一、利用区域映射模型研究样本集的空间分布（论文文献综述）
潘霞[1]（2021）在《基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究》文中进行了进一步梳理以全球土地覆被产品MCD12Q1 Version 6、Landsat-8 OLI及Sentinel-2 L1C为主要遥感影像数据源,结合SRTM V4.1数据集及专题指数的计算,构建光谱、纹理、地形多维分类特征集,对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动且准确的识别和提取,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从全球土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,实现大型训练样本数据集的自动创建,并通过利用空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性。此外,采用卷积神经网络中的深层次残差网络ResNet-101分类器学习上述已给定类别的训练数据的分类规则,以对未知数据进行分类,并同调参优化后传统分类器中最常用的随机森林、分类回归树、支持向量机进行对比分析,通过定量精度评价验证大型训练样本数据集自动采集方法和新型深层次残差网络ResNet-101分类器的可靠性,提出了一种快速、高效、准确、精细的高精度遥感影像智能分类方法,以期减弱地物覆被智能分类中人为因素对分类结果的干扰,极大地简化分类流程,并丰富遥感影像中土地利用与覆盖信息的提取理论、分类算法及分析处理的技术平台,提高土地利用与覆盖的分类精度和更新速度,为土地资源的有效利用与实时监测提供参考依据。该方法的主要步骤都是在谷歌地球引擎Google Earth Engine云平台中实现,目的是通过自主编写代码实时提取遥感影像和在线分析地物覆盖信息,集数据获取和分析处理于一体,促进运行程序自动化,有效解决传统遥感影像地物覆被信息提取和分类流程耗时费力等问题。以下为主要研究工作和结论:（1）提出了以参数调整为基础的传统多分类器的遥感影像分类优化系统根据遥感影像的光谱特征,就常用的核函数、核参数选择方法对传统多分类器进行优化研究,提出了以随机森林、分类回归树及支持向量机分类器的核函数、核参数调整为基础的遥感影像分类优化系统,并通过网络搜索法分别论证了调参优化后传统多分类器的适用性和优越性,同时能够挣脱分类指标函数的搜索局限性。两种Landsat-8 OLI和Sentinel-2 L1C影像数据的研究结果表明,本文提出的优化后的传统分类器参数均能获得较优的分类性能,有助于提高分类精度。（2）构建了基于TensorFlow的深层次残差网络ResNet-101分类器通过引入残差注意力机制,实现消除网络冗余及增强显着特征的目的。为了避免深层次残差网络ResNet-101分类器中因网络层数增加而产生的梯度消失现象,在前馈神经网络中增加一个以不同步长跳过多个层与主径汇合的捷径来实现,并通过增加线性投影来保证输入和输出的维度相同。通过超参数设置使残差网络ResNet-101分类器在训练数据集时的训练时间和收敛精度均达到最优值。最后,基于TensorFlow将深层次残差网络ResNet-101运行过程以流程图的形式表达,并提出了对计算链路进行完整构建和优化的具体实施途径,其中使用Re LU激活函数提高收敛速度,并增加1×1卷积模块改变维度,从而提高分类精度。（3）实现了基于MCD12Q1的地物覆被类型大型样本数据集的自动创建通过土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1实现大型训练样本数据集的自动创建,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从现有已分类的土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,并通过空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性,实现了对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动、详细且准确的识别和提取,减弱了人为因素对分类结果的干扰,并极大地简化了分类流程,提出了一种快速、高效、准确、精细的高精度遥感影像大型样本数据集的自动创建方法。（4）通过定量精度评价验证了地物覆被智能分类方法的可靠性对传统分类器中的随机森林、分类回归树、支持向量机及新型残差网络ResNet-101分类器下地物覆被智能分类结果的可靠性进行定量精度评价。定量精度评价是将分类结果与验证样本进行基于混淆矩阵的定量精度分析。基于所产生的混淆矩阵,分别对生产精度、用户精度、总体精度、Kappa系数、漏分误差及错分误差等分类精度指标进行计算。总体精度评价结果表明,基于Landsat-8 OLI和Sentinel-2 L1C影像的研究区内地物覆被类型在深层次残差网络ResNet-101分类器下的分类精度和总体性能最优。（5）基于谷歌地球引擎Google Earth Engine云处理的自编程语言设计遥感影像数据均从谷歌地球引擎Google Earth Engine云平台在线获取,导入后的遥感影像数据集与全球矢量地图或者卫星地图叠加形成高度可视化的数据呈现方式和交互式分析界面,通过云端存储的海量遥感影像数据集和分析处理算法,直接编写相应代码进行调用、处理及分析应用工作,集数据获取和分析处理于一体。试验结果证明,集成化的处理和并行运算的方式极大地提高了运行效率,并节省了本地存储空间。Google Earth Engine云平台强大的云端运算能力,为大尺度区域下遥感影像的处理和分析提供了十分便捷的技术平台。
郑超杰[2]（2021）在《基于成分数据及机器学习在阿舍勒地区的综合找矿研究》文中研究指明新疆阿舍勒铜锌矿位于阿尔泰造山带西南缘阿舍勒盆地内,是典型的火山沉积块状硫化物（VMS）型矿床。前人对矿床的地质特征、成矿物质来源、成矿机制和成矿预测等方面做了大量研究,积累了大量的地质资料和找矿成果。鉴于阿舍勒铜锌矿床具有埋藏深、开采难度大、采矿维护成本高等特点,伴随着矿山开采对探明资源储量不断消耗,深边部矿体品位下降,对阿舍勒铜锌矿床深部及外围找矿任务已迫在眉睫。本文以矿产资源定量评价体系为指导,在充分收集研究区地质资料及前人研究成果的基础上,归纳矿区成矿地质规律及控矿地质要素;引入成分数据分析,对阿舍勒矿区外围原生晕数据进行研究,运用分形理论及奇异性理论分离、识别并提取地表原生晕弱异常;量化矿区控矿地质要素,结合地球化学指标,构建研究区综合信息找矿模型;借助不同机器学习算法对矿区外围开展找矿预测,并对预测结果予以评估;分析钻孔原生晕垂向分带特征,评价矿区深部找矿潜力。如下为本文取得的成果及认识。1.对研究区岩石地球化学9个元素进行成分数据分析,还原元素真实空间分布;以稳健主成分方法探讨元素组合特征,得出（1）Cu-Zn-Co及（2）Pb-Mo-Ag-As-Au-Sb两组矿化组合,分别对应矿床喷流沉积及变质热液叠加改造两个成矿阶段。2.运用分形-多重分形方法分离元素地球化学异常及背景分布,提取研究区原生晕异常;对常规地球化学数据处理方法难以识别的弱异常,以局部奇异性理论识别、提取,充分挖掘地球化学数据中隐藏的与成矿紧密相关的弱异常信息。3.对矿区成矿规律分析的基础上,归纳研究区控矿地质要素;以GIS信息系统为媒介、矿区见矿钻孔为参照,运用“距离分布法”,明确各类控矿地质要素与矿体间最佳缓冲距离,量化各类与成矿密切相关的控矿地质要素信息,结合地表原生晕地球化学综合异常,构建研究区地质-地球化学综合信息找矿模型。4.基于研究区综合信息找矿模型,运用三类监督学习算法,对研究区开展找矿预测;对各类机器学习模型评估并对各模型预测结果与矿区见矿钻孔相对应,得出三类机器学习模型找矿预测效果显着。由此,提出将三类机器学习算法相结合,构建基于机器学习的综合找矿预测模型。5.以机器学习综合找矿预测结果为主,辅以岩石地球化学弱异常信息,结合研究区地质背景及矿区控矿地质要素重要度评价指标,在新疆阿舍勒铜锌矿区外围圈定3类共9个找矿预测区,并分析钻孔原生晕数据进行深部找矿预测,验证深部具有较大找矿潜力。
