导读:本文包含了神经网络反演论文开题报告文献综述及选题提纲参考文献，主要关键词:BP神经网络,PROSAIL,叶面积指数LAI,遥感反演
神经网络反演论文文献综述
陈士城,王宝水[1]（2019）在《基于神经网络的LAI遥感反演影响因素分析》一文中研究指出基于BP神经网络和植被冠层辐射传输模型PROSAIL对LAI进行反演,针对BP神经网络中网络结构设计的关键问题,从网络隐含层层数、隐含层节点数和学习速率等3个方面进行分析与讨论,确定了最佳的BP网络结构,取得了较好的反演结果。(本文来源于《地理空间信息》期刊2019年12期）
刘树霄,衣立,张苏平,时晓曚,薛允传[2]（2019）在《基于全卷积神经网络方法的日间黄海海雾卫星反演研究》一文中研究指出本文基于FY-4A静止气象卫星数据,以全卷积神经网络(Fully Convolutional Networks, FCN)为前处理、全连接条件随机场为后处理的日间海雾反演算法模型,以动态阈值海雾反演方法获得黄海雾区标签,使用浮标观测、CALIPSO观测和动态阈值法反演的雾区进行检验,发现与仅使用全卷积神经网络方法的海雾反演结果相比,全卷积神经网络结合全连接条件随机场的算法模型不仅可以反演出海雾主体分布,而且可以克服单纯FCN提取的图像过于平滑和模糊的问题,给出更细致的雾区边界,同时雾区检出率(POD)可以达到91.8%,误判率(FAR)20.0%,成功率(CSI)76.4%,Heidke技巧评分(HSS)82.9%。因此,以全卷积神经网络方法为核心的算法模型可以用于日间黄海海雾雾区的反演。(本文来源于《海洋湖沼通报》期刊2019年06期）
能昌信,孙晓晨,徐亚,刘家琳,董路[3]（2019）在《基于深度卷积神经网络的场地污染非线性反演方法》一文中研究指出提出了将Sobel边缘检测算子与深度卷积神经网络(CNN)算法结合的方法(E-ConvNet),用于污染场地的ERT反演过程.通过Sobel算子提取污染区域视电阻率数据的边缘特征作为CNN的先验信息,提高E-ConvNet的计算效率及识别精度.在5种理论模型(单异常体、双异常体及含双异常体的层状结构)和现场实例上测试了E-ConvNet算法的性能,并与最小二乘算法(LS)比较.测试结果表明:E-ConvNet能够准确识别污染处的面积、位置及阻值,其识别精度和计算效率均优于LS.E-ConvNet的单异常识别准确率为81.8%～84.9%,而LS则仅为9.6%～36.2%;多异常识别准确率为68.6%～84.4%,LS仅为2.8%～27.6%;E-ConvNet用时约为112～190ms,LS耗时为6000～7000ms.因此,在污染场地调查工作中,E-ConvNet能够准确高效地反演出污染区域的位置及范围,为开展后续评估/修复工作提供技术支持.(本文来源于《中国环境科学》期刊2019年12期）
蔡佳佳,曾玉明,周浩,文必洋[4]（2019）在《基于人工神经网络的高频雷达风速反演》一文中研究指出风速是重要的海洋状态参数之一,对海面风速的准确提取是实现海洋环境监测和沿海工程应用的重要保证。目前,作为新兴海洋环境监测设备,高频雷达在风速提取方面仍然存在挑战。本文提出了一种基于人工神经网络的风速提取方法,利用历史浮标测量海态数据训练风速提取网络,实现风速与有效波高、波周期、风向及时间因素之间的非线性映射。测试结果表明了这一网络在时间和空间上的稳定性;进而将已训练的网络应用到便携式高频地波雷达OSMAR-S的风速反演中,得到的风速与浮标测量风速间的相关系数达到0.849,均方根误差为2.11 m/s。这一结果明显优于常规由浪高反演风速的SMB方法,验证了该方法在高频雷达风速反演中的可行性。(本文来源于《海洋学报》期刊2019年11期）
