基于多层全连接神经网络的6C地震波极化向量识别研究

利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。

基于端到端深度神经网络和图搜索的OCT图像视网膜层边界分割方法

视网膜层边界的形态变化是眼部视网膜疾病出现的重要标志,光学相干断层扫描(optical coherence tomography,OCT)图像可以捕捉其细微变化,基于OCT图像的视网膜层边界分割能够辅助相关疾病的临床判断.在OCT图像中,由于视网膜层边界的形态变化多样,其中与边界相关的关键信息如上下文信息和显著性边界信息等对层边界的判断和分割至关重要.然而已有分割方法缺乏对以上信息的考虑,导致边界不完整和不连续.针对以上问题,提出一种“由粗到细”的基于端到端深度神经网络和图搜索(graph search,GS)的OCT图像视网膜层边界分割方法,避免了非端到端方法中普遍存在的“断层”现象.在粗分割阶段,提出一种端到端的深度神经网络—注意力全局残差网络(attention global residual network,AGR-Net),以更充分和有效的方式提取上述关键信息.具体地,首先设计一个全局特征模块(global feature module,GFM),通过从图像的4个方向扫描以捕获OCT图像的全局上下文信息;其次,进一步将通道注意力模块(channel attention module,CAM)与全局特征模块串行组合并嵌入到主干网络中,以实现视网膜层及其边界的上下文信息的显著性建模,有效解决OCT图像中由于视网膜层形变和信息提取不充分所导致的误分割问题.在细分割阶段,采用图搜索算法去除AGR-Net粗分割结果中的孤立区域或和孔洞等,保持边界的固定拓扑结构和连续平滑,以实现整体分割结果的进一步优化,为医学临床的诊断提供更完整的参考.最后,在两个公开数据集上从不同的角度对所提出的方法进行性能评估,并与最新方法进行比较.对比实验结果也表明所提方法在分割精度和稳定性方面均优于现有方法.

多属性神经网络反演在重力流储层预测中的应用——以歧口凹陷歧南斜坡沙一段为例

歧口凹陷歧南斜坡沙一段属于典型的重力流水道沉积,受湖盆深陷扩张、沉积坡度陡等因素影响,各层砂体普遍发育,但纵向相互叠置、横向变化大,地震属性分析对纵向相互叠置砂体的区分能力较差、精度不高。基于特征曲线重构的多属性神经网络反演技术先通过叠后地震资料拓频处理,提高薄层砂岩识别能力,再利用基于高阶统计量的时频分析技术构建五级层序格架,细化地质研究对象,最后采用基于GR曲线重构的多属性神经网络反演进行储层预测。该技术使得砂体叠置区分辨能力更强,边界刻画更清晰,提高了反演结果的精度和准确性,实践证实储层预测符合率可达到80%以上,为纵横向变化大的砂体分布预测提供了一种新的技术思路。

基于多模态神经网络流量特征的网络应用层DDoS攻击检测方法

农业设备、传感器和监控系统与网络的连接日益紧密,给农村配电网带来了新的网络安全挑战。其中,分布式拒绝服务(DDoS)攻击是一种常见的网络威胁,对农村配电网的安全性构成了严重威胁。针对农村配电网的特殊需求,提出一种基于多模态神经网络流量特征的网络应用层DDoS攻击检测方法。通过制定网络应用层流量数据包捕获流程并构建多模态神经网络模型,成功提取并分析了网络应用层DDoS攻击流量的特征。在加载DDoS攻击背景下的异常流量特征后,计算相关系数并设计相应的DDoS攻击检测规则,以实现对DDoS攻击的有效检测。经试验分析,所提出的方法在提取DDoS攻击相关特征上表现出色,最大提取完整度可达95%,效果明显优于对比试验中基于EEMD-LSTM的检测方法和基于条件熵与决策树的检测方法。

