林彬[1]2003年在《激光遥感探测海面溢油智能识别算法的研究》文中指出海洋溢油污染是各种海洋污染中影响范围最广、危害时间最长、对生态环境破坏最大的一种。本论文根据对各种海洋遥感器的对比研究,总结出激光荧光遥感在此方面是最为有力的工具。 目前我国在激光遥感的硬件设备方面已经具备一定的条件,而软件的溢油信息智能处理方面仍存在空缺。由于ANN方法适合于处理非线性系统,具有自组织、自学习、自适应和联想能力,故通过对样本反复训练,能辨别各类样本特征差异,本论文的核心工作就是将人工神经网络(ANN)的方法应用于激光遥感光谱数据的智能分析。而在众多的人工神经网络模型中,本论文选择了叁种模式识别应用最普遍效果相对较好的网络模型,即感知器、BP、SOM网络,提出了适用于海面溢油激光遥感光谱的智能分析与识别的神经网络理论模型。应用叁种神经网络的理论模型设计光谱智能分析系统,以激光荧光光谱样本作为输入,训练神经网络系统,并对3种神经网络模型系统的推广能力进行比较实验分析。实验表明,SOM网络模型算法自身的特点决定了它在多光谱数据智能分析及海面溢油识别方面良好适用性,成为解决此类问题最好的算法。 本论文主要进行的是理论建模和分析工作,并且用计算机软件方法实现了神经网络系统的模式识别和分类功能。在论文的最后还提出了利用ANN方法解决溢油浓度算法的思路。ANN技术必将在海洋遥感领域里发挥它独特的功效。
于欣洋[2]2006年在《人工神经网络在识别海面溢油中的应用研究》文中认为保护我们共有的海洋环境已成为当今世界的一大主题,而造成海洋污染的主要元凶就是油类污染。溢油对近海海域的污染,已引起各国政府的重视。 我国在激光遥感识别海上溢油方面也作了许多研究,并在算法上取得了了很大的成绩,比如说我国有学者引入了神经网络算法对激光荧光光谱进行识别。激光遥感光谱数据的智能分析系统是一个能够处理非线性数据的系统,由于人工神经网络算法适合处理非线性系统,且具有自组织、自学习、自适应和联想能力,故非常适用于激光遥感光谱数据的智能分析。现在已经有了一些利用人工神经网络建立的激光遥感光谱数据的智能分析系统。本文的核心工作是建立了PCA激光荧光光谱分析识别模型、BP神经网络激光荧光光谱分析识别模型、RBF神经网络激光荧光分析光谱识别模型以及PCA&BP神经网络激光荧光光谱分析识别模型。并利用已有的激光遥感设备对建立的几种模型进行测试实验,得到了实验结果。测试实验主要考察的是这4种模型的识别速度和识别精度。 测试实验得出,PCA激光荧光光谱分析识别模型能够有效地识别溢油。神经网络方面,RBF神经网络激光荧光光谱分析识别模型的速度最快,平均训练时间为5.547秒。精度较高,正确率为87.5%;PCA&BP神经网络激光荧光光谱分析识别模型精度最高,正确率为95.833%。速度接近于RBF神经网络,训练时间为7.327秒;BP神经网络不管在速度上和精度上都没有以上提到的两种神经网络优秀。结果表明,PCA&BP神经网络激光荧光光谱分析识别模型的绩效是最好的,RBF神经网络激光荧光光谱分析识别模型也很令人满意。
翁彧[3]2005年在《遗传神经网络算法在激光遥感监测海面溢油中的应用》文中进行了进一步梳理文章通过分析当前激光遥感系统的现状和流行的海面溢油监测技术,深入的阐述了基于激光诱导荧光的遥感识别技术,并结合人工智能算法,建立了应用于多通道光谱数据的海面溢油种类识别的数学模型。 作者在本次实验中分别引入了误差逆向传播神经网络和遗传神经网络两种人工智能学习算法。通过对实验结果的分析,发现通过整合遗传算法和具有梯度下降能力的误差逆向传播神经网络学习算法,一方面充分利用了遗传算法的全局寻优能力,避免了陷入局部最小值的问题而且还使神经网络的连接权值得到了优化,从而进一步提高了对溢油种类特征提取的准确程度。