济州岛南部海域海底声呐图像分析与声学底质分类

东海北部外陆架靠近济州岛南部海域,是黄海槽向冲绳海槽延伸的部分,属于黑潮分支黄海暖流的通道入口,分布着脊槽相间的海底底形,对其海底声呐图像的处理分析及声学底质分类的分析研究,有助于了解该通道海底底形表层纹理特征及沉积物分布规律。基于在济州岛南部海域获取的多波束声呐数据,应用图像处理技术和方法,对数据进行了处理,获得了海底声呐影像图,并对其表层纹理特征进行了描述和分析;同时,基于多波束反向散射强度数据,结合19组海底地质取样数据,建立研究区海底反向散射强度与沉积物粒度特征之间的统计关系模型,并以改进的学习向量量化神经网络方法,实现对海底粉砂质砂、黏土质砂以及砂-粉砂-黏土3种底质类型的快速自动分类识别。

基于自组织神经网络的声学底质分类研究

研究利用多波束测深系统获取的反向散射强度数据,应用自组织(Self Organizing Map,简称SOM)神经网络分类方法实现了对海底泥、砂、砾石和基岩等底质类型的快速、有效识别。通过实验示例,将SOM神经网络的分类结果与传统海底地质取样获取的真实底质类型进行分析比较,表明该方法是可行和有效的。

联合支持向量机和增强学习算法的多波束声学底质分类

基于多波束的声学底质分类是近年来快速发展起来的新型海底底质探测技术。针对多波束声学底质分类中底质类型多样化、类型之间差异较小等多分类难点问题,本文提出一种GA-SVM-AdaBoost算法。利用自适应性和全局搜索能力强的遗传算法(genetic algorithm,GA)去优化支持向量机(support vector machines,SVM),以获得最优模型初始参数,并将多个GA优化后的SVM作为弱分类器组成AdaBoost强分类器。对胶州湾采集到的多波束反向散射强度数据,经过精细处理后生成海底声呐镶嵌图;构建SVM-RFE-CBR算法从提取的36维声强空间特征中筛选出10维优势特征,将其输入到GA-SVM-AdaBoost模型中进行分类识别。通过与SVM、GA-SVM、基于单层决策树的AdaBoost分类模型对比,GA-SVM-AdaBoost算法的总体分类精度高达92.19%,优于另外3种模型,证明GA-SVM-AdaBoost分类模型可有效应用于高精度海底底质类型识别。

西太平洋海底多金属结核空间分布与多波束回波强度的关系

西太平洋高丰度高覆盖率多金属结核的发现受到各国学者的高度关注,如何高效探测不同覆盖率和丰度的多金属结核分布特征是目前研究的重点。利用EM122多波束回波强度资料对西太平洋海盆结核分布特征进行分析,结果表明,回波强度的高低变化与结核覆盖率关系密切,而当结核覆盖率相当时,回波强度的高低变化反映了结核的粒径大小,其中大型结核(直径D>6 cm)较多时,回波强度值明显增大。利用最大似然分类方法对回波强度资料进行监督分类,得出深海沉积物、低丰度、中等丰度和高丰度结核空间分布,结果显示,深海粘土沉积区与丰度>>30 kg/m2的高丰度结核分布区多回波强度差异高达近20 d B。