基于多模态感知的水下目标检测应用构想

水下目标检测在海洋生物研究、考古探索、军事防御等多领域广泛应用,随着人工智能快速发展,水下目标检测也朝着无人化、智能化发展。深度学习采用神经网络挖掘信息特征,在速度和精度上均表现出优异的性能,成为了计算机视觉技术的主流算法,然而水下环境复杂,将其应用于水下图像目标检测仍存在较大的挑战。水下目标各模态信息互补,特征丰富,有利于目标检测识别,因此结合应用场景调研现有技术,然后设计基于深度学习的多模态水下目标检测系统,同时对比分析了现有关键技术的优缺点,最后对多模态目标检测系统未来发展进行总结与展望,具有重要意义。     

基于极限学习自编码器的水声信号目标识别方法

传统的机器学习方法在特征提取时容易受到主观经验的影响,导致对水声信号目标的识别准确率不高。而一般深度学习算法模型较复杂,通常具有训练耗时、计算复杂度高等缺点。极限学习自编码器具有很强的非线性处理能力,适合针对具有非线性特点的水声信号目标的识别,而且模型具有学习速度快,泛化能力强等显著优势。将极限学习自编码器算法应用于水声信号目标识别中,并与卷积神经网络、自编码器和极限学习机识别方法进行对比,结果表明：提出的方法对水声信号目标识别的准确率最优,且训练时间较短。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

预测有效波高的深度学习模型研究

研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。     

可解释性长短期记忆模型用于预测湖泊总磷浓度变化

对湖泊总磷的变化预测和来源识别对水资源调度和流域生态治理有着重要的意义,然而复杂的生化反应和水动力条件导致的非平稳性给湖泊总磷浓度的准确预测带来极大的困难。为克服这一挑战,本文引入了基于加权回归的季节趋势分解(seasonal and trend decomposition using Loess,STL)技术和夏普利加法(SHapley additive exPlanations,SHAP)结合长短期记忆网络(long short-term memory neural network,LSTM)和门控循环单元(gated recurrent unit,GRU)构建了一个可解释的预测框架,以增强对湖泊总磷浓度演变的预测并提高其可解释性。研究表明:(1)在骆马湖总磷浓度的预测中,该框架拥有较好的预报精度(R²=0.878),优于LSTM和卷积长短期记忆模型(convolutional neural networks and long short term memory network,CNN-LSTM)。当预测时间步长增加到8 h时,该框架有效提高了总磷浓度的预测精度,平均相对误差和均方根误差分别降低了47.1%和33.3%。从预测趋势来看,骆马湖在汛期的总磷平均浓度为0.158 mg/L,相较于非汛期的平均浓度,增加了202.1%。(2)运河来水是骆马湖总磷浓度最重要的影响因素,贡献权重为60.0%,并且不同断面(三湾、三场)的污染源受水动力、气象等因素的影响存在显著的时空差异。本文凸显了神经网络模型在预警水体污染方面的可实施性,并且为提高传统神经网络的学习能力和可解释性的开发与验证提供了重要方向。     

集聚经济影响城市经济增长的理论基础与实证研究:文献述评与展望

集聚经济理论自诞生之日起便与城市经济增长存在着本源联系。论文系统梳理集聚经济理论的起源与发展,归纳集聚经济阐释城市空间形成与发展的核心思想,明确集聚经济与城市经济增长之间是具有本源联系的。进一步回顾集聚经济影响城市经济增长的程度与机制,发现以人口密度等指标为代表的集聚经济能够显著促进城市经济的增长,可从“宏观过程”与“微观过程”两大视角探寻城市集聚经济影响城市经济增长的解释机制。这一工作不仅是以往集聚经济与城市经济增长相关文献回顾的一个延续,也为后续集聚经济影响中国城市经济增长的实证研究提供了一个参照。     

基于深度学习的乱占耕地建房疑似图斑自动提取方法研究

为实现农村乱占耕地建房问题“早发现、早制止、早查处”,本文提出一种基于深度学习的乱占耕地建房疑似图斑自动提取方法,利用高分辨率遥感影像解译模型,结合第三次国土调查成果耕地数据,快速识别乱占耕地建房疑似图斑。最后以江苏省某县级市为例开展实验,实验表明：该方法提取结果准确率高、用时少,可为耕地保护、督察执法提供重要支撑。     

基于地形特征融合的卷积神经网络滑坡识别

滑坡严重威胁着人民群众的生命财产安全。完整、准确的滑坡编录图是研究滑坡的重要资料。深度卷积神经网络方法由于众多优势而备受关注,然而卷积神经网络结构复杂,需要大量的训练样本,制约了其在滑坡制图上的发展。提出了融合地形特征的卷积神经网络建模方法。首先在遥感影像上叠加地形因子构建新的滑坡样本,然后设计提取并融合空间与光谱特征的轻量级卷积神经网络(FF-CNN),最后训练最优模型进行滑坡识别。在四川汶川地区进行的消融实验证明：在空间特征基础上融合光谱特征的FF-CNN模型滑坡识别评价指标F1分数和平均交并比(MIoU)分别提高0.020 2和0.014 4;在遥感影像上叠加地形因子后,FF-CNN模型滑坡识别评价指标F1分数和MIoU值分别提高0.066 4和0.048 2。在湖北省三峡库区和四川省都江堰市虹口乡的实验说明FF-CNN模型表现出较强的适用性和迁移能力,在滑坡识别上具有较大潜力。     

凸显三维目标贵在学生参与

新课程理想课堂的境界——焕发出生命活力。其特征是：课堂应是师生互动和心灵对话的“舞台”、师生共同创造奇迹和探索世界的“窗口”、教师用温情的双手点燃学生智慧的“火把”。理想课堂是教师追求的目标,它以三维目标的达成为归宿,以师生有效参与为载体,以学生学习能力提高为目的。     

基于深度学习的西沙永乐群岛珊瑚礁遥感信息提取

珊瑚礁是海洋生态系统的重要组成部分,对保护海洋生物多样性以及维持海洋生态平衡具有重大意义。我国南海珊瑚岛礁自然资源丰富,准确、高效地提取珊瑚岛礁信息对南海岛礁监测、管理、规划与保护具有现实意义。本研究基于我国海洋一号C卫星(HY-1C)遥感数据,对西沙永乐群岛珊瑚礁信息进行了研究与分析,提出基于HY-1C遥感数据的珊瑚礁地貌分类体系。采用全卷积神经网络U-Net模型,依次通过下采样、上采样操作提取西沙永乐环礁地貌特征,实现原始影像的像素级语义分割。结果表明：基于HY-1C数据建立的地貌分类体系对活珊瑚覆盖及珊瑚生长发育条件具有指示作用,提出的基于U-Net模型的珊瑚岛礁地貌信息自动提取方法,能够为我国南海珊瑚岛礁生态系统的全自动、大范围监测和评价提供相应理论基础,在珊瑚礁生态管理与评价中发挥关键作用。精度验证结果表明：U-Net模型可以有效提取珊瑚礁地貌信息,采用的地貌信息提取方法具备时空泛化能力,泛化精度高于80%。