基于A- CGAN的深反射地震数据随机噪声压制方法研究          下载免费PDF全文

韩建光  王卿  许媛  刘志伟 《地质论评》2024,70(1):228-238

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。  相似文献   

发现学习在《GPS定位技术》教学中的应用研究   总被引：2，自引：0，他引：2  

王坚  高井祥  唐艳梅  许长辉  彭祥国 《测绘信息与工程》2010,35(2):48-49

论述了发现式学习与教学的概念，提出了采用发现学习的方法进行《GPS定位技术》教学的可行性，分析了基于发现学习的教学设计和具体内容，指出了发现学习存在的不足。  相似文献   

Site characterization model using least‐square support vector machine and relevance vector machine based on corrected SPT data (Nc)     

Pijush Samui  T. G. Sitharam 《国际地质力学数值与分析法杂志》2010,34(7):755-770

Statistical learning algorithms provide a viable framework for geotechnical engineering modeling. This paper describes two statistical learning algorithms applied for site characterization modeling based on standard penetration test (SPT) data. More than 2700 field SPT values (N) have been collected from 766 boreholes spread over an area of 220 sqkm area in Bangalore. To get N corrected value (N_c), N values have been corrected (N_c) for different parameters such as overburden stress, size of borehole, type of sampler, length of connecting rod, etc. In three‐dimensional site characterization model, the function N_c=N_c (X, Y, Z), where X, Y and Z are the coordinates of a point corresponding to N_c value, is to be approximated in which N_c value at any half‐space point in Bangalore can be determined. The first algorithm uses least‐square support vector machine (LSSVM), which is related to a ridge regression type of support vector machine. The second algorithm uses relevance vector machine (RVM), which combines the strengths of kernel‐based methods and Bayesian theory to establish the relationships between a set of input vectors and a desired output. The paper also presents the comparative study between the developed LSSVM and RVM model for site characterization. Copyright © 2009 John Wiley & Sons, Ltd.  相似文献   

软件模块故障倾向预测方法研究   总被引：2，自引：0，他引：2  

罗云锋  普杰  贲可荣 《武汉大学学报(信息科学版)》2010,(5)

研究了在区分故障严重程度下的软件模块故障倾向预测方法,将故障分为高严重程度和低严重程度两种类型,用统计分析和机器学习方法分析静态代码度量与故障倾向之间的关系。以公开和私有两种类型的失效数据集作为实验数据,分析发现,故障的严重程度影响预测性能,预测不同严重程度的故障需要选择不同的度量和分类模型,预测低严重程度故障的性能好于预测高严重程度故障的性能。  相似文献   

基于年际增量法的卷积神经网络模型对中国夏季降水的预测研究          下载免费PDF全文

蒋鹏  胡轶佳  钟中  孙源  吕硕 《气象科学》2023,43(5):569-577

将前冬的500 hPa位势高度、向外长波辐射和海表温度的年际增量作为预测因子，建立基于卷积神经网络（Convolutional Neural Network，CNN）的非线性预测模型，对中国160个测站夏季降水展开预测研究，并与基于线性奇异值分解（Singular Value Decomposition，SVD）的预测模型进行效果对比。结果表明：CNN在1981—2020年的交叉检验中所回报的降水平均PS评分和距平相关系数（ACC）分别为74.33和0.12，比SVD高2.15和0.06，说明CNN比SVD在整体上对夏季降水具有更好的预测能力。其中，CNN对SVD预测较好年份的预测效果提升较为明显，对SVD预测较差的年份则改进不大。CNN对中国降水预测存在一定的系统性偏差，订正后CNN对拉尼娜年的降水预测改进较大。结果表明，基于年际增量法的CNN预测模型展示出较好的潜在应用价值。  相似文献   

A comparative study of extensive machine learning models for predicting long-term monthly rainfall with an ensemble of climatic and meteorological predictors     