贾晓琳[3]（2020）在《区域土壤重金属污染的源汇空间分析和时空模拟研究》文中认为土壤作为生态系统中联系有机界和无机界的重要枢纽,为植物提供水分和养分,是农业生产的基本生产资料之一。土壤环境状况与农产品安全密切相关。土壤是一种不可更新的自然资源,一经破坏在较短时间内难以恢复。随着我国社会经济的快速发展与城镇化进程的不断推进,人类活动对土壤环境的影响日益增长,土壤环境状况不容乐观,尤其是土壤重金属污染问题日益突出。针对该问题,我国正逐步开展相关污染防治工作。快速识别和掌握区域尺度上土壤重金属及其污染来源的时空分布特征,是高效开展污染防治工作的前提条件之一。本文以近年来经济快速发展的长江三角洲南翼为研究区域,针对铬、铅、镉、汞和砷五种主要土壤重金属元素,基于多期历史采样数据和相关环境变量,采用多种空间分析模型和机器学习算法,开展农用地土壤环境质量评价、土壤污染来源识别和土壤污染动态模拟研究,以期为我国土壤重金属污染防治工作提供一定的技术支撑。主要研究内容和结论如下:（1）常规土壤环境质量评价方法通常以单一对象（土壤、作物或人体健康）为主,结果仅反映评价对象的污染情况,而忽略了土壤、作物和人体健康的相互作用与关系。为解决该问题,本研究主要针对土壤重金属元素,引入空间多准则决策理论,建立起以人体健康为主的土壤环境质量联合评价模型。该模型采用模糊法解决不同指标间量纲差异问题,使用层次分析法定义各指标权重,并通过有序加权平均法进行结果集成。研究表明,分别以土壤、作物或人体健康为研究对象时,三类评价结果中土壤环境质量污染程度及主要污染元素存在较大差异。而本研究所构建的联合评价模型以人体健康为主,并兼顾土壤及作物安全,在一定程度上实现了区域土壤环境质量评价总体趋势的统一,且模型结果对土壤、作物和人体健康三类评价结果均有所体现。（2）传统土壤污染源解析方法难以精准定位区域尺度土壤各重金属元素的污染来源,且主要适用于土壤污染来源的监管,在土壤污染防控工作中适用性相对较差。本研究选取成土母质、土壤类型、土地利用类型、土壤p H、土壤有机质、PM2.5、PM10、人口密度、肥料（氮肥、磷肥、钾肥和有机肥）/农药/农膜施用量、采样点与污染企业/道路/河流的最近距离共17个环境变量,采用随机森林构建土壤各重金属元素含量预测模型,较好预测了各元素总量及其空间分布情况;并基于预测模型中变量重要性评估结果定量分析了不同土壤重金属元素的主要污染来源,其中与污染企业的距离和大气沉降是影响土壤重金属含量分布的主要因素。通过结合模糊k均值聚类和随机森林模型,识别和定义不同土壤潜在污染区域,并将研究区划分为高风险区、低风险区和安全区三类区域。（3）企业污染是土壤重金属污染的主要成因之一,但我国企业变更较快,且企业信息难以获得,传统方法很难及时地对区域尺度不同类型企业造成的土壤污染进行调查和分析。本研究基于支持向量机、朴素贝叶斯和人工神经网络建立不同的企业行业分类模型,其中多项式朴素贝叶斯模型分类精度最高,准确率高达86.5%,Kappa系数为0.82,分类结果与实际基本一致。其次使用来自搜索引擎的免费地理信息数据（包括19万家企业）,并采用多项式朴素贝叶斯模型将其划分为不同的行业类型。最后通过双变量局部Moran’s I模型,探讨了不同行业类型与土壤镉、汞污染的空间相关性,并对不同行业类型所造成的土壤污染进行了对比和分析,同时发现研究区土壤镉污染的主要原因是土壤镉元素背景值过高。（4）通过预测未来一段时间内土壤重金属污染及其变化趋势,可及时采取有效措施减缓或防止土壤污染的发生,目前针对未来土壤环境质量预测仍缺乏有效的分析手段。本研究采用卷积神经网络模型和多种环境变量数据,计算土壤环境质量各类别的发展概率;并基于元胞自动机模型,结合发展概率、自适应惯性系数和轮盘竞争机制,构建适用于土壤环境质量类别的时空预测模型;该模型Kappa系数均超过0.41,预测结果及空间分布趋势与实际较为接近。最后通过联合乐观情景模拟,探讨未来土壤污染面积占比区间;经计算,2020年、2030年和2050年土壤污染面积占比分别为11.8%～17.3%、6.5%～15.2%和1.9%～8.3%,且土壤主要污染元素为镉元素。
胡异炜[4]（2020）在《基于空间振动分布和工况模态分析的变压器绕组故障诊断方法研究》文中进行了进一步梳理作为电力系统中的关键设备,大型电力变压器承担着电压转换,电力分配的重要任务,其长期稳定可靠运行对于保障电力系统的供电安全有着重要意义。作为变压器状态监测与故障诊断的重要手段之一,振动分析法与其他各类变压器监测方法相比,具有对变压器机械结构改变灵敏度高,不与变压器内部进行电气连接,安全便捷,易于在不影响变压器运行的条件下实现在线检测等优势,有着广阔的应用前景,长期以来受到国内外学者的重视。本文在总结前人基于振动分析法的变压器故障检测方法所取得研究成果的基础上,从由振动信号中提取反映变压器机械结构故障特征的角度出发,对变压器运行工况下稳态振动和瞬态振动的特征提取与绕组机械故障诊断方法开展了深入的讨论与研究。通过对变压器油箱表面不同位置测点的空间振动分布特性进行研究,本文提出了基于空间振动分布特征的变压器绕组故障诊断方法,该方法能够更加灵敏和有效地反映变压器绕组的机械结构状态,为实现变压器绕组故障的带电监测与诊断提供了一种新的方法与手段。本文还基于工况模态分析方法对变压器断电过程的瞬态振动信号进行研究,应用流形学习方法提出了一种新的变压器绕组压紧力松动的状态评估和故障诊断方法。全文内容概括如下:首先介绍了课题的背景和意义,以及基于振动分析法的变压器故障诊断算法的发展历程、研究现状以及不足之处。提出了充分利用变压器油箱表面不同位置测点的空间振动分布特征,以及变压器断电过程中瞬态振动信号中所包含的信息,进行特征提取和绕组故障诊断的研究目标,明确了全文的主要研究内容,路线和主要创新点。其次,重点研究了变压器绕组在不同机械结构状态下的轴向振动和油箱表面振动的分布特性,以及不同负载电流水平对其的影响。通过在绕组上人为引入包括压紧力松动,绕组机械结构松动,绕组变形等故障,并测量在不同负载电流激励的稳态工况下绕组轴向振动和变压器油箱表面多点振动,以研究当绕组发生机械结构故障时油箱表面空间振动分布的变化特征,为从振动分布情况中提取能够反映绕组机械结构状态的特征量提供依据。实验结果表明,空间振动分布特性与绕组的机械结构状态密切相关,当绕组机械结构发生变化时,空间振动分布的形态特征,对称性,以及随负载电流的变化等有着显着的改变,表明了空间振动分布能够有效反映绕组机械结构状态变化的信息。第三,根据相关实验结果得到的各种故障类型下变压器油箱表面空间振动分布特征变化趋势,结合电力变压器中的振动传递特性,研究提出了基于空间振动分布的特征提取方法,通过计算四个空间振动分布特征的量化参数来定量表述变压器油箱表面不同测点位置振动信号间的空间差异性,进而反映出绕组机械结构的状态。在此基础上,将空间振动分布特征的量化参数组合为特征向量,基于支持向量机建立了变压器绕组故障诊断模型,实现对变压器绕组状态和故障的分析与诊断。通过实际变压器现场实测数据的测试,表明了该诊断模型可准确、有效地用于变压器绕组机械结构故障的带电检测与诊断。接下来研究了变压器在断电过程中绕组的瞬态振动特性,以及绕组压紧力松动对瞬态振动特性造成的影响。在经典绕组振动力学模型的基础上,以理论分析和基于数值计算的仿真分析为手段,研究并得出了影响变压器断电过程中绕组瞬态振动信号能量在频域分布的主要因素,以及瞬态振动信号频域特征随绕组压紧力松动的变化规律。通过对一台实验变压器断电过程中绕组瞬态振动信号进行的采集和分析,对理论分析和数值仿真的结论进行了验证,并用高频率分辨率对振动频域特征进行了提取,作为基于瞬态振动的绕组压紧力松动故障带电检测与状态评估的基础。再次,在变压器断电过程瞬态振动信号频域特征的基础上,提出了一种流形学习维数约简算法有限松弛的测地线高斯型局部保留投影算法（LLGGLPP）,并将其应用于基于瞬态振动信号的绕组压紧力松动诊断。该算法在局部保留投影算法（LPP）的基础上,结合绕组压紧力松动状态下瞬态振动特征的变化特点,利用近似测地线距离计算、有限松弛的邻接关系构建和广义高斯函数调节样本间距等方法,在维数约简后的低维空间能够较好地表现出瞬态振动特征随绕组压紧力变化而变化的流形结构。为了对绕组压紧力大小给出量化的估计,本文测量了实验变压器绝缘垫块材料的应力-应变特性曲线,并结合所得到的低维空间流形结构的描述,提出了一种基于变压器断电过程瞬态振动信号的绕组压紧力监测方法,为实现电力变压器绕组松动的监测与诊断提供了一种新的、有效和便捷的手段。最后,总结了全文的主要研究内容,并展望了进一步研究和改进的方向。
曹骞[5]（2020）在《北方环境乘用车行驶工况和代表工况构建方法研究》文中进行了进一步梳理随着国家排放法规日益严格,乘用车也在由传统能源技术向新能源技术加速发展,而动力系统作为汽车技术体系的重要一环,也要适应这一挑战。当前,由于对国内乘用车典型行驶特征的掌握并不充分,并且我国尚未普遍推广适用于国内交通环境的行驶工况,导致在动力系统研发试验中,相关结果无法与国内现实水平匹配,从而对排放检测、能量管理等新技术的应用造成困难。因此,有必要有针对性地开发反映国内行驶特征的代表行驶工况,为新能源汽车技术研发提供关键数据支持。本文在长春市选择了10辆轻型乘用车以自主驾驶方式进行了为期一年的行驶数据采集工作,建立了短行程大样本数据库,从无监督学习聚类、混合概率分布模型聚类和随机过程概率模型估计三个方面研究了构建代表行驶工况的具体应用方案,据此开发了长春市轻型乘用车代表行驶工况,相关分析结果可为代表行驶工况构建研究提供较为可靠的理论及应用依据。本文采用测试样本数据集对比分析了K均值聚类算法、密度峰聚类算法、模糊聚类算法和自组织映射神经网络聚类算法的计算性能,结果表明,自组织映射神经网络聚类算法能够利用少量的神经元获取样本集在特征空间中的分布结构,可以建立神经元与随机样本之间的对应关系,据此可以直接根据神经元的聚类结果完成对随机样本的聚类,有助于减少运算量,该算法的聚类精度最高,其得到的误判样本数量最少,并且聚类中心与理想中心位置的重合度最高,适合针对大样本数据集的聚类运算。本文研究了特征参数组合方式对聚类运算结果的影响,结果表明,将怠速比例、匀速比例、行驶时间、最大速度、平均行驶速度和速度标准差作为描述短行程样本的特征参数可以显着减少大样本数据库的数据量,有利于提高计算效率,据此得到的聚类结果能够细化中低速行驶类别且不存在类别同质化的现象,可以实现样本在各类之间的合理分配。应用自组织映射神经网络聚类算法对大样本数据库进行聚类分析,根据聚类结果研究了基于无监督学习聚类的代表行驶工况构建方法,并基于该方法分别构建了长春市轻型乘用车中低速行驶工况和高速行驶工况。将两组工况与各自的数据库统计特征进行了对比,结果表明特征参数平均偏差均低于3%,构建工况的精度较高,验证了构建方法的有效性和准确性。选择快速路、市区主干路、市郊主干路和次干路作为道路等级研究对象,从大样本数据库中提取相关数据并组建了不同道路等级的样本数据集,对样本数据集的行驶特征及其在特征空间中的分布模式进行了统计分析。结果表明,市区主干路、市郊主干路和次干路的随机样本分布在特征空间中存在较大交叠区域,三个道路等级的行驶模式具有较高的相似性。