关键词： 水声通信   信道估计   自适应信号处理   机器学习  

摘要： 地球的70％被海洋覆盖，为人类文明发展提供了丰富的生物、化学、矿产和空间等资源。经略海洋事业对于我国的经济发展和国家安全具有重要的战略意义。声波是目前人类己知的应用最广泛、成熟的水下信息传播载体。水声通信技术是开展各类海洋活动的主要技术支撑之一，但是受到复杂海洋环境的挑战，具体体现为传播损失、海洋环境噪声、多途传播特性、多普勒扩展、时空变化效应等科学问题，制约了误码率性能、通信速率、通信距离、稳健性等指标的提升。当前水声通信技术发展水平难以全面满足实际应用的需求。　　信道估计是解决多径效应和时空变化特性问题的有效技术手段。近年来自适应方法以及机器学习在各个领域中取得突破，为水声信道估计技术的进一步发展带来了新的契机，同时也引发了新的技术难题，例如信道结构特性利用、样本稀缺训练、标签缺失训练、环境变化引发域失配等。这些问题使得新方法的有效性及适用性受到严重制约，难以发挥出应有的信息感知能力。　　论文立足智慧海洋与海洋信息科学学科前沿，根据国家海洋战略发展要求，围绕复杂海洋环境下水声通信科学问题，瞄准自适应与机器学习信道估计方法面临的信道簇状稀疏特性分析、样本稀缺、标签缺失、域失配等关键技术难题，引入最优化方法、神经网络模型设计与分析、数据增强方法、迁移学习等最新学术成果，开展了水声信道估计中的自适应与机器学习方法系统性研究，探索了自适应和机器学习类信道估计方法机理，最终提出了一系列基于自适应信号处理与机器学习的水声信道估计新方法。具体研究内容和成果如下:　　1.水声信道具有明显的簇状稀疏特性，即稀疏的信道冲激响应大部分为零或接近零的小值系数，而非零值系数是以簇的形式非均匀分布于时延域。为此本文提出了一种基于非均匀混合l21范数约束比例调节仿射投影算法(ImprovedProportionate Affine Projection Algorithm，IPAPA)的水声信道估计方法，简称为水声簇状稀疏APA(Underwater Acoustic Clustered Sparse APA，UACS-APA)。该方法首先根据信道簇状结构对其进行非均匀分组，基于此将l21范数约束规则引入仿射投影算法中，具体方法是对簇状部分施加l2范数约束，有效提高系数间的相关性，而簇状结构与其他零值抽头之间利用l1范数约束实现了整体的稀疏性。深海通信试验结果表明，在信噪比(Signal-to-Noise Ratio，SNR)小于-10dB的低信噪比深海影区环境中，所提方法相较均匀分组的混合l21范数约束IPAPA方法能够实现较为明显的均方误差(Mean Square Error,MSE)性能提升。　　2.水声通信信号处理的对象通常是解调后的基带信号，其在符号域采用复数形式表示。而现有的机器学习模型通常需要将复数信号拆解为实数向量作为模型输入，这一过程在一定程度上损失了水声通信信号的物理意义并产生了运算冗余。为此，本文提出一种基于复数神经网络(Complex-valued Network，C-Net)的水声信道估计方法，该方法借助复数信号虚部和实部间权重共享的机制，实现了机器学习模型的减重，大大提高了模型参数的读写效率。同时，本文还对基于复数神经网络的水声OFDM系统进行了性能边界的理论分析。基于WATERMARK数据平台的实验结果表明了所提方法相较实数神经网络(Real-valued Network，R-Net)能够大幅减少模型读写开销，这一优势将有效降低模型在实际水声通信应用中的部署难度。　　3.水声通信数据采集难度大导致用于机器学习的数据样本量通常不足，而水声信道的复杂多变特性造成了信道标签的实时标定困难。为了解决信道样本量不足的问题，本文首先借助机器学习中的频域准则分析了模型在缺乏信道数据场景中性能下降的原因，即水声信道结构中快变的随机扰动成分不足，从而导致模型无法实现充分的训练并学习到特定水声环境中的信道统计信息。基于此分析，本文提出了一种基于经验模态分解(Empirical mode decomposition，EMD)数据增强的水声信道估计方法。实验结果表明了所提数据增强方法能够有效缓解水声信道样本不足造成的过拟合问题，同时在性能上逼近以均方误差为目标函数的统计意义最优解。此外为了解决信道标签标定困难，本文提出一种基于无标签学习的水声信道估计方法，该方法通过调整机器学习训练阶段的损失函数，避免了真实信道信息作为标签的出现，实验结果表明了所提方法的有效性。　　4.水声信道时空变化明显，水声环境失配场景下的机器学习模型迁移难度大，迁移过程中的模型性能刻画和描述缺乏具体的量化过程。针对环境失配过程中的水声信道，本文分别围绕水声信道变化时的偏移量以及特定环境中的水声信道扰动进行了量化分析。其中主要工作是建立了信道相对偏移率(RelativeDis

