刍议地质遥感在找矿中的应用

遥感影像可以全面、客观地记录地表综合景观的几何特征，遥感图像不仅可以获得地表景观的形态，分布特征，还可以获得物质的成分和结构等。通过对岩性和地质构造的识别、遥感蚀变信息的提取、地质构造信息的提取和矿床改造信息标志，从而达到矿物识别的目的。     

基于多域特征提取的气液两相流流型识别

针对气液两相流的准确识别问题提出了一种多域特征处理方案。利用电阻层析成像(ERT)系统获取垂直上升管道流动数据，从测量数据与截面电导率分布图像两方面分析，对高维测量数据降维处理后提取时域特征，同时提取线性反投影(LBP)算法重建图像空域特征，进一步对图像进行Walsh-Hadamard变换后提取列率域特征。使用统一流形逼近与投影(UMAP)算法对量化的多域特征降维处理，最后搭建支持向量机(SVM)实现流型识别。结果表明，该流型分类框架对泡状流、泡状-段塞过渡流型、段塞流及严重段塞流的分类准确率分别为98.1%、96.3%、95.2%、94.8%。     

基于下采样的特征融合遥感图像语义分割

本文提出了一种基于下采样的特征融合遥感图像语义分割模型,该模型在编解码结构基础上,将高分辨率原始图像引入"下采样"模块提取低级语义特征,在此基础上,将输出的低级语义特征通过MobileNetV2和空间金字塔池化进一步提取多尺度高级语义细节特征,然后,将这些高级语义特征和直接从下采样模块提取的低级语义特征融合并进行特征图分割.最后,在"CCF卫星影像的AI分类与识别竞赛"的数据集上取得了93%的训练准确率以及91%的预测准确率.     

基于多传感器数据融合的喷水推进泵空化分类识别

采用基于奇异值分解和人工神经网络的多传感器数据融合方法对喷水推进泵的空化状态进行了分类识别研究。首先利用基于奇异值分解的权值估计算法分别对水声信号和振动信号在时间上进行数据级融合,提取出各自的特征,然后将所有特征组合起来作为神经网络的输入,利用BP网络和RBF网络进行特征级融合和分类识别。分析结果表明：基于多传感器数据融合的分类识别结果优于单传感器分类识别结果;采用基于奇异值分解的数据融合方法后,分类识别率显著提高,对空化初生微弱特征的识别效果尤佳。     

应用变分模态分解和随机森林特征选择算法的扬声器异常声分类

为了提高扬声器异常声分类的精度,提出了基于变分模态分解(variational mode decomposition, VMD)和随机森林特征选择算法的扬声器异常声分类方法。首先利用VMD分解采集到的扬声器声响应信号,之后对得到的一系列模态分量提取时域和频域特征;然后利用随机森林特征计算提取特征的重要性,通过递归特征消除算法提取出相关性较强的特征构造出最优特征子集;最后将最优特征子集输入至随机森林分类器中,实现扬声器异常声的分类识别。试验结果表明,该方法可以筛选出规模较小且识别度较高的低维特征数据集,同时具有更好的平均识别准确率,平均识别准确率为98.61%。     

基于小波包分解和PCA-Attention-LSTM的舰船辐射噪声识别技术

为了改进舰船辐射噪声分类系统的性能,进一步提高识别准确率,文章提出了一种基于多特征的小波包分解在长短期记忆(LongShort-TermMemory,LSTM)网络中分类的方法。该方法首先通过小波包分解技术,分频段提取舰船辐射噪声的多种特征,将提取的特征利用主成分分析法(Principal Component Analysis, PCA)进行数据降维,通过添加注意力机制(Attention Mechanism)算法的LSTM网络,对辐射噪声结果分类,提高了学习效率和识别准确率。为了更精细地提取特征,分频段提取了舰船辐射噪声的时频域特征、小波变换特征和梅尔倒谱系数等特征,并将分频段与不分频段的特征、多特征与单一特征、不同信噪比间的算法性能进行对比。实验结果表明,基于小波包分解和PCA-Attention-LSTM的模型可以有效地提高舰船辐射噪声分类的性能,是一种可行的分类方法。     