基于卷积神经网络融合的彩色傅里叶叠层显微重建

针对彩色傅立叶叠层显微重建存在图像获取时间长、采集低分辨率图像数量多等问题,采用基于卷积神经网络的图像融合方法来实现彩色傅立叶叠层显微重建。该方法基于图像融合原理,将单通道低分辨率图像重建的灰度高分辨率图像与相同视场下的彩色低分辨率图像融合,成功地重建彩色FPM图像。在保证图像恢复质量的同时减少了2/3的采集时间。实验结果表明,所提算法可以获得色彩不失真的彩色FPM图像,定量评价指标方均根误差小于0.01,结构相似性参数大于0.89。

基于图神经网络的多层银企网络融合研究

针对金融行业内潜在系统性风险难以精准识别问题,基于直接系统性风险传染渠道的借贷数据以及间接渠道的互联网文本信息,构建多层银企网络,并利用图卷积神经网络(GCN)设计多层银企网络融合模型,根据融合网络量化评估29家银行和75家房地产机构的不同渠道系统性风险传染过程。实验结果表明,在多层金融网络融合任务上,本文融合模型的准确率达到0.8559,优于对比模型。融合网络分析表明,多层网络共同冲击下的银企系统性风险传染能力明显大于单一或者2层网络的系统性风险,且基于间接渠道的企业间网络系统性风险更明显。金融审慎监管应该更多关注文本数据、深度学习等技术对于整合庞大金融资源的能力和有效提高风险监测预警的能力。

基于水稻冠层多信息融合的监测褐飞虱种群大小的BP神经网络方法

【目的】褐飞虱Nilaparvata lugens种群监测的自动化和智能化尚未实现。本研究旨在探究水稻受褐飞虱危害后冠层光谱和温度以及叶片叶绿素相对含量与为害虫量的关系,建立基于高光谱、热成像和叶绿素等多信息融合的误差反向传播(back propagation,BP)神经网络监测褐飞虱的方法,为田间褐飞虱种群监测向自动化与智能化方向发展提供方法支持。【方法】在可控条件下利用方形塑料框培育水稻,并在分蘖期接入雌雄1∶1配对的不同对数(0,1,2,3,4,5,6和7对)的褐飞虱雌、雄成虫,然后连续多次(接虫后16,27,32,44和60 d时)调查接虫区水稻上褐飞虱虫量(每4穴稻上个体数),并采用高光谱仪和热成像仪分别测定水稻冠层光谱反射率和冠层温度,利用土壤和植物分析仪器开发(soil and plant analyzer development,SPAD)叶绿素仪测定叶片叶绿素的相对含量(SPAD值);采用Pearson相关法分析各测量指标与褐飞虱虫量的相关性;采用多元散射校正对光谱反射率数据进行降噪处理;采用连续投影算法对高光谱反射率数据进行降维和敏感波段筛选;分别以光谱反射率单一信息及其与冠层温度和SPAD值融合后的多源信息为输入量,采用普通和加入粒子群算法优化的BP神经网络建模,构建褐飞虱为害不同时段后种群大小的神经网络监测模型。【结果】褐飞虱为害后水稻冠层光谱在近红外的730-930 nm波段反射率、水稻冠层温度与气温的差值(冠气温差)和叶片的SPAD值均与褐飞虱虫量呈显著负相关。利用连续投影算法筛选出的冠层光谱敏感波段处反射率并降噪后建立的BP神经网络监测5个危害时段褐飞虱虫量的预测集决定系数R^(2)在0.504~0.892之间;融合冠层光谱、冠气温差和叶片SPAD值等多信息建立的BP神经网络监测褐飞虱虫量的预测集R^(2)提升到0.640~0.975;在多源信息基础上再选用粒子群优化(particle swarm optimization,PSO)算法优化BP神经网络后监测褐飞虱虫量的精度提高,预测集R^(2)提升到0.931~0.991,模型预测效果好。【结论】基于水稻冠层高光谱与热成像和叶片SPAD值等多信息融合的PSO-BP神经网络方法监测褐飞虱虫量的精度高、效果好,有望用于田间褐飞虱种群的自动监测。

