训练数据存在差异时,机器学习模型在预测渗透率时可能出现模型参数的不确定性(即认知不确定性).为实现渗透率的准确预测并量化两种不确定性对结果的影响,本文提出基于数据分布域变换和贝叶斯神经网络同时实现渗透率预测及其不确定性的估计.提出方法主要包括两个部分：一部分是不同域数据分布的相互转换,另一部分是基于贝叶斯理论的神经网络渗透率建模预测和不确定性估计.由于贝叶斯神经网络存在数据分布的假设,当标签的概率分布与网络的分布保持一致时,贝叶斯神经网络可以更好的学习到数据之间的关系.因此通过寻找一个函数将一个原始域的渗透率标签转换为目标域的与渗透率有关的变量(我们称为目标域渗透率),使得该变量符合贝叶斯神经网络的分布假设.我们使用贝叶斯神经网络预测目标域渗透率以及任意不确定性和认知不确定性.随后,通过分布域的逆变换,我们将目标域渗透率还原回原始域渗透率.应用本文方法到某油田的18口井的测井...     

基于贝叶斯框架的各向异性页岩储层岩石物理反演技术

页岩岩石物理建模旨在建立页岩矿物组分、微观结构、流体填充与岩石弹性参数的关系.对四川盆地龙马溪组页岩进行岩石物理建模研究,针对页岩黏土含量高、层间微裂缝发育等特点,利用Backus平均理论描述页岩黏土矿物弹性参数,利用Chapman理论计算与水平微裂缝有关的VTI各向异性,并利用Bond变换考虑地层倾角的影响.提出以黏土矿物纵、横波速度和孔隙纵横比为拟合参数进行岩石物理反演的方法,并引入贝叶斯框架减小反演的多解性.由已知的黏土矿物纵、横波速度和孔隙纵横比作为先验信息,并以测井纵、横波速度作为约束条件建立反演的目标函数,同时利用粒子群算法进行最优化搜索.计算结果表明,基于先验约束和粒子群算法的反演方法能够较准确地反演黏土矿物的弹性参数、孔隙形态参数以及裂缝密度等参数.计算得到的黏土纵、横波速度较高,并且在一定范围内变化,这可能与龙马溪组页岩的黏土矿物组分中具有较高弹性模量的伊利石含量较高有关,同时也与黏土定向排列等微观物性特征有关.反演得到的裂缝密度与纵波各向异性参数ε呈明显的正相关,而与横波各向异性参数γ相关性较小.另外,页岩各向异性参数与黏土垂向的纵横波速度有较强的相关性.     

基于贝叶斯方法的深层充电效应风险模型评估

高能电子穿透航天器并在其内部沉积电荷从而引发深层充电效应,是导致卫星故障的重要因素之一.为了评估深层充电效应诱发卫星异常的风险,本文基于贝叶斯方法,使用一颗地球同步轨道卫星的异常数据和GOES-8卫星的电子通量探测数据,计算了不同能量阈值及累积时间的电子注量、不同卫星配置下模拟仿真的沉积电荷,并分别与卫星异常建立一系列概率风险模型.本文从模型中随机抽样得到模拟异常,并与实测异常构造混淆矩阵以评估模型拟合优度,结果表明1.0MeV电子3日累积注量-卫星异常概率风险模型为该卫星最优模型.本文利用最优模型对该卫星深层充电效应风险进行了计算,在1.0MeV电子3日累积注量达到2.0×10~(10)cm~(-2)·sr~(-1)时,该卫星发生深层充电异常的平均后验概率为27%,且95%最小可信值为22%.根据最优模型,我们对该卫星最可能导致异常的部件的材料和结构等特征做出了推断.     