另一方面,神经网络的扩展能力极大的减小了遗传算法对样本种群数量、交叉和变异概率等的影响,提高了实验的数据映射范围,使得实验更具有普遍性和代表性。 对比实验中以30组64通道待定物质的激光诱导荧光溢油光谱样本作为网络的输入矢量,10种已确定物质的光谱数据作为网络的目标矢量,分别对误差逆向传播神经网络和遗传神经网络2种网络模型进行训练,并对实验结果做对比数据分析。实验结果表明:遗传神经网络算法,在多光谱数据智能分析及海面溢油识别方面具有良好的适用性,其平均收敛代数和陷入局部最小值的概率远远小于传统的BP神经网络算法,达到了很好的识别效果,是一种比较理想的识别海面溢油种类方法。
刘春燕[4]2008年在《基于粗糙集—遗传BP网络的油种鉴别研究》文中指出油类污染对海洋和环境的影响越来越严重,实时地、正确地监测溢油具有重大意义。对此,本文对比了国内外的溢油识别算法,分析了以往的人工神经网络激光荧光光谱识别速度较慢、精度不是很高的原因,提出了改进的BP算法,即基于遗传算法的遗传BP(GABP)算法和基于粗糙集理论及遗传算法的粗糙集-遗传BP(RS-GABP)算法。本文运用的是人工神经网络中应用最广泛的误差反向传播(BP)网络,核心工作是建立BP、GABP和RS-GABP激光荧光光谱分析识别模型,并利用激光遥感设备获取的光谱数据对这叁种模型进行实验测试,测试主要针对它们的识别速度和精度,并得到了预期的结果。经实验测试得出:BP网络激光荧光光谱分析识别模型的最佳训练次数为42次,识别正确率为75%;GABP网络激光荧光光谱分析识别模型的最佳训练次数为25次,识别正确率为90%;RS-GABP网络激光荧光光谱分析识别模型的最佳训练次数为12次,识别正确率为95%。不管是在识别速度还是识别精度方面,GABP模型和RS-GABP模型都相对较高,尤其是RS-GABP模型,而BP网络由于其自身的缺点稍显逊色。实验结果表明,RS-GABP激光荧光光谱分析识别算法的绩效是最好的,它是一种很有潜力的算法。
丁宁[5]2009年在《激光雷达探测海面油荧光信息提取研究》文中指出激光雷达探测海面油荧光是目前最重要和最有效的溢油监测技术手段。通过对海上溢油的荧光光谱特征的探测,可以快速、实时、准确的获得高空间分辨率、高精度的海上溢油区的溢油种类、油膜厚度等信息。本论文根据激光荧光探测原理,对提取海面溢油区的荧光信息进行了研究。荧光光谱波段之间具有特定的物理含义,光谱曲线的形状特征是物质物理化学性质的外在表现。由于各种油类含的物质不同,被紫外激光激发出的荧光光谱形状也不同,本文运用光谱匹配算法进行油种类识别研究,改进的算法提高了匹配方法的可信度。并综合运用主成分分析算法和波段选择算法提取出了含有最大信息量的光谱通道。分析结果表明在系统设计过程中,只要设计较少的通道数就能满足探测要求,这样既减少系统设计空间又节约系统组建成本,同时提高了数据处理和反演的速度。根据激光激发海水拉曼信号在整个荧光光谱中的位置是固定的特性,论文通过实验室试验测定无油层海水拉曼信号强度和受油层衰减后的拉曼信号强度,试验结果验证了拉曼信号由于受水面油膜的吸收而随着厚度的增加逐渐降低的趋势。对油膜厚度反演算法进行了验证研究。大量的实验室实验以及对油荧光光谱分析为机载激光雷达探测海面油荧光信息提取提供了可靠的参考依据,为机载飞行试验奠定了基础。