基于Gash修正模型与神经网络优化模型的刺槐冠层截留模拟

[目的]对比分析Gash修正模型和神经网络模型在模拟和预测人工林冠层截留的适用性,揭示干旱区刺槐冠层截留及其响应过程,为深入了解森林生态水文过程及其调控机制提供科学依据。[方法]于2019年5—10月,以宁夏河东地区刺槐(Robinia pseudoacacia)人工林为研究对象,定位观测了树干茎流和穿透雨并计算得到冠层截留,采用修正后的Gash模型与神经网络模型对刺槐林林冠截留量进行了模拟。[结果](1)研究区刺槐人工林的穿透雨量、树干茎流量、林冠截留量分别为154.19,5.61,16.5 mm,产生穿透雨和树干茎流的阈值分别为1.37,2.17 mm。(2)Gash修正模型和优化后的神经网络模型均能较好地模拟刺槐冠层截留量,Gash修正模型的绝对误差、均方误差、均方根误差、平均绝对百分比误差分别为0.20%,0.06%,0.24%,52.43%,模拟结果拟合精度达到83%;与Gash修正模型相比,采用麻雀搜索算法优化后的BP神经网络算法模型(SSA-BP),均方误差降低了61.48%,平均绝对误差降低了40.39%,均方根误差降低了37.93%,平均绝对百分比误差降低了50.52%,决定系数提高了1.2%。[结论]在林木冠层截留模拟研究方面,加入麻雀搜索算法后的BP神经网络模型具有较好的可靠性,可以有效降低模拟误差,提高模型的预测精度。

卷积神经网络的半监督层位追踪方法

层位追踪是地震资料解释的关键步骤,通常由解释人员以人机交互方式进行,效率较低。卷积神经网络可以构建地震数据和训练标签的非线性映射关系从而完成层位追踪,由于人工解释结果获取困难,仅由少量标签训练的模型泛化能力较差。为此,提出一种基于卷积神经网络的半监督层位追踪方法,将层位追踪转化为层位断层间区域的图像分割。首先使用自编码器对无标签数据进行训练,之后将部分参数迁移至有监督学习网络后使用少量标签数据进行有监督学习,最后对整个工区的地震数据进行预测,提取分割结果边缘作为层位追踪结果。合成数据和实际数据的测试结果均表明,相较于有监督学习层位追踪方法,该方法具有较少的错误分割,由分割边界提取的层位与人工层位解释结果的误差较小,具有更好的泛化能力。

基于人工神经网络的复合材料层合板隔声性能预测

面向纤维增强复合材料层合板隔声设计需求,应用正交试验方法设计18组对称铺设复合材料层合板结构,并以基于切比雪夫多项式展开的半解析法对复合材料层合板结构在10~1500 Hz频率范围内的传声损失进行预测。以单层厚度、纤维铺设角度作为人工神经网络的输入,复合材料层合板结构1/3倍频程传声损失作为输出,分别建立前馈(Back Propagation,BP)神经网络、径向基函数(Radial Basis Function,RBF)神经网络和广义回归(General Regression,GR)神经网络预测模型。结果表明,RBF神经网络的预测效果最好,均方根误差仅为1.0937,GR神经网络和BP神经网络的预测效果逊于RBF神经网络,均方根误差分别为2.6499和2.9697。最后,基于分析结果构建具有良好局部预测性能的神经网络模型以用于复合材料层合板结构的隔声性能预测。

深度神经网络动态分层梯度稀疏化及梯度合并优化方法

针对数据并行方法加速大规模深度神经网络时易出现的通信开销大、训练耗时长、资源利用率不高的问题,提出了一种深度神经网络动态分层梯度稀疏化及梯度合并优化方法。首先,将梯度稀疏化压缩与流水线并行技术相结合,提出动态分层梯度稀疏优化方法,为每层神经网络匹配一个合适的阈值,通过在后续迭代时动态调整该阈值,实现对每层网络传输梯度的自适应压缩。然后,提出了层梯度合并方法,利用动态规划算法对层梯度合并时的通信开销、稀疏化及层梯度计算时间进行权衡优化,求解出最佳的层梯度合并组合,并将多层小尺度梯度张量合并为一层通信,以降低分层梯度决策时引入的过高通信延迟开销。最后,将求解出的最佳层梯度合并组合应用于具体的训练迭代过程。实验结果表明:与已有方法相比,所提方法可在保证模型训练精度的同时大大降低通信开销,提升模型的训练速度;与未压缩方法相比,训练速度最大可提升1.99倍。

