基于深度学习的航海通告命名实体识别方法

为进一步提高识别、提取和应用航海通告信息的效率和准确性,基于对深度学习的自然语言处理技术及中文电子航海通告文本特点的研究,通过语料标注、搭建、调参、训练与评价了5种命名实体识别模型,得出CNN-BiLSTM-CRF模型的识别精确率、召回率等主要指标达到70%以上,能够适应复杂的通告内容及其语境干扰,是目前最优的航海通告命名实体识别模型的结论。应用该模型可为航海通告内容的自动化、智能化提取,高效编制及快速与准确应用提供一种新的技术方法。     

船载投料系统饲料颗粒流落点预测

【目的】为解决网箱养殖中使用船载投料系统的饲料颗粒流落点控制问题,提出一种用于实时分割饲料颗粒流轨迹并精确预测其落点的方法（MLBP）。【方法】考虑到输料管管内参数及饲料颗粒流出口参数获取难度较大,本研究采用高速相机获取饲料颗粒流轨迹图像,并利用提出的混合网络模型分割饲料颗粒流轨迹,以获取轨迹关键信息;为准确预测饲料颗粒流落点,利用BP神经网络的优势,将轨迹信息及投料口高度作为其输入,实现饲料颗粒流落点的预测。【结果】与相关研究方法对比,结合混合网络模型与BP神经网络的MLBP方法的系统单次运行时间降低95%,同时落点预测准确度达到96%,落点的平均误差范围与平均误差百分比也分别降低32.0%和30.5%。【结论】本研究提出的MLBP方法预测精度及实时性均能满足网箱投饵作业需求,可为相关研究提供参考。     

A generative adversarial network-based unified model integrating bias correction and downscaling for global SST

本文提出了一种基于生成对抗网络的全球海表面温度(sea surface temperature,SST)偏差订正及降尺度整合模型.该模型的生成器使用偏差订正模块将数值模式预测结果进行校正,再用可复用的共享降尺度模块将订正后的数据分辨率逐次提高.该模型的判别器可鉴别偏差订正及降尺度结果的质量,以此为标准进行对抗训练.同时,在对抗损失函数中含有物理引导的动力学惩罚项以提高模型的性能.本研究基于分辨率为1°的GFDL SPEAR模式的SST预测结果,选择遥感系统(Remote Sensing System)的观测资料作为真值,面向月尺度ENSO与IOD事件以及天尺度海洋热浪事件开展了验证试验:模型在将分辨率提高到0.0625°×0.0625°的同时将预测误差减少约90.3%,突破了观测数据分辨率的限制,且与观测结果的结构相似性高达96.46%.     

基于物理约束GRU神经网络的河流水质预测模型

河流水质预测对于水环境管理与水污染防治具有重要意义。近年来,以神经网络为代表的非机理性水质预测模型已被广泛应用于河流水质预测领域。然而,此类模型不考虑水质因子变化的物理机理,导致预测结果难以解释、稳定性差。为此,本文将水质因子变化的物理规律视为一种先验知识约束,建模于门控循环单元神经网络（Gated Recurrent Unit, GRU）之中,以河流水质预测的重要参数溶解氧为例,提出了一种物理约束的门控循环单元网络（Physics-constrained Gated Recurrent Unit, PHY_GRU）。以美国亚特兰大市2021年河流溶解氧预测为例进行实例验证,结果表明：① PHY_GRU与差分自回归移动平均模型、多层感知机和门控循环单元模型相比,预测精度和稳定性明显提升,其中预测均方根误差分别降低了94.8%,62.9%和37.2%;② 综合考虑多种物理规律约束可以提升PHY_GRU的预测精度和稳定性;③ PHY_GRU采用门控循环单元模型训练样本的30%,其预测精度和稳定性即可超过门控循环单元模型。本文提供了一种在神经网络模型中融入水质先验知识的研究思路,有助于提升水质预测模型辅助决策的水平。     

