基于重磁数据梯度比值的深度学习技术实现场源位置反演方法

场源中心位置的计算是重磁数据反演的主要任务之一,现主要通过异常与场源位置之间的数学物理方程来估算地质体的位置.为了快速、准确获得地质体的位置信息,提出基于重磁梯度比值的深度学习技术实现场源位置的获取;其利用深度学习技术所建立的重磁梯度比值水平分布与地质体埋深、构造指数的关系,快速实现异常场源位置计算,且提出利用多个值的相互关系来更加准确、稳定地计算出地质体的信息.该方法可以计算复杂地质体的中心位置,且避免了以往线性方程反演方法需对结果进行筛选的复杂过程,对于存在剩磁的磁异常则采用解析信号的深度学习方法来进行位置反演.理论模型试验证明利用梯度比值的深度学习方法可以准确获得地质体的深度,且通过对比更多点的深度学习计算结果发现,采用多个不同比例极值点可以减弱噪声带来的干扰,从而得到更加准确的位置.最后将该方法应用于实测磁异常的反演工作,获得了地下磁性物体的中心位置,且计算结果与欧拉反褶积法相接近,因此该方法具有良好的实用性.      

融合多模态特征的社会多媒体谣言检测技术研究

以微博为代表的社会媒体的蓬勃发展在加速信息交流的同时,也促使虚假谣言信息迅速在社会网络上传播,造成严重的后果.自动谣言检测问题受到了国内外学术界、产业界的广泛关注.围绕社会多媒体谣言检测这一问题,本文总结了融合多模态特征的谣言检测相关技术.首先从基本概念出发,阐述了谣言的定义和社会多媒体的特点,给出了社会多媒体谣言检测问题的定义.针对谣言检测面临的多模态特征抽取和模型构建两大难点,分别总结和归纳了各种类型的特征及其提取方法和不同的机器学习检测模型.这些特征和算法是检测谣言的基本手段,也是接下来研究的基础,可为进一步谣言检测的研究提供参考.     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

探究性学习训练

正~~     

深度学习方法在地震事件分类中的应用及可解释性研究

采用2016—2020年福建台网所记录的爆破和天然地震事件以及背景噪声数据集,使用CNN模型、Inception10模型、ResNet18模型和Vgg16模型4种深度学习网络模型进行分类研究。针对深度学习网络模型的“黑盒”问题,将梯度类激活映射(Gradient-weighted Class Activation Mapping, Grad-CAM)算法引入这4种分类模型中,得到每个模型的可视化图。通过可视化图可以直观地看出模型在做出分类决策时对于不同波形特征的依赖权重,为模型的可解释性提供依据,进而提高模型的可信度。通过对模型的可视化图分析得出,分类效果更好的CNN模型和Vgg16模型在做出决策时更依赖于地震波形的震相特征,对于震前和震后的波段关注较小;而ResNet18模型和Inception10模型对于震相特征的关注不够敏锐。通过Grad-CAM算法对模型进行可视化分析得到的结果能够很好地反映模型的分类效果,对于改进和选择合适的分类模型具有重要意义。     

基于深度学习的低剂量CT成像算法研究进展

计算机断层扫描成像(CT)技术具有成像速度快分辨率高的优点,广泛应用于医学临床诊断中.然而,提高剂量辐射会引发人体组织器官受损,降低剂量又会造成成像质量严重下降.为解决上述矛盾,在确保成像质量满足临床诊断需求的条件下,研究如何最大程度地降低X射线辐射对人体造成的伤害,己成为低剂量CT成像技术的研究热点.近年来,在人工智...     

深度学习重建算法在上腹部CT成像中的应用

目的:通过分析比较自适应统计迭代重建（ASIR）算法和深度学习重建（DLIR）算法在上腹部CT成像中的图像质量,探讨DLIR算法在上腹部CT成像中的应用价值。方法:回顾性纳入75例患者上腹部CT平扫图像,利用自适应统计迭代重建算法ASIR（30％、50％、70％、90％）和深度学习重建算法（DL-L、DL-M、DL-H）重建图像,共7组。测量每组图像肝脏、胰腺、竖脊肌的CT值和SD值,并计算信噪比（SNR）和对比噪声比（CNR）,采用单因素方差分析对各指标进行客观评价;同时由两位放射医师对图像质量和噪声评分,采用Friedman M检验进行比较。结果:①七组重建图像的SD值、SNR、肝脏CNR差异有统计学意义。②DL-L与ASIR 50％、DL-M与ASIR 70％、DL-H与ASIR 90％ 间各ROI处CT值、SD值、SNR值、CNR值无差异。③三种深度学习重建算法间随等级升高,SNR值升高,差异有统计学意义;且DL-H 算法的SNR值高于ASIR 30％、ASIR 50％,SD值低于除ASIR 90％ 外的其余5组重建算法。④七组图像主观评分差异有统计学意义,算法DL-H具有最佳的图像质量和最低的噪声,DL-M、ASIR 90％、DL-L、ASIR 70％、ASIR 50％、ASIR 30％ 图像噪声依次增加。结论:深度学习重建算法能够降低上腹部图像噪声,提高图像质量,且随等级升高,图像噪声降低、质量提高、信噪比升高。      

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。     

投影寻踪学习网络的遥感影像分类

采用投影寻踪(projection pursuit,PP)学习网络方法建立了一种新的遥感影像分类模型。该方法结合了统计学中投影寻踪算法节点函数灵活的非参数估计特点和人工神经网络的自学习功能,具有简捷的网络结构和良好的鲁棒性能。利用苏州市TM影像进行了分类实验,将分类结果与BP神经网络和最大似然法的分类结果相比较,投影寻踪学习网络的分类精度较高,具有一定的实用性。