基于深度学习的公路能见度分类及应用

以VGG16为基准模型,融合批归一化处理、全局平均池化和联合损失函数,提出了一种基于卷积神经网络的高速公路雾天能见度等级分类方法.实验结果表明,改进后的神经网络模型的平均识别正确率达83.9％,相较于其他几种模型具有较高的正确率和较好的收敛性.将模型封装入业务系统后进行业务化检验,其平均识别正确率可达84.9％,且白天...     

基于深度学习的个性化新闻推荐

由于网络上每天有海量的新闻报道产生,新闻推荐已经成为减轻用户信息负载、实现个性化新闻信息获取的重要途径,并被广泛用于新闻网站和新闻APP中以提升用户体验.不同于传统的商品推荐,在新闻推荐中新的新闻文章产生速度很快,而且新闻的语义信息需要结合整体新闻文本去理解,给传统的基于ID和基于特征的推荐算法带来了很大的挑战.此外,用户的新闻阅读兴趣存在高度多样性和动态性的特点,使得准确的用户建模变得非常困难.本文介绍了一些基于深度学习的个性化新闻推荐算法,并探讨了新闻推荐未来的一些可行的方向.     

混沌蜂群优化的NSST域多光谱与全色图像融合

为有效融合多光谱图像的光谱信息和全色图像的空间细节信息,提出了一种基于混沌蜂群优化和改进脉冲耦合神经网络(PCNN)的非下采样Shearlet变换(NSST)域图像融合方法。首先对多光谱图像进行Intensity-HueSaturation(IHS)变换,全色图像的直方图按照多光谱图像亮度分量的直方图进行匹配;然后分别对多光谱图像的亮度分量和新全色图像进行NSST变换,对低频分量使用改进加权融合算法进行融合,以互信息作为适应度函数,利用混沌蜂群算法找到最优加权系数。对高频分量采用改进脉冲耦合神经网络(PCNN)方法进行融合,再经NSST逆变换和IHS逆变换得到融合图像。本文方法在主观视觉效果和信息熵、光谱扭曲度等客观定量评价指标上优于基于IHS变换、基于非下采样Contourlet变换(NSCT)和非负矩阵分解(NMF)、基于NSCT和PCNN等5种融合方法。本文方法在提升图像空间分辨率的同时,有效地保留了光谱信息。     

应用CF—BPNN模型确定GPS高程异常

介绍了确定GPS高程异常的传统方法,分析了应用CF-BPNN模型求解GPS高程异常的步骤,验证了其精度比常规方法有显著提高及其可行性。     

遥感图像的神经网络分类法

神经网络的研究已有近35a的历史,各种模型相继出现,应用领域越来越广,近年来,神经网络的研究在国内外遥感界也越来越受到重视。笔者结合国家“八五”攻关项目“太湖地区水稻遥感估产”的要求,运用半线性前馈神经网络对TM图像进行分类作了研究,并以无锡县的华庄、羊尖两个乡作为试验区,用1991年7月23日的TM资料提取了两个乡的水稻种植面积,并与采用传统的Bayes分类法作的分类结果进行了比较,取得了满意的效果。     

基于遗传神经网络算法的测井曲线重构技术

本文使用遗传算法对传统神经网络的拓扑结构、权值和阈值进行优化,提出了基于遗传神经网络优化方法的测井曲线重构技术,可克服传统神经网络方法易陷入局部最小值的缺点.以声波测井曲线的重构为例,确定遗传神经网络有关参数并分析其重构效果.为了验证方法的有效性,分别对声波曲线、电阻率曲线和自然伽马曲线进行了重构,结果表明,遗传神经网络的曲线的重构结果要优于传统神经网络.因此,基于遗传神经网络的测井曲线重构具有较好的精度和实用性.     

基于神经网络法预测伦坡拉盆地有机碳含量

总有机碳含量(TOC)作为评价烃源岩的重要参数.对于一些勘探开发难度较大的区块,合理预测TOC含量对区块勘探开发具有重要意义.目前预测TOC含量的方法以△logR法为主,但是△logR 法对于异常点处理并没有系统的标准,人为主观性较强,同时在伦坡拉地区△logR 法预测效果一般.因此本文采取BP神经网络法进行TOC含量的预测.为了确定敏感性测井曲线的选择,将标准归一化后的测井参数与TOC含量进行相关系数分析,选取自然电位(SP)、自然伽马(GR)、声波时差(AC)、体积密度(DEN)及深度作为输入层,以TOC含量为输出层建立一个5×2×1的BP神经网络模型.研究结果表明,训练样本与测试样本的预测值与实测值相关性均超过0.8,模型拟合效果良好.TOC含量预测结果表明在纵向上伦坡拉盆地中牛三段下亚段、牛二段上亚段及牛二段中亚段均发育有较好烃源岩,应为下一步勘探开发的重点;在平面分布上,蒋日阿错凹陷的中部和东部发育最有潜力的烃源岩.     

地震自动速报震级参数误差校正研究

地震参数是防震减灾的重要参数,随着地震台网的进一步扩建和地震行业技术的不断提升,地震参数自动快速计算与信息发布水平有了很大的进步,但参数的准确性有待进一步提高.为了改善决定地震破坏力强弱的地震震级关键参数的准确性,本文尝试使用了多种方法来预测地震自动速报震级与人工正式速报震级的误差值.样本数据选取2013-2019年国家地震局自动速报AU系统与人工正式速报所发布的地震参数,震级下限为MS 3.0级,研究区域为国界线以内,将AU速报的震级M结果和人工正式速报结果进行对比分析,利用不同方法总结了两种结果的震级差异分布,首先利用直线拟合以及曲线拟合的方式来研究二者的关系,再利用误差逆向传播神经网络以及基于遗传优化的误差逆向传播神经网络对其进行参数误差学习预测.本文结果显示自动速报震级与人工正式结果的差异性跟震中经纬度有关,具有区域性的特点.神经网络的方法可以改善自动速报与人工正式速报的震级差异,为自动速报的参数准确性提出了新的参考思路.     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

径向基函数神经网络在卫星钟差预报中的应用

卫星钟差预报在全球卫星导航系统(GNSS)中起着重要作用.将径向基函数(RBF)神经网络应用于卫星钟差预报中.为避免网络过学习状态的发生,充分利用有限的训练样本数据,采用交叉验证法(CV)训练网络.以GPS为例进行短期(24 h)预报实验,并与灰色系统模型进行对比分析.结果表明:交叉验证法可以明显提高网络的泛化能力,RBF神经网络模型的预报精度以及稳定性均优于灰色系统模型.