快速路、市区主干路和市郊主干路的随机样本服从正态分布,而次干路具有最为丰富的行驶特征多样性,其随机样本无法严格服从正态分布。分别采用最大期望算法和判别分析对快速路和市区主干路的样本数据集进行了聚类分析。结果表明,最大期望算法和判别分析法对训练样本集的误判数量分别只有1个和0个,而从未知样本集的聚类结果中得到的模糊样本数量分别为2个和1个,两者对除此以外的剩余样本的聚类结果完全相同,其聚类结果具有高度一致性。研究了基于混合正态分布概率模型聚类算法的代表行驶工况构建方法,根据最大期望算法对样本数据集的聚类结果,构建了快速路代表行驶工况和市区主干路代表行驶工况。对比验证结果表明,两个构建工况相对于各自样本数据集的特征参数平均偏差分别低于3%和2%,构建工况具有较高的准确性,验证了工况构建方法的有效性。基于马尔科夫链原理,探讨了状态转移概率的计算方法,通过分析指出极大似然法对样本量较少的状态转移概率的计算能力不足,而改进Kneser-Ney平滑算法对不同样本量的计算适应性更好,可以在一定邻域范围内实现状态转移概率的平滑过渡,使计算结果更符合实际行驶规律。另外检验了状态转移概率分布与正态分布之间的关联性,发现只有在特定车速区间下划分行驶状态时,两个分布的形态才具有高度一致性,除此以外,两者存在明显偏离,因此盲目采用正态分布拟合的方式计算状态转移概率会引入更多计算误差。研究了基于马尔科夫链随机过程的代表行驶工况构建方法,利用该算法分别采用分类和不分类构建两种模式构建了长春市轻型乘用车代表行驶工况,对比结果表明,所有构建工况与数据库的特征参数平均偏差均低于5%,验证了构建方法的有效性。
王子烨[6]（2020）在《基于测度学习的喜马拉雅淡色花岗岩岩体识别》文中进行了进一步梳理西藏喜马拉雅造山带是特提斯构造域的重要组成部分,蕴藏着丰富的矿产资源。作为喜马拉雅地区分布广泛的一种高铝高硅碱酸性侵入岩,喜马拉雅淡色花岗岩已被证实具有良好的稀有金属成矿潜力,如铍、铷、铯、铌、钽、锂等。这些稀有金属在国防、航空航天、新能源和先进制造业等领域占有日益重要的地位,是支撑战略性新兴产业发展不可或缺的原材料,已成为当前矿产勘查的重要目标。喜马拉雅淡色花岗岩带有望成为我国重要的稀有金属成矿带,因此如何掌握喜马拉雅造山带淡色花岗岩的分布情况对该地区稀有多金属矿产资源勘查工作具有重要的意义。喜马拉雅造山带自然环境恶劣,地质勘查工作程度相对较低,使得以往圈定的淡色花岗岩的空间分布范围具有较大的不确定性。该区域空气稀薄、植被覆盖较少,为遥感技术的应用提供了有利条件。论文的研究目的是在前人的研究基础上,收集研究区地质、地球化学和遥感数据,根据淡色花岗岩与围岩在地球化学元素分布模式和遥感影像光谱特征方面的差异,建立岩体识别模型来高效地圈定淡色花岗岩的空间分布范围,为喜马拉雅地区稀有金属找矿工作提供技术支撑。岩体识别的关键是对地学空间数据进行集成融合与分析,而制约喜马拉雅淡色花岗岩识别的因素除了识别方法外,数据挖掘不充分也是其中重要的原因之一,具体可以概括为两点:（1）数据层面。研究区研究程度较低,区域地球化学数据比例尺较小,大部分地区为1:50万,小部分为1:20万。单一类型的遥感数据受传感器的限制,光谱分辨率和空间分辨率相互制约,因此无法全面反映研究区岩石矿物的光谱特征;（2）方法层面。非监督分类方法常常需要数据满足特定的统计假设,而监督的分类方法在训练样本有限的情况下,难以建立准确的预测模型来高效地识别高度相似的淡色花岗岩与围岩。为了解决以上问题,论文分别从数据处理和识别方法两个层面开展研究工作。首先采用多源数据融合技术实现多种类型地学数据的有机结合,为岩体识别提供更加丰富的信息;其次引入测度学习,在喜马拉雅造山带选择区域和矿区两个尺度的研究区建立淡色花岗岩岩体识别模型,从而高效地识别和圈定淡色花岗岩的空间分布范围。论文主要的研究工作及成果如下:（1）建立淡色花岗岩的识别框架论文根据淡色花岗岩与围岩在地球化学主量元素和遥感影像光谱特征上的差异,建立了淡色花岗岩的识别流程。首先采用区域地球化学数据,在区域尺度上圈定淡色花岗岩的高潜力区域;然后选择重点研究区,基于融合数据,开展大比例尺岩性填图,通过岩性填图的方式来圈定淡色花岗岩的分布区域。（2）多源数据融合多源数据融合技术通过结合同一目标的不同特征信息,可以吸收各种数据源的优点,从而从不同角度为地物识别提供丰富的信息。论文首先引入一种多变量分析融合技术,将Sentinel-2A中高分辨率的全色波段与低分辨率的ASTER多光谱波段融合,融合后的遥感影像兼具了高光谱分辨率和空间分辨率的优势。由于矿物光谱特征是对矿物化学组分的响应,二者之间存在密切的关系,论文根据地球化学元素浓度信息与遥感影像各波段之间的相关性,将1:20万比例尺的地球化学数据与30m分辨率的ASTER影像进行有机结合。融合后的数据不仅保留了原始地球化学元素含量分布信息,而且具有遥感影像中丰富的空间纹理细节。多源数据融合实现了不同类型数据源的优势互补,为岩体识别提供了更加丰富的诊断信息。（3）基于测度学习的岩体识别模型岩体识别的本质可以描述为通过学习待分类数据和类别已知的数据间距离的规律来对样本的类别进行判定,即通过距离的度量来衡量数据间的相似性。机器学习领域中的测度学习可以利用有限的样本中的特征间的统计信息,从样本和标记信息中学习到一种更适合评价样本间相似度的距离测度,将原始数据转换到区分性更好的测度空间,对于改进分类算法的性能具有重要的作用。论文基于喜马拉雅地区地球化学数据,引入局域加权测度学习岩体识别模型,实现了区域尺度研究区淡色花岗岩的圈定。为了进一步提高岩体边界的识别率,论文选择喜马拉雅造山带研究程度较高的错那洞穹隆作为典型研究区,基于多种类型遥感影像和地球化学融合数据,引入最大边缘测度学习和随机森林测度学习岩体识别模型,通过大比例尺岩性填图的方式来圈定淡色花岗岩的空间分布区域。识别的岩性单元与地质图吻合程度较好,淡色花岗岩的识别率达到87.8%,表明基于测度学习方法的岩体识别模型具有潜在的应用价值。论文的主要贡献包括数据处理和识别方法两个方面。论文充分利用研究区现有的地学数据,采用多源数据融合技术实现了不同数据源的有机结合,解决了因研究区地质研究程度低而缺少足够的数据建立预测模型的问题。另外,面对高度相似的地球化学样本和数据融合带来的数据冗余问题,论文引入测度学习方法,建立了适应多尺度研究区的岩体识别模型,并从目视角度和定量指标角度对岩体识别结果进行评价,表明测度学习可以有效降低数据冗余和复杂度,提高淡色花岗岩的识别精度。论文的研究工作希望为喜马拉雅地区稀有金属矿床的勘探工作提供技术支撑,并为在恶劣的自然环境下如何进行地质勘查提供新的思路。
张士红[7]（2020）在《基于深度学习的四川会理“拉拉式”铜矿找矿预测研究》文中研究指明四川会理地区位于扬子准地台西南缘川滇裂谷系中段之会理-东川拗拉槽西端,是我国重要的铜矿资源基地。如何充分利用海量多源地学空间大数据和深度学习方法,挖掘内在的、深层次的找矿预测信息,提高找矿预测效果是当前成矿预测的重要研究方向。论文在收集、整理四川会理地区多源地学数据的基础上,开展了机器学习算法在目标类型矿床找矿预测中的应用研究,重点探讨了系统样本集构建和深度卷积神经网络成矿预测方法流程,圈定了 5处找矿远景区。研究工作对于创新矿产预测方法具有借鉴意义,同时对会理地区拉拉式铜矿勘查也具有实际应用价值。（1）综合“拉拉式”铜矿成矿地质条件、水系沉积物地球化学元素和航磁数据的分布模式及其与已知矿床（点）的空间关系,筛选出河口群地层、基性岩体临近度、Cu元素含量、主成份分析第二主分量和航磁△T化极异常5个重要预测变量,建立了综合信息预测模型。以此为基础,开展证据权法、支持向量机、随机森林和单隐层感知机模型的成矿预测性能对比研究。（2）构建了—套系统、规范的样本数据集,为训练神经网络模型奠定了基础。以研究区内代表性矿床勘探所获取的矿体平面投影范围网格化单元为中心,通过样本扩充,得到1468个矿化窗口样本;与随机获取的同等数量的非矿窗口样本结合,形成了系统的可用于深度学习的样本数据集。研究表明利用代表性矿床勘探获取的矿体范围构建样本集,训练人工神经网络模型是可行的,模型也更有针对性,对特定类型的找矿预测工作具有很好的指示作用。（3）引入集成学习的思想,结合深度学习之卷积神经网络,创新性地提出了“随机样本集成卷积神经网络”（Random Samples Integrating CNN,RSI-CNN）成矿预测技术。并在MATLAB平台编程实现了从基本预测要素数据处理、矿化与非矿窗口样本集形成和随机组合,到卷积神经网络模型训练和成矿预测的完整过程。研究表明随机样本集成卷积神经网络在数据层面增加了训练样本的多样性,在模型层面提高了预测结果的稳定性。（4）使用最大值和均值基学习器组合策略,依据成矿有利度,结合成矿地质条件,圈定了嵩枝坝、落凼—红泥坡、打厂坡西、黎洪、吊井洞等5片找矿远景区,为该地区进一步的铜矿找矿勘探提供了决策依据。