关键词： 沉水植被   水下光环境   响应机制   PCLake模型   遗传算法  

摘要： 沉水植物是维系浅水湖泊生态系统健康的核心生态组分,异龙湖为典型的高原浅水湖泊,已有研究显示异龙湖近10年里发生了明显的沉水植物消亡与恢复现象,其中2009年沉水植物大面积消亡、2013年又明显恢复,导致异龙湖沉水植物在短期内显著变化的原因尚未有明确的结论。为探讨影响异龙湖沉水植物生长消亡的关键驱动因子,并为异龙湖沉水植物管理提供依据,本研究以异龙湖为研究对象,收集获得了近25年的总磷、总氮,水深、温度,透明度等水质数据,并通过遥感图像反演了近30年的沉水植被盖度变化数据,利用广义相加模型、决策树、结构方程等方法统计分析影响异龙湖沉水植被近些年变化的主要驱动因子,建立异龙湖生态系统模型,模拟在不同程度的驱动因子下沉水植被的生长情况,研究结果如下:(1)基于Landsat TM/ETM+/OLI遥感影像,构建了一种基于最大合成年NDVI和最小合成年NDVI的决策树分类模型,对1995年至2020年异龙湖水生植物演化过程进行了遥感反演,分类的总体精度达到90.09%,Kappa系数为0.8392;(2)1995-2020年异龙湖沉水植被变化明显,1995-2004年,异龙湖沉水植被呈显著的上升趋势,在2004-2012年,沉水植被覆盖率存在较大波动,但年际间变化的趋势不明显。而在2012-2020年,植被覆盖率呈显著的下降趋势。通过广义相加模型,决策树和结构方程模型的分析,发现异龙湖中,总磷(TP)、水下光照强度和氨氮(NH4)均与水下植被生长显着相关,其中水下光照环境用透明度与水深的商来进行衡量,即SD/Depth是沉水植被生长的主要驱动因子,其中水深(Depth)对沉水植被的影响最为显著。(3)在PCLake模型校准中使用遗传算法代替往常的随机取值寻找最优参数的方法,对PCLake模型进行敏感参数校准,通过2017年的检测值和拟合值的比较,多代筛选获得19个敏感参数的具体取值。利用2018年的实测水质数据和水体特征数据(DO、SD)对模型进行验证分析,通过RMSE值判定实测值与模拟值的拟合程度。模型具有较好的模拟结果。在模型预测方面结果表明虽然水深的增加会相应的降低湖泊的总磷总氮等营养物质浓度,但水深的变化反映到沉水植物生物量的变化仍十分明显。低水位运行下沉水植物的生物量呈现出了逐年递增的情况。高水深下的沉水植被出现了减少的趋势。保持合适的水深有利于异龙湖沉水植被的生长。

关键词： 充电桩   模糊聚类   劣化度   正态云   贴合度  

摘要： 近年来,随着世界逐渐转向更低碳环保的技术,电动汽车作为替代传统汽车的一种环保解决方案脱颖而出,使得公众对于充电桩的需求日益增大。现有公共充电桩一般在停车场、加油站,值班人员较少或无人看守,存在数量大、位置分散等特征,因此充电桩的功能需要自动化水平更高、安全可靠性更强、维护更简便,以降低运行和维护成本并提升充电桩的使用效率。本文针对以上问题,在充电桩积累的历史数据和故障信息基础上,提取状态评价特征指标,并对各指标进行分析,得到其阈值和置信度;再对充电桩的运行状态进行实时评估,通过模糊聚类算法和动态劣化度相结合将待识别的充电桩类别划分为健康充电桩、亚健康充电桩、异常充电桩和严重充电桩;建立基于SVR回归算法的充电桩特征指标预测模型,根据预测模型相对误差变化趋势完成充电桩状态到趋势的预测;最后引入正态云模型,根据充电桩的实时在线监测数据完成充电桩从趋势到故障的预测。通过层次分析法赋予特征指标权重,并采用变权理论算法对充电桩发生劣化指标常权重进行修正。提出动态劣化度的概念,能够根据充电桩各特征指标实时数据和变化趋势对充电桩归一化后的各特征指标参数进行修正,再按照模糊聚类综合评价问题的最终目标是“非零最低模糊隶属度等级项”最小的原理,对充电桩进行实时状态划分。获取充电桩各评估指标回归预测的相对误差变化趋势序列,针对模糊聚类综合评价法在充电桩状态边界问题上随机性的不足,引入正态云模型,从相对误差变化趋势序列中提取正态云和异态云的数字特征,最后依据云模型中的最大贴近度对充电桩故障进行预测,从而初步建立起基于国家电网公司的智能充电桩大数据预测故障应用体系,最终达到有效地预防与减少充电桩故障发生率的目的,优化充电桩维修体系,降低充电桩故障对电动汽车造成的不良影响。