结合卷积神经网络与多层感知机的渐进式多阶段图像去噪算法

现有基于深度学习的图像去噪方法中,在网络架构层面存在单阶段网络特征表达能力不足而难以在复杂场景下重构清晰图像,以及多阶段网络内部特征连接不紧密而容易丢失原始图像细节的问题。在基础构建块层面,存在卷积层难以处理较大噪声级别下的跨层次特征,以及全连接层难以捕获图像邻域空间细节的问题。为解决以上问题,从两方面提出解决方法:一方面,在架构层面提出新颖的跨阶段门控特征融合,从而更好地连接一阶段网络的浅层特征与二阶段的深层特征,促进信息流的交互并使得去噪网络内部关联更为紧密,同时避免丢失原始像素细节;另一方面,在基础构建块层面提出结合卷积神经网络和多层感知机特性的双轴特征偏移块,作用于低分辨率多通道数的特征图,从而缓解卷积网络在复杂噪声场景下难以捕获跨层次特征依赖关系的问题,对于高分辨率、少通道数的特征图,使用卷积网络以充分提取噪声图像的空间邻域依赖关系。大量定量与定性实验表明,所提算法在真实世界图像去噪和高斯噪声去除任务中,都以较小的参数量和计算代价取得了最佳的PSNR和SSIM。

多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

基于BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

基于BP神经网络的海底浅层超软黏土不排水抗剪强度预测

准确评估海底浅层超软黏土的不排水抗剪强度对海洋资源开发、灾害评估、海洋工程建设等具有重要的意义。世界多个海域超软黏土数据分析对比表明,现有不排水抗剪强度评估经验公式存在受地域限制的问题,计算精度较低。因此,以超软黏土的6个物性指标为输入变量,不排水抗剪强度为输出变量,建立BP神经网络模型进行海底浅层超软黏土不排水抗剪强度预测;根据建立的超软黏土不排水抗剪强度与物性指标之间的非线性映射网络,以权积法求解超软黏土不排水抗剪强度对各指标的敏感度系数,定量分析各指标对不排水抗剪强度的影响程度。结果表明:考虑多因素影响的BP神经网络模型在超软黏土不排水抗剪强度预测方面具有普遍适应性,其预测结果非常接近落锥试验实测结果,均方差0.02139,R2值达到0.9874,预测精度远高于现有经验公式;采用权积法计算得到的对数流动性指标对不排水抗剪强度最为敏感;据此建立了以对数流动性指标为参数的黏土不排水抗剪强度预测经验公式,该公式在计算中国海域超软黏土不排水剪切强度方面具有较高精度,但由于数据量有限,依旧存在一定局限性。本研究为海底浅层超软黏土不排水抗剪强度的计算提供了参考。

基于双向多层门控循环神经网络的奶牛乳脂率预测模型研究

通过对奶牛乳脂率进行数据预测以及结合随机森林算法对环境数据进行精准特征选择,确定了对乳脂率影响较大的环境因素。在此基础上,提出了将随机森林算法与双向多层门控循环神经网络相结合的乳脂率预测模型(RF-BiGRU)并进行了相关实验。结果表明,该模型能够提高预测的准确性及效率。