王青旺[8]（2020）在《多/高光谱图像和LiDAR数据联合分类方法研究》文中指出地物分类识别需求的不断升级,对遥感场景解译提出了新要求:更高的空间二维解译精度和遥感场景空间三维解译。利用多源遥感数据和新型遥感技术是满足不断升级的需求的有效手段。多/高光谱成像和单波段激光雷达（Light Detection And Ranging,LiDAR）是探测遥感场景地物信息的两种主要手段。多/高光谱图像提供遥感场景空间二维信息和丰富光谱信息,但受成像原理限制,丢失了地物在空间垂直方向的分布信息。单波段LiDAR（以下简称LiDAR）以主动成像方式获取遥感场景空间三维信息,与多/高光谱图像信息互补。近年来,随着立体光谱成像技术不断发展,实现了对遥感场景空间三维和光谱维信息的一体化获取。三波段LiDAR同时获取遥感场景空间三维信息和三波段激光脉冲回波强度信息,为遥感场景三维解译提供了数据基础。多/高光谱图像和LiDAR数据（或三波段LiDAR数据）为遥感场景解译提供更多判别信息的同时,也带来了关于地物特征提取与分类识别的新问题:如何从多/高光谱图像和LiDAR数据提取地物图谱-高程判别特征和设计分类模型、如何根据新型三波段LiDAR数据三维空间-强度一体化信息特点设计点云特征提取与分类模型等。本文深入分析遥感场景空间维、光谱（强度）维信息互补特性,分别从多/高光谱图像和LiDAR数据图谱-高程联合分类、三波段LiDAR点云数据三维空间-强度信息联合分类开展研究工作,旨在充分利用遥感场景空间三维信息和光谱（或强度）信息,提高地物分类精度。论文主要工作包括:（1）针对多/高光谱图像和LiDAR数据图谱-高程信息异构性带来的地物判别特征提取问题,提出了一种多/高光谱图像和LiDAR数据判别式图融合特征提取方法。首先,根据遥感场景地物多尺度特性,分别在各属性特征空间构建反映地物类内分布的多尺度相似性图,再利用各属性特征构建反映地物类间分布的非相似性图,增大类间距离、加强地物可分性;然后,通过融合各属性图消除地物在单属性特征空间中存在的虚假结构,保留反映样本类别本质属性的连接关系;最后,面向遥感场景地物分类,以最大类别可分性为优化准则,求解特征投影矩阵,将异源多属性特征包含的地物互补信息映射到低维特征中,为实现遥感场景地物分类提供可靠特征。相比于主流特征融合方法,利用本文方法提取的较低维数的融合特征能实现更优的分类性能。（2）针对图谱-高程融合特征分类面临的地物多尺度非线性分布问题,提出了特征-尺度双层判别多核学习框架进行地物分类。首先,在各维特征上进行多尺度基核构造,学习地物在各维特征空间的多尺度信息;再进行特征层多核学习,联合各特征包含的地物互补信息。为求解多核模型,进一步提出了判别多核学习方法,利用样本在核特征空间分布信息,优化基核组合权重系数,增强核机器对地物的分类能力。相比于遥感领域代表性多核学习方法,本文方法进一步提高了地物分类精度,并能解析基核对分类的重要程度。（3）针对三波段LiDAR数据三维空间-强度信息一体化表示和各维互补信息融合问题,提出了张量流形判别嵌入特征提取方法。首先,利用张量模型对三波段点云三维空间信息和三波段回波强度信息进行一体化表示,保留各维度信息间的耦合关系。在此基础上,融合三波段点云各维度信息,提取地物几何结构-强度融合特征。相比于原始三波段点云数据,利用本文方法提取的特征进行点云分类,分类精度提高了10%以上;相比于当前具有代表性的基于向量、张量的特征提取方法,本文方法提取的特征具有更强的地物分类能力。（4）针对三波段LiDAR数据多维度特征联合分类面临的地物高阶信息利用不足的问题,提出了多属性平滑图卷积网络进行三波段点云分类。传统特征融合方法不能有效从非线性数据中提取地物不变本质特征,本文结合深层网络结构对高阶不变特征的提取能力和图模型的非线性信息表达能力,进一步挖掘地物判别信息。首先,对点云进行分割生成超点作为后续分类对象;再以各属性特征为相似性度量准则,建立各属性特征下的图模型,融合各属性图作为图卷积网络输入;最后,根据遥感场景地物分布呈现的空间聚类特性,引入多尺度热运算对图卷积进行改进,提高模型对点云的分类能力。在真实三波段LiDAR数据上的实验结果表明,相比于当前代表性的图卷积网络方法,本文方法有效提高了地物三维分类精度。
马慧琴[9]（2020）在《基于多源多时相遥感分析的小麦主要病害动态监测》文中进行了进一步梳理加强小麦主要病害的测报调查对指导病害科学防控和农业可持续发展具有非常重要的意义。遥感技术相对于传统的作物调查方法提供了一种重要的补充手段。如何高效利用丰富的遥感数据和方法基础是实现作物病害准确、实时、快速、大范围的定量化区分与监测的关键。本文以小麦条锈病、白粉病和赤霉病为对象,结合其不同的侵染循环机制和生境响应差异,综合不同发病期无人机高光谱影像以及Sentinel-2、Landsat-8和GF-1卫星多光谱影像等多源多时相遥感数据优势,针对不同作物病虫害胁迫组合建立区分模型,在准确区分出不同病虫害的前提下建立高精度高专一性的作物病害监测模型,并从实际应用的角度建立作物病害严重度估算模型,为作物病害的科学防控和生态治理提供技术支撑。主要的研究内容及结果如下:（1）在作物病虫害遥感区分方面,针对实际大田中不同病虫害胁迫类型同时存在的现象,以小麦白粉病和蚜虫同时发生、小麦条锈病和赤霉病同时发生的两种情况为例,基于利用多源多时相卫星遥感影像提取的综合作物长势状况和生境信息的遥感特征开展作物不同病虫害区分研究。首先,研究基于两时相Landsat-8影像提取了表征作物长势状况和生境因子的遥感特征集,结合合成少数样本过采样技术（the synthetic minority oversampling technique,SMOTE）耦合反向传播神经网络（back propagation neural Networks,BPNN）的方法发展了一种小麦白粉病和蚜虫区分方法。结果显示与基于传统的单一时相作物长势信息的区分方法相比,该方法的总体区分精度增加了10.9个百分点。其次,研究通过耦合多时相Sentinel-2、Landsat-8和GF-1影像,结合主成分分析和k近邻（k nearest neighbor,k NN）方法发展了一种小麦条锈病和赤霉病区分方法。结果显示基于主成分特征的k NN区分模型的总体精度相比基于遥感特征的k NN区分模型增加了11.0个百分点。（2）在作物病害遥感监测方面,结合不同作物病害的发生特点和规律,以小麦条锈病和赤霉病为例,利用低空无人机高光谱影像获取的病害敏感植被指数和小波特征开展田块尺度作物专一病害高精度监测研究。首先,研究基于多时相无人机高光谱影像获取的病害敏感植被指数结合BPNN方法发展了一种田块尺度小麦条锈病监测方法。结果显示基于多时相无人机高光谱影像的BPNN监测方法的总体精度达到95.7%,与k NN方法相比增加了11.6个百分点。其次,研究基于小麦穗部ASD高光谱数据结合连续小波分析（continuous wavelet analysis,CWA）获得了6个最优小波特征,利用Fisher线性判别分析发展了一种小麦穗部赤霉病识别方法。结果显示识别模型的总体精度为88.7%。在此基础上,研究基于两时相无人机高光谱影像数据结合CWA获取了5个最优小波特征,利用k NN方法发展了一种田块尺度小麦赤霉病监测方法。结果显示监测模型的总体精度达到了86.7%。（3）在作物病害严重度遥感估算方面,针对单一时相单一数据源卫星遥感影像在表征作物病害发生状况时的局限性,以小麦白粉病和条锈病为例,综合作物侵染循环机制和多源多时相卫星遥感影像优势互补,建立病害发生关键期遥感特征与病害发生严重度之间的响应关系,并借助数据挖掘算法开展作物病害严重度估算研究。首先,研究基于多时相Landsat-8影像结合后向逐步消除方法获得的关键期遥感特征,利用k NN方法发展了一种区域尺度小麦白粉病严重度估算方法。结果显示基于关键期遥感特征的小麦白粉病发生严重度的k NN估算方法的总体精度较传统的基于单一时相影像的病害估算方法提高了7.7个百分点。其次,研究基于两时相Sentinel-2和Landsat-8影像构建的归一化两时相遥感特征结合SMOTE-BPNN方法发展了一种区域尺度小麦条锈病严重度估算方法。结果显示基于归一化两时相遥感特征的小麦条锈病严重度估算方法的总体精度和G均值分别较传统的基于单一时相单一数据源的病害估算方法提高了20.0个百分点和26.8个百分点。本文的研究结果表明综合了作物长势状况和生境信息的多源多时相卫星遥感影像可以有效应用于作物不同病虫害的区分研究,显着提高模型的区分精度;多时相无人机高光谱技术结合合适的特征选择算法和分类技术的方法在田块尺度作物专一病害的监测研究中具有潜力;耦合病害发生关键期多源多时相卫星遥感影像可以更加准确地表征作物病害严重度空间分布。
李飞江[10]（2020）在《聚类集成有效性要素理论与方法研究》文中研究指明随着信息技术的迅猛发展,数据正成为当今社会的重要资源.一方面,传感器技术和存储技术的发展使得诸多领域中积累了大量数据;另一方面,计算能力的发展和数据的智能化处理技术为数据处理提供了技术支撑.聚类分析是获取数据价值的一种关键技术,主要针对普遍存在的无标记数据,也为诸多数据处理技术提供了有效的数据预处理方法.目前研究者已经提出了大量聚类模型和算法.然而,多数聚类算法仅适用于特定的情景、特定的假设,当前复杂的数据环境对单一聚类方法的有效性、鲁棒性、稳定性均带来了巨大的挑战.融合多个异质聚类结果的聚类集成技术是有效应对这一挑战的重要策略.此外,聚类集成灵活的流程还拓宽了数据聚类的应用范围.鉴于此,聚类集成受到研究者的广泛关注,并取得了一定的研究成果.由于缺乏监督信息,聚类集成的有效性尚没有系统的理论支撑,紧密关联其有效性的因素仍不清晰.这些限制了聚类集成算法的性能,阻碍了聚类集成研究的深入性.因此,开展聚类集成的有效性要素理论与方法研究具有重要的理论创新意义和实际应用价值.本文紧密结合聚类集成的一般流程,揭示了五个要素与聚类集成有效性的内在关系.其中,聚类集成有效性主要指聚类结果的准确性（Accuracy）,五个因素分别为基聚类集因素（Base clustering set element）、类簇质量因素（Cluster quality element）、数据特性因素（Data characteristic element）、关系表示因素（Expression element）、融合策略因素（Fusion strategy element）.提出引入这些因素提出聚类集成算法,分析其对聚类集成性能的影响,以期进一步提升聚类集成的泛化性能（Generalization）.最后形成一个聚类集成有效性要素范式:A=f（B,C,D,E,F）→G.本文主要的研究内容和研究成果如下:一、面向符号型数据和混合型数据分别提出了一个基于空间结构的聚类算法.