基于机器学习的多施工参数盾构施工姿态预测

针对盾构施工过程中参数易变、轴线难以预测控制的问题,本文提出了基于机器学习的多施工参数盾构施工姿态预测方法,分析了在复杂环境下影响盾构姿态掘进施工的参数,以及掘进参数和盾构姿态内在的关联关系,建立了盾构姿态预测模型,实现了盾首盾尾中心坐标与设计轴线的偏差计算;最后结合某地铁施工段,验证了该预测模型的可行性.     

基于地理信息识别的生态环境保护指标规划方法研究

该生态环境保护指标为基于机器学习基础指标,融合地理信息大数据的多层次加权配合线性模糊和模糊矩阵的综合非线性指标体系。其中,机器学习部分引入了复杂多列深度卷积算法,节点类型包括对数迭代回归节点、超限学习机节点、二值化节点等。仿真测试中,该算法针对环保隐患发生状态的数据特异性为99.26%,针对环保问题发生状态的数据特异性为99.79%,且该系统在仿真环境中使得隐患排查效率提升6.26倍,问题排查效率提升4.97倍。     

地震大地测量确定凹凸体研究进展与展望

介绍了凹凸体、障碍体及其震源模式相关概念,综述了地震大地测量确定凹凸体的研究进展,主要从介质结构分布（高强度异常体）、地震活动性分析和断层滑动特性三个方面探讨凹凸体确定的技术与方法,并分析了存在的问题。对活动断层凹凸体分布的精细确定研究进行了展望,今后的研究重点是开展大地测量数据联合反演确定凹凸体分布、联合大地测量与地震、地球物理数据确定凹凸体分布以及基于机器学习方法进行凹凸体分布确定。     

迁移学习用于多时相极化SAR影像的水体提取

基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。     

融合Markov与多类机器学习模型的个体出行位置预测模型

随着城市化的发展,人们出行的方式逐渐多样化,对人类行为的深入理解以及对个体出行行为的建模预测有助于解释若干复杂的社会经济现象,且在基于位置的服务、交通规划、公共安全等方面具有重要价值.个体出行行为预测建立在深入理解人类活动特性的基础上,而在移动互联网时代,网络空间的上网行为与现实空间的出行行为密不可分.首先基于上网行为...     

一种基于核学习的储集层渗透率预测新方法

基于核学习的支持向量机,是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法,具有完备的理论基础。这里提出了核学习技术在储集层非均质特性描述中渗透率参数预测的新用途。在复杂地层中,基于支持向量机的智能和自适应模式识别能力而建立了常规测井多参数信息输入的渗透率预测模型,然后对实际油田储集层渗透率进行了预测。与常规线性回归模型预测结果相对比,所提出的方法更易于使用,很少受不确定因素的影响,并具有较强的信息整合能力以及更高的预测准确性和可信度。     

成矿预测:从二维到三维

随着矿产资源勘探方法以及计算机科学技术的不断发展,成矿预测的理论和方法已从定性发展至定量,从二维拓展到三维。近十年来,随着深部矿产资源勘探工作的推进,三维成矿预测研究得到了迅猛发展,相关理论与方法也已逐步走向成熟。本文总结了国内外二维成矿预测研究的现状,同时对近十年来国内外学者在三维地质建模技术、三维成矿预测方法等方面的主要成果和进展做了系统总结和分析。目前,国内外多个地区已相继开展了三维成矿预测工作,并成功圈定多个深部找矿靶区,相关成果为深部找矿勘探工作提供了新的方法和方向。在此基础上,本文对未来三维成矿预测的发展趋势进行展望,相较于传统的二维成矿预测,三维成矿预测往往受限于三维预测信息的缺乏。如何更好的挖掘二维数据在深度方向的指示能力,将二维数据推演至三维环境,利用数值模拟、机器学习等方法开展数据挖掘、充分发挥已有数据的内蕴信息将在未来推动三维成矿预测理论的深入发展,提高三维成矿预测的理论方法及应用实践水平。     

基于BMA多模型组合的疏勒河径流预测研究

准确可靠的径流预测对于水资源的科学管理与规划具有重要意义,特别是在水资源紧缺的干旱半干旱地区,径流预测对流域内水资源高效利用与水利工程经济运行具有重要现实意义。针对径流预测通常采用单一方法进行建模与预测,难以利用各预测模型优势的问题,本文利用极限学习机（ELM）模型、支持向量机（SVM）模型、多元自适应回归样条（MARS）等机器学习方法建立了疏勒河上游未来1~7日的径流预测模型。在此基础上,运用贝叶斯模型平均（BMA）方法对ELM、SVM、MARS模型的预测结果进行组合,构建了径流组合预测模型,以获取更可靠的预测结果,并采用蒙特卡洛抽样方法获取BMA的95%置信区间,对预测结果进行了不确定性分析。结果表明：ELM、SVM、MARS模型以及BMA组合模型均适用于干旱半干旱地区的中长期日径流预测;BMA的预测精度较单一模型更高,能够提供更准确的预测值;BMA的95%置信区间对实测值覆盖率高,同时能够提供较好的确定性预测和概率预测结果。表明BMA在资料有限的条件下,表现出较单一模型更高的预测性能,可以成为干旱半干旱地区中长期日径流预测的有效方法。     

基于CART算法的三维成矿预测研究——以安徽白象山矿区为例

把地质大数据和人工智能技术引入矿产资源定量评价及成矿预测体系中,提高了海量地质数据的有效信息挖掘,弥补了传统方法的不足。本文基于白象山矿区基础地质资料和物化探成果资料,利用三维地质体建模技术和三维空间分析技术,量化三维控矿因素,建立了一种基于CART 算法的三维成矿预测模型。通过在白象山矿区的实验表明：该模型能较好的定位已知矿体,并且预测出在已知矿体北部、东部、东北部、西部、南部和东南部具有较高的成矿概率,可圈定找矿靶区。该模型将地质大数据应用于找矿勘探工作,具有纯数据驱动、预测精度高、预测结果可靠等优点。研究发现,该模型的预测效果与训练数据集的数量、矿控因素提取、决策树深度等有关。     

基于Sentinel-3 OLCI影像的巢湖藻蓝素浓度年内动态遥感监测

藻蓝素(PC)是水体蓝藻的指示性色素,其浓度反映了蓝藻生物量,利用卫星遥感监测藻蓝素浓度年内动态对蓝藻水华的有效防控有着重要意义.根据不同季节的巢湖藻蓝素浓度实测数据与同期Sentinel-3 OLCI影像,构建机器学习回归反演模型,应用于巢湖2019年OLCI影像集上,对巢湖藻蓝素浓度的空间分布、年内变化进行遥感监测...