基于PSO-BP神经网络的中国区域大气加权平均温度模型北大核心CSCD

结合粒子群优化算法和BP神经网络,利用中国区域88个探空站2015-2017年的数据,以地表温度、地表水汽压、纬度、高程、年积日作为模型输入因子,以积分法获得的Tm值为学习目标,建立适用于中国区域的Tm模型PSOTM。以2018年探空数据为参考值评定PSOTM模型精度,并与Bevis、GPT3、传统BP神经网络(BPTM)、GRNN神经网络(GRNNTM)模型的计算结果进行对比。结果表明,PSOTM模型年均RMSE为3.08 K,相对于Bevis、GPT3、BPTM和GRNNTM模型分别降低26.84%、35.97%、15.38%和4.94%;PSOTM模型年均bias为0.32 K,相对于Bevis、GPT3和BPTM模型分别降低68.93%、82.42%和72.41%,较GRNNTM模型升高37.50%。PSOTM模型在中国区域不同纬度和高程的精度与稳定性优于Bevis、GPT3和BPTM模型,具有良好的适用性。     

CLAB模型：一种乘客出租出行需求短时预测的深度学习模型

乘客出行需求预测是智能交通系统的组成部分,准确的出行需求预测,对于车辆调度具有重要的意义;然而现有的预测方法无法准确的挖掘其潜在的时空相关性,且大都忽略历史流入量对出行需求的影响。为了进一步挖掘时空大数据中的时空特性及提升模型预测乘客出行需求的精度,本文提出了一种乘客出租出行需求短时预测CLAB(Conv-LSTM Attention BiLSTM)模型。CLAB模型设置了3个模块分别为基于注意力机制的Conv-LSTM模块和2个BiLSTM模块,基于注意力机制的Conv-LSTM模块提取临近时刻乘客出行需求量中的空间特征和短时时间特征,其中注意力机制能自动分配不同的权重来判别不同时间的需求量序列重要性;为了探索长期时间特征,用2个BiLSTM模块来提取历史流入量序列时间特征和日乘客需求量序列的时间特征。采用厦门岛的网约车和巡游车的订单数据进行实验,结果表明：(1) CLAB模型更适用于使用30 min历史数据预测未来5 min短时乘客出行需求;(2)与基准预测模型相比,CLAB模型的整体的效果误差更低,具有更好的预测效果,CLAB模型比CNN-LSTM、LSTM、BiLSTM、CNN...     

天然地震识别与震相自动拾取技术进展

震相拾取是地震数据处理过程中最基本的步骤之一。在传统的人工拾取技术不能满足庞大的地震数据处理需求的情况下,震相自动拾取技术从产生到发展至今经历了漫长的过程。本文回顾并总结了震相自动拾取技术的发展状况,重点介绍了长短时窗法、赤池准则法、模板匹配技术、基于自相关盲搜索的FAST法、S波偏振分析法、人工智能方法等,以及近年发展起来的多频率震相识别、全波形叠加、二次方自回归模型等方法,同时分析了每种方法的优势和局限性。     

基于深度学习的地震与爆破事件自动识别研究

针对天然地震事件、爆破事件分类问题,使用甘肃及周边地区80个天然地震事件和20个爆破事件建立数据集,采取深度学习卷积神经网络(convolutional neural network,CNN)方法搭建两个不同结构的模型进行训练,并用500条训练集之外的天然地震事件与爆破事件波形作为测试数据集,其训练和测试准确率均达到9...     

优化卷积神经网络在道编辑中的应用

由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测.作为一种快速高效的识别算法,可以广泛应用到各个研究领域.本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.     

中国碳酸锂经济安全预警研究

为深入研究碳酸锂经济安全,文章从资源禀赋、进口依赖、获取成本和地缘政治四个维度出发,构建了中国碳酸锂经济安全评价指标体系,运用常权和变权模型评估了2009—2020年中国碳酸锂经济安全状况,采用GM(1,1)模型及BP神经网络模型对2021—2035年中国碳酸锂经济安全进行预警研究。结果表明：1.进口集中度、对外依存度及运输风险是影响碳酸锂经济安全的主要因素;2.2009—2020年中国碳酸锂经济安全总体呈下降趋势,安全等级由黄色—基本安全等级波动下降至橙色—不安全等级,资源禀赋和进口依赖是导致碳酸锂安全等级较低的主要原因;3.2021—2035年中国碳酸锂经济安全评分不断下降,除2021年和2026年处于黄色—基本安全等级外,其余年份均处于橙色—不安全等级。