针对符号型数据和混合型数据空间结构不清晰的特点,提出了一个空间结构表示方法.实验分析表明,空间结构表示方法不仅可以有效保持数据在原始空间中的分布,还可进一步提供更加丰富的测度信息.在此基础上,提出了基于空间结构的符号数据聚类算法和基于空间结构的混合数据聚类算法.所提算法在数据的空间结构表示上,采用高效的数值型数据聚类算法获得最终聚类结果.实验分析表明,相比代表性方法,该类算法在时间消耗相当的前提下获得了聚类性能上的显着提升.二、揭示了基聚类选择过程中类簇质量因素与聚类集成有效性的关联.将基聚类选择过程中的评价对象精细化到类簇层面,提出了一个基于匹配度的类簇质量评价指标SME.理论研究表明,SME指标可同时有效缓解已有指标存在的内部一致性失效问题和外部一致性失效问题.实验分析表明,以SME为评价准则对类簇进行加权带来聚类集成性能上的明显提升.此外,提出了一个新的选择性聚类集成框架DSME,该框架结合选择性聚类集成中选择和融合阶段的不同需求,在选择阶段注重差异性,在融合阶段注重准确性.实验分析表明,与其他代表性选择性聚类集成方法相比,嵌入SME指标的DSME对聚类集成性能提升更加明显.三、揭示了基聚类融合过程中数据特性因素与聚类集成有效性的关联.将一个样本与其他样本关系确定程度的平均值定义为该样本的稳定性,从样本稳定性角度研究了数据特性因素与聚类集成有效性的关联.样本稳定性可用来反应一个样本对正确挖掘团簇结构的贡献度,为聚类集成中区别对待样本提供了度量准则.从理论上分析了样本稳定性定义的合理性,并在图像分割场景下可视化地展示了样本稳定性的合理性.在此基础上,提出了基于样本稳定性的聚类集成算法,该算法针对稳定样本集和不稳定样本集分别采用针对性策略.在人造数据上的实验可视化地展示了该算法的运行机制,在基准数据集上的实验分析验证了该算法的有效性和鲁棒性.四、揭示了基聚类融合过程中关系表示因素与聚类集成有效性的关联.首先指出了样本共现关系表示矩阵存在的稀疏性缺陷和低价值密度缺陷.为应对稀疏性缺陷,引入最短路径技术重构了关系表示矩阵.从理论上证明重构后关系表示矩阵可发现更合理的原型样本,并在二维人造数据上可视化地验证了这一结论.为应对低价值密度缺陷,提出了一个生长树模型.该模型引入最大间隔理论度量样本可正确划分的置信度,优先处理置信度高的样本.人造数据上的实验可视化地展示了生长树模型的运行机制,在基准数据集和图像数据集上的实验分析验证了该算法的有效性.五、揭示了基聚类融合过程中融合策略因素与聚类集成有效性的关联.提出了基于证据理论的融合策略.该策略在融合过程中考虑了数据的分布信息.从理论上证明了,当基聚类优于随机划分时,基于证据理论的融合策略可获得正确的集成结果.此外,从理论上证明了二类情况下,基于证据理论的融合策略优于投票策略.提出了基于证据理论的聚类集成算法.实验分析表明,在引入基于证据理论的融合策略后,聚类集成性能有了明显提升.以上研究成果为聚类集成有效性提供了较系统的理论支撑,为聚类集成理论研究提供了新思路,为聚类集成算法设计提供了指导性思想.本文研究既丰富了聚类分析的研究内容,也为复杂环境下的数据处理提供了技术支持.
二、利用区域映射模型研究样本集的空间分布（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、利用区域映射模型研究样本集的空间分布（论文提纲范文）
（1）基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像分类方法研究现状 |
| 1.2.2 现有遥感影像数据的获取平台 |
| 1.2.3 遥感影像地物覆被分类中的关键问题 |
| 1.3 Google Earth Engine云平台 |
| 1.3.1 平台注册 |
| 1.3.2 公共数据集 |
| 1.3.3 程序设计接口 |
| 1.3.4 系统架构 |
| 1.4 拟解决的科学问题 |
| 1.5 研究目的和内容 |
| 1.6 论文创新点 |
| 1.7 技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 气候环境 |
| 2.3 植被状况 |
| 2.4 地质地貌 |
| 3 数据与方法 |
| 3.1 数据源 |
| 3.1.1 MCD12Q1 |
| 3.1.2 Landsat-8 OLI |
| 3.1.3 Sentinel-2 L1C |
| 3.1.4 SRTM DEM |
| 3.1.5 其它数据 |
| 3.2 遥感影像预处理 |
| 3.2.1 最小云量影像集的生成 |
| 3.2.2 波段选择和彩色合成 |
| 3.2.3 灰度调整和反差处理 |
| 3.2.4 镶嵌和裁剪 |
| 3.3 多维分类特征集的构建 |
| 3.3.1 光谱特征 |
| 3.3.2 纹理特征 |
| 3.3.3 地形特征 |
| 3.4 大型训练样本数据集的创建与质量控制 |
| 3.5 分类后误差来源与精度评价 |
| 3.5.1 误差来源 |
| 3.5.2 精度评价 |
| 4 传统多分类器的调参优化 |
| 4.1 分类回归树的参数选择 |
| 4.1.1 构建分类回归树 |
| 4.1.2 拆分规则 |
| 4.1.3 修剪树 |
| 4.2 随机森林的参数选择 |
| 4.2.1 构建随机森林 |
| 4.2.2 粒子群性能 |
| 4.2.3 最优共享粒子 |
| 4.3 支持向量机的参数选择 |
| 4.3.1 最佳分类超平面 |
| 4.3.2 核函数 |
| 4.4 性能验证 |
| 4.5 小结 |
| 5 基于深度卷积神经网络ResNet-101的新型分类器研究 |
| 5.1 卷积神经网络的算法原理 |
| 5.1.1 卷积神经网络的结构 |
| 5.1.2 卷积神经网络的特点 |
| 5.2 深层次残差网络ResNet-101 分类器的构建 |
| 5.2.1 残差学习 |
| 5.2.2 基于TensorFlow构建残差网络ResNet-101 分类器 |
| 5.2.3 深层次残差网络分类器的应用优势 |
| 5.2.4 性能验证 |
| 5.3 小结 |
| 6 基于MCD12Q1 地物覆被类型的智能分类结果 |
| 6.1 地物覆被类型下的特征识别和提取效果 |
| 6.1.1 训练和验证样本数量下总体精度和运行时间的变化规律 |
| 6.1.2 多分类器下地物覆被类型像元的变化规律 |
| 6.1.3 遥感影像种类下地物覆被类型面积的变化规律 |
| 6.2 遥感影像地物覆被类型的分类结果比对 |
| 6.2.1 Landsat-8 OLI影像的地物覆被类型 |
| 6.2.2 Sentinel-2 L1C影像的地物覆被类型 |
| 6.3 小结 |
| 7 遥感影像智能分类结果的可靠性评价 |
| 7.1 混淆矩阵 |
| 7.2 精度计算 |
| 7.3 误差对比 |
| 7.4 Kappa系数 |
| 7.5 小结 |
| 8 讨论与总结 |
| 8.1 讨论 |
| 8.2 结论 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于成分数据及机器学习在阿舍勒地区的综合找矿研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1 章 引言 |
| 1.1 选题来源 |
| 1.2 研究目的和意义 |
| 1.3 矿产预测理论与方法研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 机器学习在矿产预测中的应用 |
| 1.5 研究区以往工作程度 |
| 1.6 研究内容、方法及技术路线 |
| 1.6.1 研究内容、方法 |
| 1.6.2 技术路线 |
| 第2 章 地质概况 |
| 2.1 区域地质 |
| 2.1.1 区域地理概况 |
| 2.1.2 区域地层 |
| 2.1.3 区域构造 |
| 2.1.4 区域岩浆岩 |
| 2.1.5 区域矿产 |
| 2.2 矿区地质 |
| 2.2.1 矿区地层 |
| 2.2.2 矿区构造 |
| 2.2.3 矿区火山活动与岩浆岩 |
| 2.2.4 矿区围岩蚀变 |
| 第3 章 研究区元素地球化学分布模式及弱异常识别 |
| 3.1 地球化学数据处理方法 |
| 3.1.1 成分数据分析 |
| 3.1.2 分形-多重分形理论 |
| 3.2 原生晕样品采集及数据分析 |
| 3.2.1 样品采集及测试分析 |
| 3.2.2 原生晕地球化学数据统计学特征 |
| 3.3 研究区单元素地球化学分布模式 |
| 3.3.1 原生晕数据元素地球化学分布模式 |
| 3.4 研究区元素组合地球化学分布模式 |
| 3.4.1 基于ilr变换的稳健主成分分析 |
| 3.4.2 基于ilr变换的连续二值分离技术 |
| 3.5 综合地球化学分布模式及弱异常提取 |
| 第4 章 研究区综合信息找矿模型 |
| 4.1 成矿规律研究 |
| 4.1.1 矿床成因浅析 |
| 4.1.2 地层控矿规律 |
| 4.1.3 构造控矿规律 |
| 4.1.4 岩体控矿规律 |
| 4.1.5 岩体-地层接触带控矿规律 |
| 4.1.6 矿化蚀变带 |
| 4.1.7 古火山机构 |
| 4.2 成矿地质信息提取方法 |
| 4.2.1 距离分布法 |
| 4.2.2 地质成矿要素提取流程 |
| 4.3 成矿地质要素定量提取 |
| 4.3.1 地层与成矿的关系 |
| 4.3.2 构造与成矿的关系 |
| 4.3.3 岩体与成矿的关系 |
| 4.3.4 岩体-地层接触带与成矿的关系 |
| 4.3.5 围岩蚀变与成矿的关系 |
| 4.3.6 古火山机构与成矿的关系 |
| 4.3.7 定量分析结果 |
