检索结果-南通市图书馆

顾及特征优选的机载LiDAR测深海底点云底质分类

在线全文

学校读者我要写书评

暂无评论

遥感学报 2023年第9期27卷 2219-2228页

作者：宿殿鹏黄昱阳凡林赵荻能杨安秀刘骄阳山东科技大学测绘与空间信息学院青岛266590 自然资源部海洋测绘重点实验室青岛266590 自然资源部第二海洋研究所自然资源部海底科学重点实验室杭州310012

基于机载LiDAR测深ALB(Airborne LiDAR Bathymetry)技术的海底底质分类能够为浅海水域的海洋资源开发利用、海洋环境保护、海洋工程建设等提供基础数据,对海洋活动与海洋科学研究具有重要意义。针对ALB海底底质分类存在的特征冗余问题,... 详细信息

基于机载LiDAR测深ALB(Airborne LiDAR Bathymetry)技术的海底底质分类能够为浅海水域的海洋资源开发利用、海洋环境保护、海洋工程建设等提供基础数据,对海洋活动与海洋科学研究具有重要意义。针对ALB海底底质分类存在的特征冗余问题,本文提出了一种顾及波形和地形特征优选的底质分类算法。在提取波形和地形特征的基础上,构建Relief-F特征优选模型,通过计算各特征在底质分类中的贡献率,实现多元特征优选;然后,利用随机森林RF(Random Forest)、支持向量机SVM(Support Vector Machine)、BP神经网络BPNN(Back Propagation Neural Network)3种分类器进行监督分类,提取珊瑚礁、砾石、砂、植被、海岸带5类底质。为验证所提分类方法的有效性,利用西沙甘泉岛实测ALB数据进行实验,结果表明:利用Relief-F算法进行特征优选后,RF、SVM与BPNN的分类精度分别提高了1.1%、1.1%和2.7%;其中,随机森林底质分类具有更高的分类精度,其总体分类精度OA(Overall Accuracy)和Kappa系数分别达到了95.36%和0.94。本文研究成果能够为海洋工程等领域的海底底质分类需求提供有效的技术支撑。

关键词：机载LiDAR测深底质分类波形特征地形特征 Relief-F特征优选模型图像处理海洋

学习向量量化神经网络在多波束底质分类中的应用研究

在线全文

学校读者我要写书评

暂无评论

武汉大学学报（信息科学版） 2006年第3期31卷 229-232页

作者：唐秋华周兴华丁继胜刘保华中国海洋大学海洋地球科学学院青岛市鱼山路5号266003 国家海洋局第一海洋研究所

利用多波束测深系统获取的反向散射强度数据,应用学习向量量化(learning vector quantization,LVQ)神经网络分类方法实现了对海底砂、砾石和基岩等底质类型的快速、有效的识别。通过比较,证明了该方法能较好地区分出不同海底底质类型。

关键词： LVQ神经网络多波束测深系统反向散射强度海底声像图底质分类

结合遗传算法的LVQ神经网络在声学底质分类中的应用

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

地球物理学报 2007年第1期50卷 313-319页

作者：唐秋华刘保华陈永奇周兴华丁继胜中国海洋大学海洋地球科学学院青岛266003 国家海洋局第一海洋研究所青岛266061

学习向量量化(Learning Vector Quantization,LVQ)神经网络在声学底质分类中具有广泛应用.常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度.本文提出采用遗传算法(Genetic Algorithms,GA)优化神经... 详细信息

学习向量量化(Learning Vector Quantization,LVQ)神经网络在声学底质分类中具有广泛应用.常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度.本文提出采用遗传算法(Genetic Algorithms,GA)优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别.将其应用于青岛胶州湾海区底质分类识别研究中,通过与标准的LVQ神经网络的分类结果进行比较表明,该方法在分类速度以及精度上都有了较大提高.