马玉秀[6]2006年在《神经网络在激光遥感鉴别海面溢油中的应用》文中研究说明海上溢油事故引起的石油污染使海洋、大气自然环境、生态资源受到严重的损害,因此实时地、正确地鉴别溢油的种类对溢油的处理具有重大意义。神经网络在模式识别中发挥着重要作用,通过认真分析对比国内外已有的溢油识别方法,本文选用神经网络来鉴别激光诱导荧光光谱的种类,并建立相应的数学模型。 在神经网络众多的模型中,通过解析实验获取的不同种类油的荧光光谱的特征,本文选择了两种神经网络模型,分别为误差反传(BP)网络和学习矢量量化(LVQ)网络。选择这两种模型的原因在于,BP网络是至今为止应用最广泛的神经网络,它可以以任意精度逼近任何非线性函数,但BP网络也有自身的缺陷,如容易陷入局部极小点而得不到全局最优、训练次数多使得学习效率低,收敛速度慢等,所以本文又将LVQ网络应用到溢油识别中,并用实验获取的已知物质的64频道激光诱导荧光光谱样本作为网络的输入,将物质所属的类别作为输出,分别对这两种网络进行训练,训练结束后,在相同的条件下,利用待识别的荧光光谱数据对两种模型的识别结果进行比较,结果表明,当选用BP网络,拓扑结构为64-40-1时,收敛的次数为3259,识别正确率为81.65%;当选用LVQ网络,拓扑结构为64-70-8时,收敛的次数为373,识别正确率为90.53%;当LVQ网络结构变为64-150-8时,收敛的次数为455,识别正确率为92.3%,当再增加网络隐层节点数时,网络性能没有显着提高,但是计算量却大大增加,训练速度减慢,所以对LVQ网络而言,选择150个隐层节点是较为合适的。以上这些表明LVQ网络在溢油的识别正确率和识别速度方面均优于BP网络。因此,LVQ网络具有很好的模式分类识别特性,在溢油荧光光谱识别中成为一种理想的识别方法。
陈海菊[7]2008年在《支持向量机在溢油荧光光谱分析中的应用研究》文中提出随着海洋资源的开发和使用,海洋受到了严重的污染,其中石油污染表现得尤为突出。溢油事故往往造成大面积海域污染,危害十分巨大。因此实时地、正确地监测溢油具有重大意义。本文认真对比了国内外已有的溢油识别方法,分析了以往的人工神经网络激光荧光光谱识别速度较慢、精度不是很高的原因。提出以光谱形状作为溢油识别的关键特征,并引入基于统计学习理论的支持向量机(SVM)方法来识别溢油荧光光谱的种类。在人工神经网络众多的模型中,选择了应用比较广泛的误差反向传播(BP)网络和径向基函数(RBF)网络。本文的核心工作是建立了BP、RBF网络和SVM激光荧光光谱分析识别模型。并利用已有的激光遥感设备获取光谱对建立的几种模型进行测试实验,得到了实验结果。测试实验主要考察的是这3种模型的识别精度和速度。测试实验得出,BP网络激光荧光光谱分析识别模型的平均训练时间16.0280s,正确率为86.7%;RBF网络激光荧光光谱分析识别模型的平均训练时间0.6064s,正确率为86.7%;SVM激光荧光光谱分析识别模型的平均训练时间0.0184s,正确率为96.7%。RBF网络和SVM两种识别模型的训练耗费时间较少。BP网络识别模型的训练所要耗费的时间显然大些。在识别的精度方面,BP网络和RBF网络模型的没有差别,而SVM模型的更好。结果表明,SVM激光荧光光谱分析识别模型的绩效是最好的。它是一种很有前途的方法。
孙兰君[8]2016年在《基于激光诱导荧光的海洋环境参量遥感探测技术研究》文中进行了进一步梳理激光诱导荧光(LIF)技术是一种主动光学探测技术,激光激发水中荧光物质产生荧光,通过分析荧光信息可快速获取水中溢油、有色可溶性有机物(CDOM)、叶绿素a等物质的品类及含量信息,是监测水体成分最有效的分析技术之一并迅速发展。目前已发展的LIF探测设备主要有基于机载、船载、岸基平台的荧光雷达和原位LIF探测设备。其中荧光雷达可通过遥感方式快速大面积监测海洋水生环境,但设备一般复杂庞大、造价高昂、需要专业人员操作及维护;船载和岸基的原位LIF探测设备具有灵敏度高、造价低的特点而被应用于水体成分的定性及定量分析,但测量速度慢,不利于海洋水生环境的大面积快速监测。