基于神经网络的南太平洋长鳍金枪鱼渔场预报

南太平洋长鳍金枪鱼是我国远洋渔业的重点捕捞对象;对南太平洋长鳍金枪鱼进行准确的渔场预报;可以提高捕捞效率;提高渔业的生产能力。本研究根据1993-2010年南太平洋长鳍金枪鱼的延绳钓生产数据以及海洋卫星遥感数据（海水表面温度;SST;海面高度;SSH）和ENSO（El Niño-Southern Oscillation）指标;采用DPS（data processing system）数据处理系统中的BP人工神经网络模型;以渔获产量（单位时间的渔获尾数）和单位捕捞努力量渔获量（CPUE;Catch per unit of effort）分别作为中心渔场的表征因子;并作为BP模型的输出因子;以月、经度、纬度、SST、SSH和ENSO指标等作为输入因子;分别构建4-3-1;5-4-1;5-3-1;6-5-1;6-4-1;6-3-1等BP模型结构;比较渔场预报模型优劣。研究结果表明;以CPUE作为输出因子的BP人工神经网络结构总体上较优;其中以6-4-1模型结构为最优;相对误差只有0.006 41。研究认为;以CPUE为输出因子的6-4-1结构的人工神经网络模型;能够准确预报南太平洋长鳍金枪鱼的渔场位置。     

基于灵敏度分析的海洋油气资源BP神经网络预测模型的优化

作者针对BP神经网络结构设计中存在的问题,提出利用灵敏度分析方法对BP神经网络预测模型进行优化。通过BP算法与参数灵敏度分析的结合,寻找网络输入属性与输出属性之间的影响因子;在保证精度的前提下优选网络输入属性,简化网络结构,以增强网络的泛化能力,减少人为主观因素对网络设计的影响。最后以海洋油气资源预测为例,结合实测资料建立BP神经网络预测模型并进行了优化及预测精度评价,表明优化后的模型既能有效提高油气资源预测结果的稳定性,又不损失预测精度。     

基于BP神经网络的海洋监测数据等级划分

数据的分类是数据处理和应用的重要环节和前提。在海洋领域中,海洋数据呈现多元、多类等的复杂多样性,给数据的分类带来一定的技术挑战。主要针对海洋数据分类难这一问题,首先利用BP神经网络技术对海洋环境监测数据进行分类,且通过对获取的海洋环境监测数据进行分类预测,最后,实验验证了海洋环境监测数据分类方法的正确性和可行性,给海洋监测数据根据秘密等级进行数据分类提供了支持。     

卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例

大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。     

基于神经网络的页岩微纳米孔隙微结构分析的正则化和最优化方法

页岩气成藏机理与页岩内部孔隙结构紧密相关,对页岩孔隙结构的研究成为页岩气勘探开发技术中至关重要的一环。页岩内部不同结构体组分对X-射线的吸收能谱不一样,这样就导致观测数据是由不同页岩组分衰减不同波段的X-射线构成的。经过对CT图像分割,能够获得页岩微孔结构的图像,尤其是获得有机质中孔隙类别、形状、尺寸、空间分布、连通特性。本文利用同步辐射X射线扫描重构的页岩CT数据,研究并设计基于多能CT图像的神经网络图像分割技术和算法,以期得到页岩体三维结构特征及空间分布,可以为建立有机质种类和无机矿物组成与微纳孔隙特征的联系以及最终实现页岩气的资源储量评估和勘探开发提供技术支持。     

结合实体词与句子语义的地理实体关系抽取

地理实体关系抽取是地理知识获取的重要组成部分。规则制定的繁琐和难以发现的隐式关系表达,使得现有规则匹配与机器学习的方法不能有效解决地理实体关系抽取中存在的中文文本语法结构复杂且地理实体关系显式与隐式表达并存的问题。因此,根据上下文反映显式或隐式地理实体关系的特征,提出利用实体词向量和句子语义向量从文本中抽取地理实体关系的方法。实验表明,利用该方法从网络文本中获取显式和隐式表达的地理实体关系具有较好的效果,在测试集中准确率和召回率可以达到75.2%和79.2%。本研究为构建地理知识图谱、地理信息检索以及地理本体学习提供方法支持。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

轨道误差对InSAR相位影响的BP神经网络去除法

针对用二次多项式法去除轨道误差对InSAR相位影响时,须对干涉相位其他项分布性质作假设,且自身存在一定的模型缺陷的问题,该文提出用BP神经网络去除轨道误差对InSAR相位影响的方法。研究表明:BP神经网络法在使用时无须对干涉相位其他项分布性质作假设,模型更优。模拟实验中,轨道误差相位拟合残差更小;真实数据实验中,纠正后非形变区相位集中在零值附近,且波动趋势更为平稳。该方法一定程度上降低了传统二次多项式法的应用局限性。