| 4.4 综合信息矿产预测模型 |
| 4.4.1 铜锌多金属矿床综合找矿模型 |
| 4.4.2 矿床统计单元划分原则 |
| 4.4.3 统计单元的赋值 |
| 第5 章 基于机器学习的综合信息矿产预测 |
| 5.1 基于监督学习的矿产资源预测 |
| 5.1.1 训练、测试样本集特征 |
| 5.1.2 支持向量机模型 |
| 5.1.3 随机森林模型 |
| 5.1.4 加权K最近邻模型(KKNN) |
| 5.2 定量预测模型综合评价 |
| 第6 章 异常评价及深部找矿研究 |
| 6.1 基于机器学习的综合异常与原生晕弱异常对比研究 |
| 6.1.1 研究区控矿地质要素重要性评估 |
| 6.1.2 综合异常对比研究 |
| 6.1.3 研究区找矿预测区圈定 |
| 6.2 深部原生晕找矿研究 |
| 6.2.1 钻孔原生晕样品采集及分析 |
| 6.2.2 钻孔原生晕数据多元统计分析 |
| 6.2.3 原生晕轴向分带特征 |
| 6.2.4 钻孔原生晕深部找矿预测 |
| 第7 章 结论与存在问题 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 存在问题 |
| 参考文献 |
| 附录1 阿舍勒铜矿区断裂特征简表 |
| 附录2 矿区次火山岩岩石学特征表 |
| 附录3 断裂要素与矿点缓冲距离参数 |
| 附录4 SVM模型核函数超参数优化 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（3）区域土壤重金属污染的源汇空间分析和时空模拟研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 土壤环境质量评价研究 |
| 1.2.2 土壤污染及其来源识别研究 |
| 1.2.3 土壤污染动态模拟与预测研究 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 研究区与数据 |
| 2.1 研究区概况 |
| 2.2 土壤采样与化学分析 |
| 2.3 数据收集与整理 |
| 3 基于联合评价模型的土壤环境质量评估 |
| 3.1 研究方法 |
| 3.1.1 污染评价指标 |
| 3.1.2 联合评价模型 |
| 3.2 结果分析与讨论 |
| 3.2.1 土壤及作物重金属含量统计 |
| 3.2.2 土壤中重金属污染评价 |
| 3.2.3 作物中重金属污染评价 |
| 3.2.4 人体健康风险评价 |
| 3.2.5 准则权重计算 |
| 3.2.6 联合评价污染分析 |
| 3.3 小结 |
| 4 基于污染源汇理论的土壤潜在污染区域识别 |
| 4.1 研究方法 |
| 4.1.1 土壤重金属预测模型 |
| 4.1.2 可视化聚类分析 |
| 4.2 结果分析与讨论 |
| 4.2.1 土壤重金属含量统计 |
| 4.2.2 重金属含量预测模型与结果分析 |
| 4.2.3 环境变量重要性分析 |
| 4.2.4 土壤重金属空间分布预测 |
| 4.2.5 特征区域划分 |
| 4.2.6 潜在污染区域识别 |
| 4.3 小结 |
| 5 基于源汇变量推理的土壤污染企业来源识别 |
| 5.1 研究方法 |
| 5.1.1 行业分类 |
| 5.1.2 双变量空间相关性分析 |
| 5.2 结果分析与讨论 |
| 5.2.1 土壤重金属含量统计 |
| 5.2.2 企业及其污染物统计 |
| 5.2.3 企业分类模型与结果分析 |
| 5.2.4 土壤重金属和企业空间分布 |
| 5.2.5 土壤重金属企业污染源解析 |
| 5.2.6 非企业污染源分析 |
| 5.3 小结 |
| 6 基于环境变量的土壤污染动态模拟与预警 |
| 6.1 研究方法 |
| 6.1.1 时空预测模型 |
| 6.1.2 情景预测模型 |
| 6.2 结果分析与讨论 |
| 6.2.1 多期土壤重金属含量统计 |
| 6.2.2 基于历史数据的时空趋势分析 |
| 6.2.3 时空预测模型与结果分析 |
| 6.2.4 未来土壤污染分布与预警 |
| 6.2.5 未来乐观情景模拟 |
| 6.3 小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 科研成果 |
（4）基于空间振动分布和工况模态分析的变压器绕组故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 变压器机械状态检测和故障诊断方法研究的发展现状 |
| 1.2.1 基于稳态过程振动信号特征提取的绕组故障诊断算法 |
| 1.2.1.1 基于振动信号频域特征的绕组故障检测方法 |
| 1.2.1.2 基于振动信号时域特征的绕组故障检测方法 |
| 1.2.1.3 基于振动信号时频特征的绕组故障检测方法 |
| 1.2.1.4 基于变压器振动信号空间分布特征的研究 |
| 1.2.2 基于瞬态过程振动信号分析的绕组故障诊断方法 |
| 1.2.2.1 基于实验模态分析法的绕组故障诊断方法 |
| 1.2.2.2 基于工况模态分析法的绕组故障诊断方法 |
| 1.3 本文的主要工作 |
| 2 绕组空间振动分布特性的实验研究 |
| 2.1 概述 |
| 2.2 空间振动分布产生的机理 |
| 2.3 绕组表面空间振动分布特性的实验研究 |
| 2.3.1 实验方案 |
| 2.3.2 绕组表面不同机械状态下的空间振动分布特性 |
| 2.4 变压器油箱表面空间振动分布特性的实验研究 |
| 2.4.1 实验方案 |
| 2.4.2 振动分布特征坐标系的建立 |
| 2.4.3 绕组正常状态下的油箱表面空间振动分布特性 |
| 2.4.4 绕组压紧力松动状态下的油箱表面空间振动分布特性 |
| 2.4.5 绕组机械结构松动状态下的油箱表面空间振动分布特性 |
| 2.4.6 绕组变形状态下的油箱表面空间振动分布特性 |
| 2.5 本章小结 |
| 3 空间振动分布特征提取及其绕组故障诊断方法研究 |
| 3.1 概述 |
| 3.2 空间振动分布特征的提取方法 |
| 3.2.1 基于振动幅值重心的特征提取 |
| 3.2.2 基于振动重心轨迹的特征提取 |
| 3.3 空间振动分布特征的有效性实验研究 |
| 3.3.1 绕组压紧力松动状态下的空间振动分布特征 |
| 3.3.2 绕组变形状态下的空间振动分布特征 |
| 3.3.3 空间振动分布特征有效性分析 |
| 3.4 基于空间振动分布特征的绕组故障诊断方法 |
| 3.4.1 支持向量机 |
| 3.4.2 基于空间振动分布特征的变压器绕组故障诊断模型 |
| 3.4.3 诊断模型的实际现场应用研究 |
| 3.5 本章小结 |
| 4 基于工况模态分析的变压器断电过程瞬态振动研究 |
| 4.1 概述 |
| 4.2 变压器断电过程绕组瞬态振动分析 |
| 4.2.1 变压器断电过程绕组瞬态振动模型研究 |
| 4.2.1.1 绕组机械结构模型 |
| 4.2.1.2 变压器断电过程绕组瞬态振动模型 |
| 4.2.2 绕组压紧力松动对瞬态振动模型的影响 |
| 4.2.3 仿真研究与验证 |
| 4.2.3.1 Newmark-beta法 |
| 4.2.3.2 参数设置 |
| 4.2.3.3 不同压紧力条件下的振动衰减特性 |
| 4.2.3.4 不同压紧力条件下的瞬态振动模态特性 |
| 4.2.3.5 不同初始状态对瞬态振动模态特性的影响 |
| 4.3 绕组瞬态振动特征研究 |
| 4.3.1 实验对象与实验内容 |
| 4.3.2 不同压紧力下瞬态振动信号的衰减特性 |
| 4.3.3 基于AR谱估计的瞬态振动模态特性提取 |
| 4.3.3.1 AR谱估计 |
| 4.3.3.2 压紧力松动对于AR谱估计的影响 |
| 4.4 本章小结 |
| 5 基于瞬态振动特征和流形学习的绕组压紧力松动诊断方法 |
| 5.1 概述 |
| 5.2 流形学习的理论与方法 |
| 5.3 基于测地线距离和有限松弛Dijkstra算法的流形学习算法 |
| 5.3.1 局部保留投影 |
| 5.3.2 有限松弛的测地线高斯型局部保留投影 |
| 5.3.2.1 基于有限松弛Dijkstra的距离改进算法 |
| 5.3.2.2 基于广义高斯函数的权重系数改进 |
| 5.3.3 有限松弛的测地线高斯型局部保留投影的验证 |
| 5.4 基于瞬态振动特征和流形学习的绕组压紧力松动诊断方法 |
| 5.4.1 基于AR谱的特征样本提取 |
| 5.4.2 基于LLGGLPP算法的绕组瞬态振动样本维数约简 |
| 5.4.3 基于低维空间流形结构的绕组压紧力估计方法 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
（5）北方环境乘用车行驶工况和代表工况构建方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 行驶工况研究综述 |
| 1.3 行驶工况构建方法综述 |
| 1.4 论文研究内容与方法 |
| 第2章 行驶大样本数据库的建立 |
| 2.1 道路行驶试验与数据采集 |
| 2.1.1 试验方法 |
| 2.1.2 数据采集方法 |
| 2.2 短行程样本的划分与特征参数的计算 |
| 2.3 短行程滤波 |
| 2.3.1 傅里叶变换滤波 |
| 2.3.2 小波滤波 |
| 2.3.3 核函数滤波 |
| 2.4 短行程样本数据库的建立 |
| 2.5 本章小结 |
| 第3章 基于无监督学习聚类算法的行驶工况构建 |
| 3.1 基于无监督学习聚类算法的行驶工况开发研究架构 |