湿度对PM_(2.5)/PM_(10)比值影响及MLP神经网络大气污染预测

颗粒物污染严重影响大气环境质量和公众身体健康.基于郑州、太原、成都2022—2023年秋冬季大气污染和气象数据,讨论了PM_(2.5)、PM_(10)污染特征,通过计算斯皮尔曼系数并进行偏相关分析,得出PM_(2.5)/PM_(10)与相对湿度之间的相关性,并利用MLP神经网络建立关于PM_(2.5)和PM_(2.5)/PM_(10)的预测模型.结果表明,郑州、太原、成都2022—2023年秋冬季PM_(2.5)均值分别为63.52、52.68、50.95μg/m^(3),PM_(2.5)/PM_(10)比值都超过0.5.郑州、太原PM_(2.5)/PM_(10)与相对湿度呈现较强的正相关性.利用MLP神经网络对PM_(2.5)和PM_(2.5)/PM_(10)建立预测模型,误差分别为6.75μg/m^(3)和0.076,模型精度较高.建议未来从秋冬供暖、推广工业水蒸气回收装置、合理开展道路洒水等方面巩固颗粒物污染治理成效,探索和优化机器学习模型用于PM_(2.5)/PM_(10)预测,为大气污染防治提供数据参考,以求发挥大数据在做到精准治污中的作用.

正则化深度神经网络的防腐层缺陷超声信号识别

传统智能算法识别防腐层缺陷超声信号依赖于特定技术来提取特征,过程复杂不适用于工业应用,在识别混合频率数据时精度不佳。通过建立铝板防腐层缺陷混合频率的超声信号数据集,训练基于Drop out正则化的深度神经网络DNN,识别脱粘、弱粘接、斑点型脱粘和防腐层结构缺陷。结果表明,在混合频率数据集上给定的DNN结构实现了92.76%的最高精度,比常用的单隐层神经网络提高了13.87%,在不从超声信号中人工提取任何特征的情况下,高精度地识别了缺陷。

基于多层全连接神经网络的湖南省流域面雨量预报

研究基于ECMWF、JMA东亚地区再分析资料、OCF、湖南省智能网格预报0.5°格点产品、华南区域数值天气预报模式及华东区域数值天气预报模式产品,利用多层全连接神经网络(MFCNN)构建模型,预测未来24 h、3 h、1 h面雨量数据,采用平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R^(2)),对2020年湖南大型水库流域面雨量MFCNN模型预报效果进行检验评估及与各家模式预报效果对比分析。结果表明:MFCNN模型对24 h、3 h、1 h面雨量的预报效果(MAE、RMSE、R^(2))均优于各模式的效果,且随时间分辨率的提升,模型预测效果相对于各模式提升明显。误差系数表明,MFCNN模型预报偏差在湘江流域及洞庭湖的最小,在沅水中游、资水上游的居中,在澧水流域、资水下游及沅水上、下游的最大。该模型捕捉面雨量动态变化的能力在洞庭湖、澧水上游、沅水中游最强,在湘江流域的次之,在沅水上、下游及资水下游、澧水下游的最弱。

基于MLP神经网络的中国南方地区多因子PWV预测模型

针对利用全球导航卫星系统(global navigation satellite system,GNSS)反演高精度大气可降水量(precipitable water vapor,PWV)时需要获取大气加权平均温度(Tm)从而影响结果精度的问题,在充分探究PWV与对流层天顶湿延迟(zenith wet delay,ZWD)等诸多因子相关性的基础上,利用中国南方地区40个探空站在2015—2017年的探空数据,基于多层感知器(multi layer perceptron,MLP)神经网络及多元回归拟合算法分别建立预测PWV的MLP模型、线性回归(linear regression,LR)模型与非线性回归(non-linear regression,NLR)模型。为充分探究2种建模方法对PWV精度的影响,利用2018年探空数据为参考值进行模型精度检验,并与传统PWV预测模型(PWV-SC2模型)进行精度对比分析。结果表明:MLP模型的年均均方根误差(RMSE)、偏差(bias)和相对误差(RE)分别为0.66 mm、0.06 mm和2.18%,相比LR模型和NLR模型年均RMSE分别降低了0.11 mm(14.6%)和0.17 mm(20.5%),年均bias分别降低了0.04 mm(43.7%)和0.28 mm(82.3%),年均RE分别降低了50.7%和57.3%;相比PWV-SC2模型,年均RMSE和bias分别降低了0.17 mm(20.5%)和0.15 mm(71.4%),年均RE降低了47.7%。因此,MLP模型在中国南方地区有较好的精度及适应性,可应用于中国南方地区高精度PWV预测。