关键词： 第一性原理计算   结构预测   机器学习势场模型   高斯过程回归算法   硼团簇   CALYPSO  

摘要： 团簇作为连接微观世界与宏观世界的桥梁,其由数量不等的分子或是原子组成。团簇由于表面效应和量子限制效应,其表现出来的物理与化学性质与晶体迥然不同,而且其物理化学性质以及基态结构的构型与团簇的尺寸是紧密相关的。团簇领域的重要问题之一是团簇的生长模式的探索,然而对于小尺寸体系而言,我们可以通过第一性原理计算方法进行理论模拟,但是对于大尺寸体系,我们就显得束手无策了,这是一直困扰着科学家们的问题。硼元素由于其“缺电子”特性,导致原子之间的成键模式非常复杂,不同尺寸下的硼团簇的基态结构构型吸引着诸多科学家对其进行研究。目前,硼团簇已经发现了许多的基态候选结构的构型,且构型之间存在着竞争的关系,这使大尺寸的硼团簇的基态结构探索变得极具挑战性。但是,受限于计算开销,我们很难对大尺寸的硼团簇体系展开大规模的基于第一性原理计算的理论模拟。基于第一性原理计算的理论模拟已经成为结构预测领域的一种主要手段,其能够准确地预测结构的许多物理性质,能够帮助我们克服苛刻的实验条件的桎梏。如今,随着理论模拟的需求不断增加,即大尺寸体系的大规模模拟,我们在采用第一性原理计算方法进行理论模拟的过程中不得不面对其昂贵的计算开销,很难对大尺寸的体系展开计算,而采用经验势模型,其可移植性以及精度都大大限制了其应用范围。至此,对于大尺寸体系而言,发展一个精度高且计算开销小的原子间势能面模型是必不可少的。近年来,机器学习方法的蓬勃发展为科学家们解决此问题提供了一种全新的思路,即发展机器学习势场模型,不但可大大减小计算开销,提高计算效率,同时可以保证很高的精度。在本文的研究工作中,我们主要实现了以下两项工作:第一:我们搭建了基于高斯过程回归算法的机器学习势场模型,即高斯回归势场模型。通过验证集的表现,以及与成熟的神经网络模型之间的对比,证明了其有效性。第二:我们针对大尺寸硼团簇体系,展开了大规模的基态结构搜索。我们采取课题组自主研发的CALYPSO结构预测方法与第一性原理计算方法相结合的方案,产生了17616个硼团簇B_n（n=10–84）的数据集以此来进行机器学习势场模型的拟合。首先,我们在硼团簇Β101体系上,进行了测试,证明方法的可信度。随后,对于硼团簇B_n（n=58-108）,我们计算得到了不同尺寸下的基态候选结构,并以此谈论了大尺寸硼团簇B_n（n=82-108）的生长模式。本文的方法为结构预测领域的理论模拟提供了一种新的思路,本文的数据结果则为大尺寸硼团簇体系的生长模式的探索提供了参考价值。