樊旭,吴肖燕,曲宗希,张北斗,张文煜[5]（2019）在《地基微波辐射计反演温/湿度廓线的BP神经网络训练方案对比》一文中研究指出为提高地基微波辐射计反演大气温/湿度廓线的精度,提出了一种直接利用高垂直分辨率探空资料与地基微波辐射计观测亮温训练反演温/湿度廓线BP神经网络方案.基于地基微波辐射计的观测特点,提出了一种基于微波辐射计地面观测资料和探空资料的观测亮温综合质量控制方案,利用质量控制后的观测亮温训练BP神经网络(OBS-BP),并与基于MonoRTM辐射传输模式模拟亮温训练BP神经网络(SIM-BP)的方法进行了对比.结果表明, OBS-BP反演温度廓线的均方根误差随高度逐渐增大,范围为0.62～2.81 K,偏差范围为-0.67～0.43 K,相关系数随高度的升高逐渐减小,变化范围为0.92～0.99;相对湿度廓线的均方根误差在0～4.75 km随高度升高而增大,在4.75 km以上随高度升高而减小,范围为8.21%～24.37%,偏差范围为-3.87%～4.54%,相关系数随高度升高逐渐减小,变化范围为0.13～0.94.将OBS-BP和SIM-BP反演高时间频次的温/湿度廓线的效果进行了对比,得出OBS-BP的反演结果能更好地反映对流层内大气温/湿度演变过程,相对于利用SIM-BP的反演结果, OBS-BP反演温/湿廓线在各个高度层上均优于SIM-BP,与探空资料具有更好的一致性,更适用于实际观测中地基微波辐射计温/湿度廓线的反演.(本文来源于《兰州大学学报(自然科学版)》期刊2019年05期）
张勇,何贵松,李彦婧,潘兰,田波[6]（2019）在《基于迭前反演的神经网络孔隙度预测技术——以南川地区为例》一文中研究指出孔隙度是海相页岩气富集高产一个重要因素,获取孔隙度平面特征是优选页岩储层"甜点"的一个关键环节。应用迭前反演技术及概率神经网络技术定量预测南川地区孔隙度,首先在迭前反演过程中,做好道集预处理、地震标定、子波提取,低频模型建立关键技术质量控制,获取高精度迭前反演成果;其次在概率神经网络学习训练过程中,做好交叉验证分析,优选地震属性。通过两种技术方法的结合,有效预测了南川地区孔隙度发育特征,为页岩水平井部署、钻探及区域综合评价提供资料基础。(本文来源于《科学技术与工程》期刊2019年25期）
院琳,杨雪松,王秉中[7]（2019）在《基于经验知识遗传算法优化的神经网络模型实现时间反演信道预测》一文中研究指出人工神经网络由于具有较强的非线性拟合能力,可用来建立终端位置与接收信号之间的映射关系,从而获得不同位置的信道特性.神经网络建模的精度一般由所使用的训练样本数量决定,训练样本数目越多,模型往往越精确.但大量的训练数据的获取,耗时较多.本文将经验知识融入遗传算法,对人工神经网络模型进行优化,实现了时间反演电磁信道的快速建模.通过提取时间反演信号的传播参数,并将其作为经验知识用于遗传算法的适应度函数,来优化神经网络模型的权值和阈值.在保证训练样本数量不变的情况下,相比直接利用神经网络建模,提高了建模的精度.以一种简单的室内时间反演场景为例,验证了方法的有效性.(本文来源于《物理学报》期刊2019年17期）
高涵,白照广,范东栋[8]（2019）在《基于BP神经网络的GNSS-R海面风速反演》一文中研究指出针对GNSS-R进行海面风速反演过程中时频域相关物理量较多,数据耦合性强等问题,提出了基于反向传播(BP)神经网络反演海面风速的方法。建立反演过程中相关观测量与风速的对应关系,选取多观测量作为输入,对输入数据进行处理,设置神经元与激励函数,使用BP神经网络自适应调整拟合参数,将风速作为神经网络输出端的特征量提取。反演结果,风速≤20m/s时,反演均方根误差RMSE=1.21m/s,风速>20m/s时反演均方根误差RMSE=2.54m/s,反演结果优于使用时延相关曲线前沿斜率(LES)和时延多普勒相关功率均值(DDMA)方法得到的反演结果,且迭代次数较少,复杂度较低,证明该方法可以应用于GNSS-R海面风速反演。(本文来源于《航空学报》期刊2019年12期）