目前国内外尚未见可遥感监测的小型便携LIF探测设备,根据LIF雷达的研究现状,本文对小型便携式及可无人机载的LIF探测系统进行了深入的研究。本论文依据荧光雷达探测原理,研究了海水成分对海水固有光学性质的影响,计算了双向反射分布函数与海水成分的依赖关系,提出包含荧光的双向反射再辐射分布函数并推导了荧光雷达方程,设计了小型便携的LIF雷达监测系统,采用一种实时背景扣除算法获得了高信噪比高帧率荧光光谱数据,研制了可无线远程遥控的无人机载LIF监测系统。本文的主要研究内容如下:(1)理论研究了荧光雷达探测的原理,介绍了荧光雷达探测中的重要参数。根据Mie散射理论计算了溢油海水的固有光学性质,采用实验经验模型计算了不同叶绿素含量海水的固有光学性质。(2)介绍了海水的双向反射分布函数并引出包含荧光的双向反射再辐射分布函数。根据海水的固有光学性质计算了水体成分对双向反射分布函数的影响,并通过双向反射再辐射分布函数的计算建立荧光雷达方程,为荧光雷达探测提供理论指导。(3)设计了一台便携式LIF雷达系统,主要包括发射接收系统和信号控制与处理系统的设计。对系统进行小型化紧凑设计,设计了准直发射光学系统和直视色散系统。为LIF雷达系统编写了软件应用程序及数据处理算法,完成了系统的同步控制及数据采集处理。(4)为进一步提高荧光雷达系统工作性能,设计了基于选通ICCD的LIF雷达系统。选择叁个405nm半导体激光器合束获得了峰值功率4W左右的激光输出以提高机载遥感监测距离,并为系统设计了双向无线通信模块。为LIF雷达系统编写高速实时背景扣除算法,实现了荧光光谱信号的快速实时高信噪比获取。设计的LIF雷达系统总重量仅5kg,满足小型无人机挂载飞行要求。(5)利用研制的LIF雷达系统在室内及外场进行了一系列实验测试,测量了不同水样本、不同油样本的荧光光谱并进行了定性及定量分析。分别在中国山东威海靖子、小石岛沿岸海域进行了岸基实验研究,验证了系统对水体成分及水中污染物的快速检测能力。采用样品水池及无人机测试了LIF雷达系统,并在山东威海北海沿岸海域进行了机载飞行实验,系统稳定性好,可迅速获取水体的荧光信息,验证了无人机载LIF雷达系统的遥感探测能力。
齐敏珺[9]2010年在《海面溢油机载多通道激光雷达系统软件开发研究》文中提出经济的快速发展引起人们对石油的需求量剧增,海上石油开采和运输导致的溢油事故使国民经济遭受重大损失,对海洋生态环境产生恶劣影响。在诸多海面油污染遥感监测手段中,机载激光荧光雷达是最有效和最具潜力的一种,它可提供高空间分辨率、高精度的溢油种类和油膜厚度等丰富的溢油信息,帮助相关部门做出溢油应急措施的决策。2006年,中国海洋大学海洋遥感研究所承担了国家863资源环境技术领域专题课题“机载多通道激光雷达海面油污染监测技术”,旨在研制一套能实时监测海面油污染的激光荧光雷达系统。为了满足该系统的研制需求,本论文基于Visual C++开发了一套实时海上油污染监测系统应用软件。该软件采用模块化软件设计和其他一些比较成熟的软件技术,提高了软件开发效率和质量。利用NI公司TClk同步技术实现多采集卡同步;采用Windows多线程技术实现数据的实时显示、存储和分析;利用ActiveX控件、基于COM的Matlab与VC混合编程完成了软件显示与处理模块的开发。实践应用结果表明,该软件具有一定的稳定性和可靠性,为溢油监测工作提供一个集信息采集、处理和显示于一体的可视化平台,并为其他类似系统的软件开发提供了参考依据。同时,论文开展了溢油识别算法研究:采用分级的溢油识别模型对油荧光谱进行种类识别。识别过程分为初次识别和二次识别:初次识别采用光谱离散信息角度匹配(SID-SAM)算法从四类油中识别出轻质油、中质油和润滑油;二次识别采用Log_Relief_Lssvm模型进一步识别出原油和重质残渣燃料油。Log_Relief_Lssvm模型首先对输入光谱数据进行归一化、标准化和取对数等预处理,然后运用Relief特征选择算法选取11个特征作为最小二乘支持向量机的输入识别溢油种类。该模型是利用粒子群模型选择算法基于训练数据和识别方法库自动选择的最佳溢油鉴别模型。实例分析结果表明了该模型的有效性。