关键词： Machine learning   Marine mammals   Remote sensing   Underwater acoustics  

摘要： Underwater acoustic data contain a myriad of sound sources that include marine life such as marine mammals, fishes, and crustaceans; man-made such as ships, sonar, airguns, and wind farms; as well as natural geophysical processes such as earthquake, hurricane, and volcanic eruption. Monitoring these acoustic events are important for many ocean applications, such as biology and ecology, where acoustic sensing of marine mammal and fish sounds is used to infer their behavior and distributions; ocean environmental compliance and mitigation in hydrocarbon prospecting; maritime surveillance and defense; as well as in geophysical environmental monitoring and prediction. Substantial volumes of underwater acoustic data are usually acquired in passive ocean acoustic waveguide remote sensing experiments with a large aperture coherent hydrophone array system. The human effort required to manually analyze underwater acoustic data limits the applications, especially when data is acquired using a large aperture coherent hydrophone array since beamformed signals in multiple distinct directions need to be analyzed. Developing automatic, accurate and fast algorithms for detection and classification of underwater acoustic events can help minimize the human effort for underwater events monitoring, enabling real-time processing and analysis, and hence aiding rapid scientific discoveries at sea. Among underwater acoustic events, marine mammal vocalization classification is one of the most challenging problems due to their transient broadband calls, high variation in the calls of a specie (intra-class variation), and high similarity between the calls of some species. Marine mammal produced sounds are related to different activities including communication between whales for breeding or feeding purposes, sexual behavior, echolocation, navigation, as well as physical activities including sea surface breaching and slapping motions. In this thesis, we investigate machine learning approaches f

关键词： 机器学习   分类   回归   LAMOST   APOGEE   恒星表面有效温度  

摘要： 机器学习是目前非常流行且高效的方法,具有分类和回归的功能。它们能够识别或近似出多维特征空间中的复杂非线性模型,为天文学中的一些复杂问题提供了新的解决方案。本文主要利用机器学习中主流算法研究恒星/星系/QSO分类、恒星光谱类型分类以及估算恒星表面温度。具体研究工作如下:本文利用6)近邻算法(6)NN)、决策树(DT)、随机森林(RF)和支持向量机(SVM)在LAMOST DR5上进行恒星/星系/QSO分类。选择u,g,r,i,z,J,H作为算法输入特征。结果表明,以上四个算法模型能够以～95%的准确度识别星源类型。筛选出恒星后,本文继续借助上述四个主流机器学习算法去识别恒星的光谱类型(G,K,M,F,A)。结果显示,四个算法模型的ROC(receiver operating characteristic)曲线下面积都接近1,这四个模型都能在一定程度上识别恒星光谱类型。RF和SVM的识别精度高于6)NN和DT的识别精度。随机森林能够以～73%的准确度识别恒星光谱类型。究其原因,G星和F星交叉错分严重,这两星的预测效果不如其他三星。本文使用随机森林去估算恒星表面有效温度。恒星主要来源于SDSS DR16的APOGEE和LAMOST DR6。此外,本文还对比分析了两种输入特征集的预测效果。当采用NUV-u、u-g、g-r、r-i、i-J、J-H、H-K、K-WISE＿4＿5作为算法输入特征时,随机森林在APOGEE恒星上的准确度高达94.91%,其估算的温度与标准给定的温度的标准偏差为93.89K;随机森林在LAMOST恒星上的准确度高达90.46%,其估算的温度与标准给定的温度的标准偏差为113.10K。当采用NUV-J、J-H、H-K、K-WISE＿4＿5作为算法输入特征时,随机森林在APOGEE恒星上的准确度高达94.37%,其估算的温度与标准给定的温度的标准偏差为96.59K;随机森林在LAMOST恒星上的准确度高达88.89%,其估算的温度与标准给定的温度的标准偏差为119.92K。与前者相比,精度不会降低太多且NUV、J、H、K、WISE＿4＿5均来自于全天观测,可以更广泛地应用于恒星有效温度的估算。而且,J-H是估算有效温度最重要的特征,其次是NUV-J。NUV是一个不可忽略的波段。