范兴民,王宇,廖芹[9]（2019）在《基于反演设计的神经网络不确定机器人轨迹跟踪控制研究》一文中研究指出针对机器人控制中的非线性和不确定性提出一种基于反演设计和RBF神经网络的自适应控制方法。利用反演技术设计鲁棒自适应控制器,通过RBF神经网络对模型的不确定性进行估计。该方法有效避免可能出现的控制器奇异问题,在设计中不需要估计系统未知的控制系数矩阵。利用lyapunov理论证明了系统的全局稳定性。仿(本文来源于《电子世界》期刊2019年16期）
李佳姿,刘懿莹,刘泽栋[10]（2019）在《基于BP神经网络的土壤全铁含量高光谱反演》一文中研究指出对陕西省横山县的84个土壤样本数据进行处理分析,以期对土壤中的全铁含量进行反演。为了能够将光谱数据特征放大,采用包络线去除法对样本进行特征提取,并剔除异常值,然后利用DPS数据处理系统采用BP神经网络法建立模型;经验证发现当所有特征因子都参与建模,且选取2层隐含层,第1、2隐含层节点都为9时模型精度最高,拟合残差为0.00694,决定系数R2=0.954,RMSE=895.454,拟合值与观测值的相关系数为0.977;而当只选取与全铁含量相关性较好的6个特征因子参与建模时精度并不理想。(本文来源于《科技经济导刊》期刊2019年22期）
神经网络反演论文开题报告
（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：
本文基于FY-4A静止气象卫星数据,以全卷积神经网络(Fully Convolutional Networks, FCN)为前处理、全连接条件随机场为后处理的日间海雾反演算法模型,以动态阈值海雾反演方法获得黄海雾区标签,使用浮标观测、CALIPSO观测和动态阈值法反演的雾区进行检验,发现与仅使用全卷积神经网络方法的海雾反演结果相比,全卷积神经网络结合全连接条件随机场的算法模型不仅可以反演出海雾主体分布,而且可以克服单纯FCN提取的图像过于平滑和模糊的问题,给出更细致的雾区边界,同时雾区检出率(POD)可以达到91.8%,误判率(FAR)20.0%,成功率(CSI)76.4%,Heidke技巧评分(HSS)82.9%。因此,以全卷积神经网络方法为核心的算法模型可以用于日间黄海海雾雾区的反演。
（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。
神经网络反演论文参考文献
[1].陈士城,王宝水.基于神经网络的LAI遥感反演影响因素分析[J].地理空间信息.2019
[2].刘树霄,衣立,张苏平,时晓曚,薛允传.基于全卷积神经网络方法的日间黄海海雾卫星反演研究[J].海洋湖沼通报.2019
[3].能昌信,孙晓晨,徐亚,刘家琳,董路.基于深度卷积神经网络的场地污染非线性反演方法[J].中国环境科学.2019
[4].蔡佳佳,曾玉明,周浩,文必洋.基于人工神经网络的高频雷达风速反演[J].海洋学报.2019
[5].樊旭,吴肖燕,曲宗希,张北斗,张文煜.地基微波辐射计反演温/湿度廓线的BP神经网络训练方案对比[J].兰州大学学报(自然科学版).2019
[6].张勇,何贵松,李彦婧,潘兰,田波.基于迭前反演的神经网络孔隙度预测技术——以南川地区为例[J].科学技术与工程.2019
[7].院琳,杨雪松,王秉中.基于经验知识遗传算法优化的神经网络模型实现时间反演信道预测[J].物理学报.2019
[8].高涵,白照广,范东栋.基于BP神经网络的GNSS-R海面风速反演[J].航空学报.2019
[9].范兴民,王宇,廖芹.基于反演设计的神经网络不确定机器人轨迹跟踪控制研究[J].电子世界.2019
[10].李佳姿,刘懿莹,刘泽栋.基于BP神经网络的土壤全铁含量高光谱反演[J].科技经济导刊.2019