李琼[10]2010年在《SAR图像海面油膜提取与分类研究》文中认为海上溢油带来的环境危害和财产损失非常严重,对其进行有效检测与监测是溢油事件快速响应的基础。目前已经发展了各种各样的油膜检测手段,其中利用SAR检测油膜取得了很好的效果。本论文主要完成SAR图像海面油膜提取和分类方法的研究。雷达检测海洋溢油主要利用其对地面目标表面粗糙度反映敏感的特性。溢油发生后,扩散到海面的油膜对海面重力毛细波产生阻尼作用,因此有油膜的海面比没有油膜的海面光滑,使得雷达后向散射回波变小。因此可通过提取图像低散射区即图像上的暗色区域完成油膜提取。本文采用单一阈值、纹理信息、水平集等图像分割方法来提取油膜信息。水平集方法是近年来流行的一种边缘检测方法,该方法在边缘检测时不依赖于图像的局部信息,从而在模糊边缘检测方面获得了非常好的检测效果。很多海洋现象在SAR图像上都表现为后向散射低的暗区域,由于SAR图像后向散射暗区的多解性,因此结合SAR图像的纹理信息,利用人工神经网络智能识别方式来对油膜进行分类,排除疑似油膜。本次研究采用统计方法中的基于灰度共生矩阵方法提取SAR图像纹理特征值,选择均值、熵、同质性、对比度、角二阶矩五个纹理特征指标作为BP神经网络的输入来训练网络;然后用训练好的网络来完成待分类图像每一个像素点的分类;最后对分类的效果进行简单的评价。人工神经网络的智能识别的特点也使得利用这种方法来进行油膜分类会取得较好的效果。文中最后简单介绍了油膜提取的业务流程以及污染油膜和渗漏油膜的辨别方法。利用以SAR影像为主的多源遥感影像进行海面油膜检测,并在海况、海上交通、海洋设施、地质断裂构造、重磁异常、化探异常等信息辅助下,迭合不同期次、不同时相解译出来的历史油膜来判定污染油膜和渗漏油膜。
参考文献:
[1]. 激光遥感探测海面溢油智能识别算法的研究[D]. 林彬. 大连海事大学. 2003
[2]. 人工神经网络在识别海面溢油中的应用研究[D]. 于欣洋. 大连海事大学. 2006
[3]. 遗传神经网络算法在激光遥感监测海面溢油中的应用[D]. 翁彧. 大连海事大学. 2005
[4]. 基于粗糙集—遗传BP网络的油种鉴别研究[D]. 刘春燕. 大连海事大学. 2008
[5]. 激光雷达探测海面油荧光信息提取研究[D]. 丁宁. 中国海洋大学. 2009
[6]. 神经网络在激光遥感鉴别海面溢油中的应用[D]. 马玉秀. 大连海事大学. 2006
[7]. 支持向量机在溢油荧光光谱分析中的应用研究[D]. 陈海菊. 大连海事大学. 2008
[8]. 基于激光诱导荧光的海洋环境参量遥感探测技术研究[D]. 孙兰君. 哈尔滨工业大学. 2016
[9]. 海面溢油机载多通道激光雷达系统软件开发研究[D]. 齐敏珺. 中国海洋大学. 2010
[10]. SAR图像海面油膜提取与分类研究[D]. 李琼. 中国地质大学(北京). 2010
标签:物理学论文; 无线电电子学论文; 人工神经网络论文; 遥感论文; 荧光光谱论文; 网络模型论文; 光谱分辨率论文; 荧光分析法论文; 荧光强度论文; 荧光检测论文; 算法论文; bp神经网络论文; bp算法论文;