基于可变因子的变分贝叶斯SINS海上动态对准

针对传统变分贝叶斯自适应滤波中,基于经验选取常值遗忘因子,不能自适应时变量测噪声的问题,提出一种基于可变因子的变分贝叶斯自适应滤波,并应用于船载捷联惯性导航系统(strapdown inertial navigation system, SINS)动态对准。首先利用变分贝叶斯方法近似噪声的后验分布,估计时变量测噪声和状态向量后验分布。其次通过噪声方差时变强度构造可变因子,实现自适应调整变分贝叶斯参数。最后给出了基于可变因子的GNSS/SINS海上动基座对准流程及算法。船载实测数据表明,所提算法在时变方差下,较卡尔曼滤波和传统贝叶斯滤波方位角误差收敛到0.5°范围内所需时间分别缩短了52%和44%;横滚角和方位角均方根误差分别降低57%、46%和13%、9%;东向和北向速度均方根误差分别降低56%、68%和51%、22%。     

利用互信息改进遥感影像朴素贝叶斯网络分类器

针对朴素贝叶斯网络简单条件独立性假设的不足,将它的一种改进形式——选择型朴素贝叶斯网络和两种扩展形式(树增强型朴素贝叶斯网络、贝叶斯增强型朴素贝叶斯网络)用于多光谱遥感影像的分类中。在分析波段间互信息的基础上,分别构造了上述3种分类器,并和朴素贝叶斯网络分类器的性能进行了比较。     

高分辨率遥感图像最近邻模糊分类器的研究及实现

本文针对高分辨率遥感影像快速高效萃取有用信息这一遥感技术应用的热点问题,探讨了一种适合于组合特征识别的遥感图像最近邻模糊分类器。该分类器首先把待识别目标的组合特征与训练模板中的组合特征样本的平均值一一进行比较,从而得到了一个特征差矩阵。用模糊分布函数在同类特征差之间进行处理,生成一个隶属度矩阵,然后用算术平均法对隶属度矩阵进行处理,并用最大隶属度准则来进行分类判决。以新疆和静县的SPOT5图像为例,应用此方法对其进行分类试验。结果表明:利用此分类方法对SPOT5遥感图像进行分类,不仅使分类结果具有丰富的语义信息,而且克服了由于特征选择的不稳定性对分类结果的影响,分类精度也得到了显著的提高。     

Boosting和Bagging算法的高分辨率遥感影像分类探讨

多分类器集成能够有效地提高遥感分类精度、降低结果中的不确定性,基于样本操作的Boosting和Bagging算法是多分类器系统常用的两种算法。针对高分辨率卫星遥感分类的需求,以Qu ickb ird数据为例,分别以BP神经网络、RBF神经网络和决策树为基分类器,对Boosting和Bagging算法的应用效果进行了实验和分析评价,结果表明Boosting算法和Bagging算法能够用于高分辨率遥感影像分类,具有较好的分类性能。     

基于改进极限学习机模型的岩质边坡稳定性评价与参数反演

岩质边坡的稳定性评价与参数确定是岩土工程领域的经典难题。基于大数据智能计算的优点,提出了一种结合变量遗忘因子的正则化在线序列极限学习机模型(FOS-ELM)的岩质边坡稳定性评价和参数确定方法。根据收集的1 235例岩质边坡的几何力学与Hoek-Brown模型参数,应用贝叶斯信息准则(BIC)优选基于岩体强度指标(GSI)、扰动因子(D)、岩石材料常数(m_i)、单轴抗压强度(σ_(ci))、岩体重度(γ)、坡高(H)、坡角(β)的最优输入组合预测边坡稳定安全系数(F),并建立7个模型对最优输入组合进行评价,论证模型的预测精度,结果表明全参数输入组合精度最高,但输入参数并不是越多越好。同经典的极限学习机模型(ELM)相比,该模型具有预测精度高、预测速度快、后期增加边坡数据无须重新训练等优点。并采用不同赋值的全参数输入模型(FOS-ELM-M_7)建立边坡参数反演模型,结果表明该模型对边坡单参数和双参数的反演计算速度快、精度高,为获取岩体边坡参数提供了一种快捷的新方法。