Zhengzheng Zhou  Jie Ren  Xiaogang He  Shuguang Liu 《水文研究》2021,35(11):e14424

Rainfall prediction is of vital importance in water resources management. Accurate long-term rainfall prediction remains an open and challenging problem. Machine learning techniques, as an increasingly popular approach, provide an attractive alternative to traditional methods. The main objective of this study was to improve the prediction accuracy of machine learning-based methods for monthly rainfall, and to improve the understanding of the role of large-scale climatic variables and local meteorological variables in rainfall prediction. One regression model autoregressive integrated moving average model (ARIMA) and five state-of-the-art machine learning algorithms, including artificial neural networks, support vector machine, random forest (RF), gradient boosting regression, and dual-stage attention-based recurrent neural network, were implemented for monthly rainfall prediction over 25 stations in the East China region. The results showed that the ML models outperformed ARIMA model, and RF relatively outperformed other models. Local meteorological variables, humidity, and sunshine duration, were the most important predictors in improving prediction accuracy. 4-month lagged Western North Pacific Monsoon had higher importance than other large-scale climatic variables. The overall output of rainfall prediction was scalable and could be readily generalized to other regions.  相似文献   

基于深度学习的天气雷达回波序列外推及效果分析     

黄兴友  马玉蓉  胡苏蔓 《气象学报》2021,79(5):817-827

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。   相似文献   

利用深度学习融合NWP和多源观测数据的闪电落区短时预报方法     

周康辉  郑永光  王婷波 《气象学报》2021,79(1):1-14

强对流短时预报（2—6 h）具有较大难度。一方面,基于观测数据的外推已基本不可用;另一方面,高分辨率数值模式（High-resolution Numerical Weather Prediction,HNWP）的预报性能有待提升。利用深度学习方法,将卫星、雷达、云-地闪电（简称闪电）等观测数据和高分辨率数值模式预测数据进行融合,得到更有效的闪电落区短时预报结果。基于多源观测数据和高分辨率数值天气预报数据的特性,构建了一个双输入单输出的深度学习语义分割模型（LightningNet-NWP）,使用了包括闪电密度、雷达组合反射率拼图、卫星成像仪6个红外通道,以及GRAPES_3km模式预报的雷达组合反射率等共9个预报因子。深度学习模型使用了编码-解码的经典全卷卷积结构,并使用池化索引共享的方式,尽可能保留不同尺度特征图上的细节特征信息;利用三维卷积层提取观测数据时间和空间上的变化特征。结果表明,LightningNet-NWP能够较好地实现0—6 h的闪电落区预报,具备比单纯使用多源观测数据、高分辨率数值模式预报数据更好的预报结果。深度学习能够有效实现多源观测数据和数值天气预报数据的融合,在2—6 h时效预报效果优于单独使用观测数据或数值天气预报数据;预报时效越长,融合的优势体现得越明显。   相似文献   

基于机器学习的重庆长江航道雾图像特征识别研究     

王远谋  李家启  陈施吉  唐家萍  夏佰成  韩世刚 《气象与环境学报》2021,37(1):106-112

基于重庆市境内长江航道雷达站拍摄的雾天气过程影像资料,利用K最近邻、支持向量机、BP神经网络、随机森林等机器学习算法,对无雾和5类有雾天气个例进行图像识别训练,构建雾图像识别模型,并检验了识别准确率。结果表明：机器学习能够有效识别雾图像,随机森林算法的识别效果优于其余3种算法。对于能见度超过1500 m的无雾天气,模型的识别准确率为100%,对于能见度在1000—1500 m范围内的轻雾、能见度低于50 m的强浓雾,模型的识别准确率在90%以上,对于能见度在50—1000 m范围内的雾、大雾和浓雾,识别准确率超过70%。  相似文献   

基于智能物联网技术的天津城市积水监测预警系统     

侯天宇  梁好  霍凯  赵敏  陈子煊  张春莉  苑超 《气象研究与应用》2021,(1):85-89

通过智能物联网技术实时获取积水监测实况数据,利用天津市气象精细化格点预报产品和城市自动雨量观测站实况数据,以机器学习、神经网络模型和天津市城市内涝风险等级划分原理为基础,研究基于用户实时位置的城市内涝预报预警技术,研发天津市城市自动化积水监测预警系统。结果表明,该系统具备一定的城市内涝风险监测预警预报能力,并在2018—2020年多次重大天气过程中应用,积水深度预报结果与监测结果基本一致,应用数据表明验证结果良好,系统可以为政府防灾减灾决策、指挥调度提供精准、及时的气象数据支撑。  相似文献