基于线不变矩和封闭性的遥感图像港口识别

针对遥感图像中的港口目标识别问题,本文提出了一种基于海岸线不变线矩特征与港口海岸线封闭特征结合的识别算法。首先采用边界寻找和阈值分割的方法进行海陆分割和海岸线的提取,然后通过封闭性检测确定港口区域和属于港口区域部分的海岸线,将封闭度和线不变矩特征组成的特征谱作为识别港口的依据,最终实现了对港口的识别。实验结果表明,该算法能够准确地识别遥感图像中的港口目标。     

基于层次形状特征提取模型的图像分类

研究了基于层次形状特征提取的图像分类。针对从初级视觉皮层(V1)提取的条形特征对目标形状的描述不充分,提出了一种层次模型(V1-V2-V4),以进一步提取角形、曲率特征。模型中V1层的条形特征提取采用Gabor模拟;V2层结合了抑制噪声的3D高斯差分(DOG),并使用滤波方向相差90度的Gabor滤波器组提取多尺度角形特征;V4层通过曲率域计算来描述目标轮廓的形变程度,并最终提取融合曲率与梯度方向的直方图特征。该模型的优势在于,通过角形以及曲率计算的层次表达,可有效增强目标形状的关键特征点(如角点位置)的提取,并且结合曲率与梯度的直方图描述,也可有效弥补单一曲率或梯度特征局部描述不足的问题。在MNIST手写数字与21类遥感影像上的实验表明,曲率与梯度的融合特征的运用可获得98.94%的数字识别精度,同时在遥感影像分类中也可获得较好的分类效果。     

基于非监督分类的遥感信息提取方法尝试

随着遥感技术的发展,遥感数据已应用到很多领域。从遥感影像中分析出地物空间特征和属性特征是遥感影像解译的关键。遥感图像分类是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或其他相关信息,按照一定的规则或算法划分为不同的类别。利用非监督分类法尝试对ETM+遥感影像进行分析解译,提取水体专题信息,从结果来看专题信息提取效果较好。     

贵州省矿山地质环境问题遥感影像特征研究

本文应用贵州省土地卫片变更调查遥感数据和贵州省矿山遥感调查与监测遥感数据,对贵州省遥感可识别的常见矿山地质环境问题进行了影像特征研究,为开展全省矿山地质环境调查建立了解译标志。     

基于非监督分类的水系要素提取

水系是重要的地性线,常被看成是地形的"骨架",对其他要素有一定的制约作用。快速提取遥感影像上水系的线性特征,获得该流域类型特征量,并通过形象-符号模型确立水系信息明确的空间位置,为GIS数据的快速更新与应用提供了有利的条件。本文主要介绍利用ENVI的非监督分类对遥感影像进行水系要素提取的方法,对水系要素提取的关键部分进行了分析,同时结合ArcGIS的制图综合对水系提取成果优化进行说明。     

基于卷积神经网络的生物式水质监测方法

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征,再进行特征分类,从而识别水质。针对水质监测问题,提出一种使用卷积神经网络(CNN)的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现,是生物式水质分类的重要依据。使用Mask-RCNN的图像分割方法,求取鱼体的质心坐标,并绘制出一定时间段内鱼体的运动轨迹图像,制作正常与异常水质下两种轨迹图像数据集。融合Inception-v3网络作为数据集的特征预处理部分,重新建立卷积神经网络对Inception-v3网络提取的特征进行分类。通过设置多组平行实验,在不同的水质环境中对正常水质与异常水质进行分类。结果表明,卷积神经网络模型的水质识别率为99.38%,完全达到水质识别的要求。     