| 3.1.1 行驶工况开发的目标 |
| 3.1.2 行驶工况开发的技术难点与研究架构 |
| 3.2 样本数据库聚类的基本技术原理 |
| 3.2.1 主成分分析的技术原理 |
| 3.2.2 K均值聚类算法的计算原理 |
| 3.2.3 密度峰聚类的计算原理 |
| 3.2.4 模糊聚类算法的计算原理 |
| 3.2.5 自组织映射神经网络聚类的计算原理 |
| 3.2.6 聚类品质评估方法 |
| 3.3 聚类算法对比分析与选择 |
| 3.4 短行程大样本数据的处理与统计分析 |
| 3.4.1 主成分降维处理 |
| 3.4.2 自组织映射神经网络的建立与训练 |
| 3.4.3 主成分样本数据库的聚类 |
| 3.4.4 聚类结果统计与分析 |
| 3.5 代表行驶工况的构建 |
| 3.5.1 行驶工况构建的实现方法 |
| 3.5.2 构建代表行驶工况 |
| 3.6 本章小结 |
| 第4章 基于混合概率分布模型的行驶工况构建 |
| 4.1 基于混合概率分布模型的行驶工况构建开发研究架构 |
| 4.1.1 基于混合概率分布模型聚类的可行性与研究意义 |
| 4.1.2 基于混合概率分布模型聚类的研究目标 |
| 4.2 混合概率分布模型聚类算法的基本原理 |
| 4.2.1 最大期望算法的计算原理 |
| 4.2.2 判别分析的计算原理 |
| 4.2.3 多维正态分布的验证方法 |
| 4.3 面向有监督学习聚类的样本数据库的建立 |
| 4.3.1 典型道路行驶特征分析 |
| 4.3.2 行驶样本集的正态分布验证 |
| 4.3.3 建立训练样本集和未知样本集 |
| 4.4 未知样本数据集的聚类 |
| 4.4.1 基于最大期望算法的聚类 |
| 4.4.2 基于判别分析的聚类 |
| 4.5 基于道路等级的行驶工况构建 |
| 4.5.1 行驶工况构建的实现方法 |
| 4.5.2 构建代表行驶工况 |
| 4.6 本章小结 |
| 第5章 基于随机过程的行驶工况构建 |
| 5.1 马尔科夫链的基本原理 |
| 5.2 状态转移概率矩阵的计算方法 |
| 5.3 状态转移概率计算方法的对比分析 |
| 5.4 马尔科夫链行驶工况构建方法 |
| 5.5 工况构建分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究结论与创新点 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（6）基于测度学习的喜马拉雅淡色花岗岩岩体识别（论文提纲范文）
| 作者简历 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状和存在的问题 |
| 1.2.1 喜马拉雅淡色花岗岩 |
| 1.2.2 基于地球化学特征的岩体识别 |
| 1.2.3 基于遥感影像光谱特征的岩体识别 |
| 1.2.4 多源数据融合 |
| 1.2.5 测度学习 |
| 1.2.6 存在的主要问题 |
| 1.3 研究目的和内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 第二章 研究区地质概况 |
| 2.1 喜马拉雅地区地质概况 |
| 2.1.1 区域地质背景 |
| 2.1.2 矿产分布 |
| 2.2 喜马拉雅淡色花岗岩 |
| 2.2.1 岩相学特征 |
| 2.2.2 地球化学特征 |
| 2.2.3 成因与成岩时代特征 |
| 2.3 错那洞穹隆地质概况 |
| 2.3.1 地质背景 |
| 2.3.2 地球化学特征 |
| 2.3.3 年代及成因 |
| 2.3.4 矿产特征 |
| 2.4 小结 |
| 第三章 测度学习理论与方法 |
| 3.1 测度学习理论 |
| 3.1.1 距离度量方式 |
| 3.1.2 测度学习 |
| 3.2 最大边缘测度学习 |
| 3.3 随机森林测度学习 |
| 3.4 局域加权测度学习 |
| 3.5 小结 |
| 第四章 数据源及数据融合 |
| 4.1 地球化学数据及预处理 |
| 4.2 遥感数据及预处理 |
| 4.2.1 ASTER |
| 4.2.2 Sentinel-2 |
| 4.2.3 PALSAR DEM |
| 4.2.4 遥感数据预处理 |
| 4.3 遥感影像融合 |
| 4.3.1 多变量分析融合技术 |
| 4.3.2 Sentinel-2A遥感影像融合 |
| 4.3.3 Sentinel-2A与 ASTER遥感影像融合 |
| 4.4 地球化学数据与遥感数据融合 |
| 4.4.1 遥感影像与地球化学数据融合技术 |
| 4.4.2 地球化学数据与ASTER遥感影像融合 |
| 4.5 小结 |
| 第五章 基于局域加权测度学习的淡色花岗岩岩体识别 |
| 5.1 技术框架 |
| 5.1.1 技术框架 |
| 5.1.2 参数优化 |
| 5.2 主要结果及对比 |
| 5.3 小结 |
| 第六章 基于最大边缘测度学习的淡色花岗岩岩体识别 |
| 6.1 岩性单元及特征 |
| 6.2 技术框架 |
| 6.2.1 技术框架 |
| 6.2.2 参数优化 |
| 6.3 主要结果及对比 |
| 6.4 小结 |
| 第七章 基于随机森林测度学习的淡色花岗岩岩体识别 |
| 7.1 技术框架 |
| 7.1.1 技术框架 |
| 7.1.2 参数优化 |
| 7.2 主要结果及对比 |
| 7.3 基于测度学习岩体识别模型的综合应用 |
| 7.4 小结 |
| 第八章 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 致谢 |
| 参考文献 |
（7）基于深度学习的四川会理“拉拉式”铜矿找矿预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 研究现状和存在问题 |
| 1.2.1 矿产资源预测理论与方法研究进展 |
| 1.2.2 机器学习及其在矿产预测中的应用 |
| 1.2.3 研究区以往工作程度 |
| 1.2.4 存在的问题与发展趋势 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 完成的主要工作量 |
| 2 区域地质构造背景 |
| 2.1 大地构造背景 |
| 2.2 区域地质 |
| 3 矿床地质特征与成因 |
| 3.1 矿床地质特征 |
| 3.1.1 矿床规模 |
| 3.1.2 赋矿层位与岩性 |
| 3.1.3 构造对矿体的控制 |
| 3.1.4 基性侵入岩体对成矿的意义 |
| 3.1.5 矿体与矿石特征 |
| 3.2 矿床成因与控矿要素分析 |
| 4 综合数据处理及异常分析 |
| 4.1 地球化学异常分析及提取 |
| 4.1.1 勘查地球化学研究现状 |
| 4.1.2 区域地球化学特征 |
| 4.1.3 单元素地球化学异常提取 |
| 4.1.4 多元素地球化学异常提取 |
| 4.2 地球物理异常分析及提取 |
| 4.2.1 地球物理方法在成矿预测领域的应用 |
| 4.2.2 岩(矿)石磁性特征 |
| 4.2.3 航磁异常处理 |
| 4.2.4 航磁异常分布特征 |
| 4.3 小结 |
| 5 综合信息预测模型研究 |
| 5.1 综合信息矿产预测 |
| 5.2 ROC曲线 |
| 5.3 综合信息预测模型 |
| 5.4 小结 |
| 6 经典算法综合信息集成与成矿预测 |
| 6.1 训练样本 |
| 6.2 预测变量 |
| 6.3 证据权方法 |
| 6.3.1 证据权方法原理 |
| 6.3.2 证据权法成矿预测 |
| 6.4 多层感知机 |
| 6.4.1 多层感知机原理 |
| 6.4.2 多层感知机建模 |
| 6.4.3 多层感知机成矿潜力制图 |
| 6.5 支持向量机 |
| 6.5.1 支持向量机原理 |
| 6.5.2 支持向量机建模 |
| 6.5.3 支持向量机成矿潜力制图 |
| 6.6 随机森林 |
| 6.6.1 随机森林原理 |
| 6.6.2 随机森林建模 |
| 6.6.3 预测变量重要性及其边际效应分析 |
| 6.6.4 随机森林成矿潜力制图 |
| 6.7 模型性能评价 |
| 6.8 成矿潜力分析 |
| 6.9 小结 |
| 7 随机样本集成卷积神经网络成矿预测 |
| 7.1 深度学习发展历程 |
| 7.2 卷积神经网络的基本结构 |
| 7.3 卷积神经网络的架构 |
| 7.4 数据 |
| 7.4.1 预测变量 |
| 7.4.2 样本扩充 |
| 7.4.3 集成学习模型 |
| 7.5 结果与讨论 |
| 7.5.1 训练单元选择的有效性 |
| 7.5.2 性能评价 |
| 7.5.3 模型集成 |
| 7.5.4 成矿潜力分析 |
| 7.6 小结 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.1.1 主要成果 |
| 8.1.2 创新点 |
| 8.2 存在问题与展望 |
| 致谢 |
| 参考文献 |
| 附录 作者简历 |
（8）多/高光谱图像和LiDAR数据联合分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.1.1 课题背景 |
| 1.1.2 课题研究的目的和意义 |
| 1.2 研究现状及存在的问题 |
| 1.2.1 图谱-高程数据融合特征提取研究现状 |
| 1.2.2 图谱-高程数据联合分类研究现状 |
| 1.2.3 多波段LiDAR数据分类研究现状 |
| 1.2.4 当前研究存在的问题 |
| 1.3 实验数据与评价指标 |