关键词： 随机森林   支持向量机   人工神经网络   逐步线性回归   土壤容重  

摘要： 传统测定土壤容重的方法不仅费时费力,而且不适用于区域大尺度土壤容重估算。土壤转换函数,因追寻高效的运算效率从而无法保证在全部的变量组合中得到最优变量组合。由于机器学习方法克服了参数和非参数统计方法的缺点,如空间自相关、非线性和过拟合,有利于提高空间模型的估算精度,并适用于区域大尺度土壤容重估算。因此为真实的反映我国大陆区域自然状态下的土壤容重空间分布,研究对区域大尺度上土壤容重的快速估算,本文进行了以下研究: (1)本文选取一个实例,采用随机森林、支持向量机、人工神经网络模型对土壤容重进行估算,来评估不同方法间估算土壤容重的估算精度,该实例数据集为全国第二次土壤普查数据,该数据集是目前内容较为全面的土壤属性数据。研究按不同土层深度进行土壤容重估算,分别为土层0～40cm、土层40～100cm、土层0～100cm。在土壤容重影响因子的相关性分析结果发现,在各土层中,其土壤容重与土壤有机质的相关性最好,相关系数均大于0.5。在该实例中,综合均方根误差(RMSE)、标准预测误差(SDPE)、平均预测误差(MPE)值和决定系数(R2)来看,在不同土层中(0～40cm、40～100cm、0～100cm),随机森林模型模拟效果均表现最佳。其中基于随机森林模型构建的表层土壤容重估算模型(40～100cm)的估算精度最高,决定系数R2为0.53、RMSE为0.1471 g/cm3,SDPE 为 0.1475 g/cm3,MPE 为-0.0064g/cm3。另外,土层 40～100cm 的各机器学习模型对估算土壤容重有较好的估算精度,其随机森林模型的误差最小,均方根误差为0.1285g/cm3、标准预测误差为0.1328 g/cm3)、决定系数为0.82。 (2)最后将机器学习模型与国内外已发表的PTFs、逐步线性回归和空间插值方法进行横向比较。结果发现,在土层0～100cm、0～40cm、40～100cm中,机器学习模型的估算精度均优于线性回归模型、协同克里格插值模型,其RMSE、SDPE、MPE与线性回归模型、协同克里格插值模型相比,均降低了小数位,并且决定系数均大于线性回归模型、协同克里格插值模型。表明机器学习模型拟合效果更好,其在估算土壤容重方面性能更优,估算精度最佳,能较为真实的反映我国大陆区域自然状态下的土壤容重空间分布。 综上,本研究提出的机器学习方法对土壤容重估算有较好的泛化能力和估算精度,能较为真实的反映我国大陆区域自然状态下的土壤容重空间分布,研究成果对区域大尺度上土壤容重的快速估算具有一定的实用价值。

关键词： 飞蛾火焰优化算法   基于梯度的优化器   基于堆的优化器   核极限学习机   地震预测  

摘要： 演化算法是一系列受生物群体行为启发而设计的全局优化算法。相比于传统的梯度优化等算法,演化算法实现简单,具有较高的灵活性和鲁棒性,因此已经成为了现代优化算法不可或缺的一部分。近年来,研究人员提出了许多新颖的演化算法,其中包括飞蛾火焰优化算法(moth-flame optimization,MFO)、基于梯度的优化器(gradient-based optimizer,GBO)和基于堆的优化器(heap-based optimizer,HBO)。这些算法都借助群体智能的优势,使得在处理较为复杂问题时可以得到满意的结果。但是随着演化算法的应用范围不断扩大及其与其他学科不断交叉结合,这些算法在处理实际问题时暴露出容易陷入局部最优和收敛速度较慢等问题。本文在MFO、GBO和HBO的基础上,分别对其进行改进,并对改进后的算法进行多方面的性能分析。改进算法还在地震预测领域得到应用。研究内容包括:(1)在MFO的基础上,提出了一种双自适应权重MFO改进算法(weight moth-flame optimization,WEMFO)。WEMFO在算法的不同阶段自适应地调整搜索策略,使算法在全局搜索和局部搜索之间的转换更加灵活可靠。WEMFO与近年来提出的演化算法在30个基准函数上进行了比较实验,并且分析了WEMFO算法的可扩展性。(2)在GBO的基础上,引入高斯骨干机制(gaussian bare-bones mechanism,GBB)、反向学习机制(opposition-based learning,OBL)和飞蛾螺旋更新机制,提出了一种改进GBO算法(gaussian opposite moth-flame gradient-based optimizer,GOMGBO)。其中GBB应用了差分进化算法的思想,在高斯变异的同时采用分支选择结构,使得高斯变异后的向量不局限于局部最优解。OBL的实质是在处理问题时同时考虑事物的对立面。飞蛾螺旋更新机制模拟了飞蛾的夜间飞行模式,是MFO的算法核心,保证了GOMGBO在不陷入局部最优的情况下找到全局最优解。GOMGBO在30个基准函数上与许多著名的基础演化算法及改进的演化算法进行了比较实验。(3)在HBO的基础上,引入Rosenbrock旋转方向法(modified rosenbrock’s rotational direction method,MRM)、灰狼更新机制(grey wolf mechanism,GWM)和正交学习策略(orthogonal learning,OL),提出了一种新的改进HBO算法(graywolf orthogonal heap-based optimizer,MGOHBO)。在30个基准函数上,将MGOHBO与11个著名的原始和改进元启发式算法进行了比较。(4)将改进后的演化算法应用在地震预测领域。使用WEMFO,GOMGBO和MGOHBO三个算法分别优化核极限学习机模型(kernel based extreme learning machine,KELM)的两个参数,再将三个算法所求参数求均值,形成新的用于地震预测的混合KELM模型。