关键词：学习向量量化遗传算法多波束测深系统底质分类

在线全文

学校读者我要写书评

暂无评论

底质分类视角下的浅海水深遥感反演

遥感信息 2022年第5期37卷 101-107页

作者：刘瑾璐孙德勇焦红波环宇王胜强南京信息工程大学海洋科学学院南京210044 江苏省海洋动力遥感与声学重点实验室南京210044 江苏省海洋环境监测工程技术研究中心南京210044 国家海洋信息中心天津300017

针对水深的卫星遥感反演模型多在底质均一假设下进行,较少考虑底质类型的问题,提出了一种底质分类视角下的反演模型。以南安达曼群岛、波照间岛和久米岛作为研究区域,结合实验室测量的典型底质反射率光谱,在Landsat 8 OLI上使用多种分... 详细信息

针对水深的卫星遥感反演模型多在底质均一假设下进行,较少考虑底质类型的问题,提出了一种底质分类视角下的反演模型。以南安达曼群岛、波照间岛和久米岛作为研究区域,结合实验室测量的典型底质反射率光谱,在Landsat 8 OLI上使用多种分类方法提取研究区域底质类型信息,发现支持向量机法得到的底质分类精度最佳。基于底质分类结果,利用多种模型构建不同底质类型的水深反演模型,并进一步对比未区分底质类型的水深反演模型。研究结果表明,基于底质分类的多元线性回归模型效果最佳,平均绝对误差为1.03 m,均方根误差为1.39 m,证明了区分底质类型建模可以提升水深反演精度。

关键词： Landsat 8 OLI 底质分类经验方法多元线性回归水深反演

海底声学底质分类的ELM-AdaBoost方法

在线全文

学校读者我要写书评

暂无评论

海洋学报 2021年第12期43卷 144-151页

作者：王嘉翀吴自银王明伟周洁琼赵荻能罗孝文自然资源部第二海洋研究所自然资源部海底科学重点实验室浙江杭州310012 山东科技大学测绘与空间信息学院山东青岛266590

基于自适应增强算法(AdaBoost)结合极限学习机(ELM),通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性。以珠江口海区侧扫声呐图像为实验数据,对礁石、... 详细信息

基于自适应增强算法(AdaBoost)结合极限学习机(ELM),通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性。以珠江口海区侧扫声呐图像为实验数据,对礁石、砂、泥3类典型底质进行分类识别,该方法的平均分类精度超过90%,优于单一ELM分类器的平均分类精度85.95%,也优于LVQ、BP等传统分类器,且在分类所耗时间上也远少于传统分类器。实验结果表明,本文构建的ELM-AdaBoost方法可有效应用于海底声学底质分类,可满足实时底质分类的需求。

关键词：极限学习机自适应增强算法底质分类声呐图像特征提取

基于粒子群优化算法的PSO-BP海底声学底质分类方法

在线全文

学校读者我要写书评

暂无评论

海洋学报 2017年第9期39卷 51-57页

作者：陈佳兵吴自银赵荻能周洁琼李守军尚继宏国家海洋局第二海洋研究所浙江杭州310012 国家海洋局海底科学重点实验室浙江杭州310012 浙江大学地球科学学院浙江杭州310027

利用粒子群优化算法(PSO)较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特... 详细信息

利用粒子群优化算法(PSO)较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。

关键词：基于粒子群优化算法的BP神经网络特征向量粒子群算法底质分类

在线全文

学校读者我要写书评

暂无评论

蚁群算法优化BP神经网络声学底质分类方法

中国海洋大学学报（自然科学版） 2019年第S02期49卷 60-68页

作者：秦浩森丁咚王祥东李广雪权永峥中国海洋大学海洋地球科学学院山东青岛266100 海底科学与探测技术教育部重点实验室山东青岛266100 青岛海洋科学与技术国家实验室海洋矿产资源评价与探测技术功能实验山东青岛266580 青岛蓝色海洋大数据科技有限公司山东青岛266000

本文利用蚁群算法鲁棒性及全局寻优优点,帮助BP神经网络选取最优权值及阈值,以解决其易陷入局部最优解的缺陷,并基于Santa Cruz盆地多波束及底质采样数据,采用蚁群算法优化的BP神经网络对该盆地内存在的基岩、泥质砂、砂质泥三种底质类... 详细信息

本文利用蚁群算法鲁棒性及全局寻优优点,帮助BP神经网络选取最优权值及阈值,以解决其易陷入局部最优解的缺陷,并基于Santa Cruz盆地多波束及底质采样数据,采用蚁群算法优化的BP神经网络对该盆地内存在的基岩、泥质砂、砂质泥三种底质类型训练分类。从网络预测平均误差和底质分类正确率对比来看,相较于传统BP神经网络,在相同训练次数下,采用蚁群算法优化后的神经网络,网络预测平均误差明显下降,下降比率达20.2%,底质分类正确率显著提高,正确率达90%以上。从区域多波束声学底质分类图来看,底质类型分布状态更加贴近自然规律,获得了良好分类效果。