| 1.3.1 实验数据 |
| 1.3.2 评价指标 |
| 1.4 论文主要研究内容与结构安排 |
| 1.4.1 论文各章内容逻辑关系 |
| 1.4.2 论文主要内容与组织结构 |
| 第2章 多/高光谱图像和LiDAR数据判别式图融合特征提取 |
| 2.1 引言 |
| 2.2 图基本理论 |
| 2.2.1 有向图 |
| 2.2.2 无向图 |
| 2.2.3 图的表示 |
| 2.3 判别式图融合特征提取 |
| 2.3.1 异源多属性特征提取 |
| 2.3.2 多属性特征图构造 |
| 2.3.3 判别式图融合 |
| 2.4 实验结果与分析 |
| 2.4.1 对比方法与参数分析 |
| 2.4.2 异源多属性特征融合性能分析 |
| 2.5 本章小结 |
| 第3章 多/高光谱图像和LiDAR数据多尺度多核分类 |
| 3.1 引言 |
| 3.2 特征-尺度双层判别多核学习 |
| 3.2.1 多核学习理论 |
| 3.2.2 特征-尺度双层多核学习框架 |
| 3.2.3 判别多核学习 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 特征-尺度双层判别多核学习分类性能分析 |
| 3.3.3 判别多核学习特征选择与分类性能分析 |
| 3.3.4 计算复杂度分析 |
| 3.4 本章小结 |
| 第4章 三波段LiDAR数据几何结构-强度特征提取 |
| 4.1 引言 |
| 4.2 多波段点云张量模型 |
| 4.2.1 张量代数 |
| 4.2.2 多波段点云数据张量表示 |
| 4.3 点云几何结构-强度特征提取 |
| 4.3.1 类内特征分布集中 |
| 4.3.2 类间判别信息最大化 |
| 4.3.3 目标函数与求解 |
| 4.3.4 算法复杂度分析 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 参数分析 |
| 4.4.3 几何结构-强度特征地物识别能力分析 |
| 4.5 本章小结 |
| 第5章 三波段LiDAR点云多属性平滑图卷积网络分类 |
| 5.1 引言 |
| 5.2 图卷积网络 |
| 5.2.1 空间图卷积 |
| 5.2.2 谱图卷积 |
| 5.3 多属性平滑图卷积网络 |
| 5.3.1 三波段点云分割 |
| 5.3.2 三波段点云图构建 |
| 5.3.3 多尺度平滑图卷积 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 参数影响 |
| 5.4.3 多属性平滑图卷积网络分类有效性验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士期间所发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（9）基于多源多时相遥感分析的小麦主要病害动态监测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究进展 |
| 1.3 存在的主要问题 |
| 1.4 研究目标、研究内容及技术路线 |
| 第二章 研究思路与方法 |
| 2.1 试验方案 |
| 2.2 小麦主要病虫害严重度调查 |
| 2.3 数据获取与预处理 |
| 2.4 模型构建方法 |
| 第三章 基于多源多时相卫星影像的小麦病虫害遥感区分 |
| 3.1 基于两时相LANDSAT-8 影像的小麦白粉病和蚜虫遥感区分 |
| 3.2 耦合多源多时相卫星影像的小麦条锈病和赤霉病遥感区分 |
| 3.3 本章小结 |
| 第四章 基于多时相无人机高光谱影像的小麦病害遥感监测 |
| 4.1 基于多时相无人机高光谱影像的小麦条锈病遥感监测 |
| 4.2 基于两时相无人机高光谱影像的小麦赤霉病遥感监测 |
| 4.3 本章小结 |
| 第五章 基于多源多时相卫星影像的小麦病害严重度遥感估算 |
| 5.1 基于发病关键期LANDSAT-8 影像的小麦白粉病严重度遥感估算 |
| 5.2 耦合关键期SENTINEL-2和LANDSAT-8 影像的小麦条锈病严重度遥感估算 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要研究结论 |
| 6.2 论文特色与创新点 |
| 6.3 不足与展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（10）聚类集成有效性要素理论与方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.1.1 聚类分析是获取数据价值的重要技术 |
| 1.1.2 聚类集成技术可提升聚类性能并扩展应用范围 |
| 1.1.3 聚类集成有效性要素理论与方法研究对其发展有重要意义 |
| 1.2 聚类集成研究现状 |
| 1.2.1 基聚类生成的研究进展 |
| 1.2.2 基聚类选择的研究进展 |
| 1.2.3 基聚类融合的研究进展 |
| 1.2.4 聚类集成应用研究进展 |
| 1.2.5 聚类集成理论研究进展 |
| 1.3 科学问题和本文研究思路 |
| 1.4 本文研究内容和组织结构 |
| 第二章 生成过程中的基聚类集产生方法 |
| 2.1 问题描述 |
| 2.2 产生基聚类集的一般方法 |
| 2.3 针对符号数据的基聚类产生 |
| 2.3.1 符号数据的空间结构表示 |
| 2.3.2 基于空间结构的符号型数据聚类 |
| 2.3.3 实验分析 |
| 2.4 针对混合数据的基聚类产生 |
| 2.4.1 混合数据的空间结构表示和聚类算法 |
| 2.4.2 实验分析 |
| 2.5 本章小结 |
| 第三章 选择过程中的类簇质量要素 |
| 3.1 问题描述 |
| 3.2 代表性指标及其缺陷 |
| 3.3 基于匹配度的类簇质量评价指标(SME) |
| 3.3.1 SME计算形式 |
| 3.3.2 SME应对已有缺陷的优势 |
| 3.3.3 SME的一些性质 |
| 3.4 DSME选择性聚类集成框架 |
| 3.5 实验分析 |
| 3.5.1 SME在评价类簇质量上的性能分析 |
| 3.5.2 DSME在选择性聚类集成上的性能分析 |
| 3.6 本章小结 |
| 第四章 融合过程中的数据特性要素 |
| 4.1 问题描述 |
| 4.2 样本稳定性 |
| 4.2.1 样本稳定性的定义 |
| 4.2.2 样本稳定性的合理性分析 |
| 4.2.3 样本稳定性度量 |
| 4.3 基于样本稳定性的聚类集成(CE_s~2) |
| 4.4 实验分析 |
| 4.4.1 样本稳定性合理性实验 |
| 4.4.2 CE_s~2的运行机制 |
| 4.4.3 CE_s~2的有效性验证 |
| 4.5 样本稳定性在聚类分析上的推广 |
| 4.5.1 基于样本稳定性的聚类方法 |
| 4.5.2 实验分析 |
| 4.6 本章小结 |
| 第五章 融合过程中的关系表示要素 |
| 5.1 问题描述 |
| 5.2 共现关系表示及其缺陷 |
| 5.3 引入最短路径的关系表示及其优势 |
| 5.3.1 引入最短路径的共现关系表示RM |
| 5.3.2 基于RM矩阵的原型样本发现 |
| 5.3.3 实验分析和理论分析 |
| 5.4 生长树模型GoT |
| 5.5 实验分析 |
| 5.5.1 GoT模型工作机制 |
| 5.5.2 GoT模型有效性实验 |
| 5.6 GoT模型在聚类分析上的推广 |
| 5.6.1 基于生长树模型的聚类算法 |
| 5.6.2 实验分析 |
| 5.7 本章小结 |
| 第六章 融合过程中的融合策略要素 |
| 6.1 问题描述 |
| 6.2 基于投票的融合策略 |
| 6.2.1 标签对齐 |
| 6.2.2 投票融合 |
| 6.3 基于证据理论的融合策略 |
| 6.3.1 邻域估计 |
| 6.3.2 mass函数构造 |
| 6.3.3 基于Dempster合成规则的融合 |
| 6.4 理论分析 |
| 6.5 实验分析 |
| 6.6 本章小结 |
| 结论及展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 个人简况及联系方式 |
四、利用区域映射模型研究样本集的空间分布（论文参考文献）
- [1]基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究[D]. 潘霞. 内蒙古农业大学, 2021
- [2]基于成分数据及机器学习在阿舍勒地区的综合找矿研究[D]. 郑超杰. 桂林理工大学, 2021(01)
- [3]区域土壤重金属污染的源汇空间分析和时空模拟研究[D]. 贾晓琳. 浙江大学, 2020(01)
- [4]基于空间振动分布和工况模态分析的变压器绕组故障诊断方法研究[D]. 胡异炜. 浙江大学, 2020(01)
- [5]北方环境乘用车行驶工况和代表工况构建方法研究[D]. 曹骞. 吉林大学, 2020(08)
- [6]基于测度学习的喜马拉雅淡色花岗岩岩体识别[D]. 王子烨. 中国地质大学, 2020(03)
- [7]基于深度学习的四川会理“拉拉式”铜矿找矿预测研究[D]. 张士红. 中国地质大学(北京), 2020(01)
- [8]多/高光谱图像和LiDAR数据联合分类方法研究[D]. 王青旺. 哈尔滨工业大学, 2020(01)
- [9]基于多源多时相遥感分析的小麦主要病害动态监测[D]. 马慧琴. 南京信息工程大学, 2020(01)
- [10]聚类集成有效性要素理论与方法研究[D]. 李飞江. 山西大学, 2020(02)