基于自适应信号分解特征集成学习的电磁脉冲识别方法EI北大核心CSCD

为准确高效地识别核爆电磁脉冲(nuclear electromagnetic pulse,NEMP)和闪电电磁脉冲(lightning electromagnetic pulse,LEMP),提出一种基于自适应信号分解和集成学习的识别分类方法。首先,针对样本不均衡问题,利用数据扩增方法对数据集进行预处理;然后,采用希尔伯特-黄变换对NEMP和LEMP分别进行自适应信号分解;其次,对分解信号提取其在时域、频域和小波域的特征;最后,对提取特征采用集成学习算法进行识别分类。试验结果表明,该方法在实测数据上的准确率能够达到99.99%以上,LEMP信号的误报率低于万分之一。     

目标噪声响度特征提取技术研究

考虑声纳员听音判型过程中,目标噪声的响度变化是其判型的重要依据,计算目标噪声信号的响度,提取其响度特征,基于响度特征对三类目标进行分类识别。设计神经网络分类器,实测数据验证了基于响度的目标特征提取方法是有效的,并分析了响度特征和能量特征的区别,说明了三类目标噪声响度特征较能量特征分布的集中度好,有利于提高分类识别的正确概率。     

基于PCA和BP神经网络的水下目标识别方法研究

针对被动声纳信号的特点，提出了基于信号线谱特征的主成分分析(PCA)特征选择方法，其优点是从复杂的目标信号中提取目标的特有信息，降低了目标特征维数．将此方法用于实录的三类水下目标数据，采用BP神经网络对目标进行识别分类，仿真结果说明了所提出的方法的正确性和有效性．     

数据特征选择与分类在机械故障诊断中的应用

针对机械故障数据的高维性和不平衡性,提出基于格拉斯曼流形的多聚类特征选择和迭代近邻过采样的故障分类方法。对采集到的振动信号,提取时域和频域相关特征,利用多聚类特征选择将高维数据以局部流形结构映射到低维特征集合。无标签样本借助迭代近邻过采样以恢复最大平衡性为目标进行样本分类,并对剩余无标签样本进行模糊分类。选取滚动轴承正常、外圈、内圈以及滚动体的故障数据,并与支持向量机、基于图的半监督学习算法进行对比。结果表明,提出的方法能有效识别出少数类故障,并在整体上有显著的分类效果。     

基于小波包和1(1/2)维谱的舰船辐射噪声频域特征提取及融合

舰船辐射噪声频域特征提取是舰船目标识别的关键技术之一。为提高舰船目标识别率，采用小波包和1 1/2维谱对舰船辐射噪声进行多小波包空间调制谱和噪声谱特征提取及融合研究。并用提取的特征对五类舰船目标辐射噪声进行了分类识别实验，结果表明所提特征具有很好的分类识别效果。     

基于Auto Encoder的智能监控指纹识别系统

针对目前已有的嵌入式指纹识别系统往往采用手工提取,不能自动学习并提取识别所需的特征及识别正确率仍然不高的缺点,提出一种基于自动编码器(Auto Encoder)和LSSVM的指纹识别系统。首先,提出采用FPS200作为指纹传感器采集指纹数据,然后将采集的数据经过滤波和二值化等预处理,通过比较差异算法获得Auto Encoder中的权值和偏置等参数,从而得到训练好的Auto Encoder用于指纹图像特征提取。最后,将自动提取的特征进行训练和分类,将投票最多的分类作为指纹识别的结果。通过测试表明,系统能较精确地实现指纹识别,具有收敛速度快、正确识别率高和匹配时间短的优点。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别

针对滚动轴承寿命特征提取与寿命阶段智能识别问题,提出加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别方法。稀疏自编码具有非监督自动学习数据内部结构特征的能力,但属浅层网络,特征提取能力有限且不具备分类能力。因此,将多个稀疏自编码堆栈并添加分类层构建出集寿命特征自动提取与识别功能于一体的深度稀疏自编码神经网络,通过无监督逐层自学习与有监督微调,完成寿命特征的自动提取与表达,并实现寿命阶段智能识别。同时,为解决寿命样本量不足导致的网络过拟合,对原训练样本进行加噪扩展来训练网络,以抑制网络过拟合并提高网络的鲁棒性。通过工程应用,证明了所提方法的可行性和有效性。