关键词： BP神经网络蚁群算法多波束测深系统底质分类

一种ReliefF和随机森林模型组合的多波束海底底质分类方法

在线全文

学校读者我要写书评

暂无评论

海洋通报 2022年第2期41卷 131-139页

作者：孙健樊妙崔晓东艾波马丹阳凡林山东科技大学测绘与空间信息学院山东青岛266590 国家海洋信息中心天津300171 自然资源部海洋测绘重点实验室山东青岛266590

海底底质的快速探测和精细划分对海洋工程建设、海洋资源开发等具有重要意义。多波束探测是目前声学底质遥测的有效手段之一,通常提取多波束反向散射强度图像和地形数据中的多维特征结合分类器进行底质分类。一方面,若特征空间维数过高... 详细信息

海底底质的快速探测和精细划分对海洋工程建设、海洋资源开发等具有重要意义。多波束探测是目前声学底质遥测的有效手段之一,通常提取多波束反向散射强度图像和地形数据中的多维特征结合分类器进行底质分类。一方面,若特征空间维数过高,分类效率会显著降低;另一方面,个别特征容易放大原始数据处理过程中仍存留的异常现象。针对这一问题,本文提出了一种结合ReliefF算法和随机森林(Random Forest,RF)算法的多波束底质分类方法。提取反向散射强度和地形共16维特征,利用ReliefF算法进行特征筛选,排除低相关性特征,降低特征空间维数,结合采样点数据进行模型训练以构建多波束底质分类模型。试验结合随机森林算法对未经特征筛选、经主成分分析(Principal Component Analysis,PCA)特征优化后的特征进行分类实验作为对比。本文方法 Kappa系数达到85%,分类总精度高于90%,精度具有明显优势,耗时也比较短。可见,本文提出的结合ReliefF和随机森林模型的多波束底质分类方法可以在保证分类精度的同时对多维特征进行优化,有效地提高了分类效率,可对海底底质分类研究提供参考。

关键词： ReliefF 随机森林底质分类反向散射强度图像地形特征

基于蚁群算法优化极限学习机的声学底质分类方法

在线全文

学校读者我要写书评

暂无评论

海洋通报 2024年第6期43卷 750-759页

作者：丁德秋马丹陈帆樊妙邢喆唐秋华国家海洋信息中心天津300171 自然资源部第一海洋研究所山东青岛266075 自然资源部海洋测绘重点实验室山东青岛266075

海洋底质作为深海海底环境的重要组成部分,其类型及分布特征在深海资源开发利用和海洋工程建设中有着巨大的参考价值,是海洋测绘调查的一项重要内容,基于多波束测深系统采集强度数据的监督分类方法逐渐获得广泛应用。随着人工智能的迅... 详细信息

海洋底质作为深海海底环境的重要组成部分,其类型及分布特征在深海资源开发利用和海洋工程建设中有着巨大的参考价值,是海洋测绘调查的一项重要内容,基于多波束测深系统采集强度数据的监督分类方法逐渐获得广泛应用。随着人工智能的迅速发展,神经网络在声学底质分类中得到广泛应用,极限学习机(extreme learning machine,ELM)权值和偏重不再需要迭代优化,是一种学习速度较快的神经网络。针对ELM神经网络中由于初始权值和偏重矩阵随机确定而导致ELM分类器鲁棒性差的问题,本文选取蚁群算法优化ELM神经网络的初始参数,构建了ACO-ELM神经网络分类模型,经多次迭代后,由于信息素的累积,蚂蚁种群不断向最优路径偏移,训练精度逐渐增高,模型逐步达到平稳。通过底质分类实验验证表明,BM3D+ACO-ELM分类器处理的多波束声呐图像斑点噪声得到了有效控制,在西南印度洋脊龙旂热液钙质软泥和硫化物混合区域,BM3D+ACO-ELM分类器相比于其他三种分类器具有明显优势,底质分类精度得到较大提高,其中硫化物分类精度为93.23%,深海钙质软泥分类精度为93.78%。

关键词：极限学习机反向散射强度底质分类蚁群算法图像滤波处理