基于神经网络的反演算法研究

基于人工神经网络技术的多光谱遥感水深反演研究——以南海岛礁为例发布时间：2021-11-09T08:24:43.383Z 来源：《中国科技人才》2021年第23期作者：郑健1 文明2 陈鹏3 玉秋明4 [导读] 水深是保障船舶航行、开展港口码头和海洋工程建设、制定海岸和海岛规划的必要基础数据。

广西壮族自治区遥感中心广西南宁 530023摘要：利用多光谱遥感数据中的光谱特征与水深之间存在相关性，利用已知水深基准点，结合遥感影像成像时刻潮高，制作反演样本点，建立光谱特征因子与水深的非线性相关回归模型，由点及面，实现浅海水深反演。

本文依托中国自然资源航空物探遥感中心二级项目《南海重点区遥感综合调查及关键技术与标准研究》，从遥感影像光谱特征入手，通过神经网络模型获取光谱波段及波段组合等因素与水深的映射关系，映射关系隐藏在训练后的神经网络模型当中，将研究区光谱特征因子输入该模型中，得到研究区水深数据。

研究表明，利用人工神经网络技术的多光谱遥感反演中国南海岛礁周边浅海水深的方法有效可行。

关键词：人工神经网络；多光谱遥感；水深反演；南海岛礁1、引言水深是保障船舶航行、开展港口码头和海洋工程建设、制定海岸和海岛规划的必要基础数据。

浅海是集中了岛礁、浅滩等碍航危险物较多的海区，浅海水深测量对于保障船舶航运安全具有重要的意义。

常见的水深测量方法是利用安装在测量船上的测深设备和定位设备直接进行测量，需要测量船按计划测量航线在测量海区上进行航行，对于存在暗礁的危险海区、存在主权争议或被他国非法侵占的岛礁附近海区，往往无法完成水深测量工作。

随着我国海洋卫星技术的进步和发展，使用遥感观测海洋信息的能力得到增强，利用遥感数据进行海洋信息提取与要素定量反演逐渐成为新的研究课题。

发展基于卫星遥感信息平台的水深反演技术，并将其应用于获取存在危险或争议的浅水海区的水深已成为一种新颖的水深测量手段，对于航运安全，海洋开发，军事部署等具有重要意义。

Value Engineering0引言近年来，人口激增导致城市空间使用紧张、交通压力激增，为了缓解这一矛盾，城市空间正在向深度方向发展[1]。

地下城市空间工程受场地地质、水文、周边建筑物、地下管线限制，需要准确、有效地预测其深基坑的变形[2]。

目前数值模拟预测方法被广泛运用，获取准确的土体参数是确保预测精度的关键，而土体参数反演方法是获取参数的重要手段。

国内外学者对反演方法已经有了一定程度的研究。

Gioda 等[3]通过利用单纯形法、拟梯度法以及Powell 法等优化方法，对岩土体的力学参数进行反演。

Zhang 等[4]采用最小二乘法反演计算土体参数，利用反演后的土体参数预测挡土结构深层水平位移。

程秋实等[5]采用粒子群算法结合支持向量回归机对基坑土体参数反分析，结果表明反演效果良好。

在土体参数反演领域，尽管BP 神经网络被广泛应用，但其存在网络结构构建难度大和收敛速度慢等缺点。

为了解决这些问题，本文引入了PSO 算法和GA 算法，提出了PSO-GA-BP 神经网络土体参数反演模型，优化了BP 神经网络的结构和参数，从而提高模型的性能和准确性。

1PSO-GA-BP 神经网络尽管BP 神经网络在土体参数反演方面有着广泛的应用，但其存在网络结构构建难度大、收敛速度慢等缺点。

同时，GA 算法在参数设计中的并行机制发挥不足、PSO 算法在处理高维数复杂问题时可能出现早期收敛[6]，为了进一步提高土体参数反演的效率和准确性，这些都是需要考虑和改进的问题。

基于此，本文提出PSO-GA-BP 神经网络土体参数反演模型，其同时具有粒子群算法及遗传算法的优点，而且优化了BP 神经网络中存在的问题。

PSO-GA-BP 神经网络算法具体步骤如下，其流程图见图1。

①确定神经网络输入层、输出层及隐含层的节点数量。

②对适应度函数进行求解，据此来判断个体和群体的极限值。

③随机选择每个粒子2/3的位置，然后对粒子速度进行变异操作。

基于深度学习的反演方法在多波段雷达成像中的应用雷达成像技术是一种通过雷达信号来获取地面信息的方法，代表了现代成像技术的前沿。

在现代雷达成像系统中，多波段雷达成像技术被广泛使用，它具有更好的图像质量、更高的图像分辨率和更好的抗干扰能力。

而在实际应用中，如何通过雷达信号来准确反演目标物体的物理特性，一直是研究人员关注的热点问题之一。

基于深度学习的反演方法，因具有自适应性强、网络结构可扩展、反演能力强等多种特点，成为了雷达成像反演方法的主流发展方向之一。

一、多波段雷达成像技术概述多波段雷达成像技术是指通过使用多个跨越射频、微波、毫米波、红外等频段的雷达信号，来获取目标物体的散射特性，并通过数据处理算法来获取目标物体的空间分布信息。

在多波段雷达成像系统中，每个波段的特性和性能都不同，以气象雷达为例，不同波段的探测距离和探测能力也不同。

例如，S波段雷达波长短，适合探测小尺度极端天气系统以及强降水区域；而C波段雷达波长较长，适合探测中等规模的降水和气旋；X波段雷达波长更长，不易受云层干扰，适合对较远地区进行较为准确地点预测。

二、多波段雷达成像反演方法的挑战多波段雷达成像反演方法的主要挑战在于获得目标物体的物理特性参数。

首先是要提取目标物体的散射特性，即将雷达信号中的目标物体散射信号从总反射波中分离出来。

这需要借助信号处理技术提取目标物体的反射信号，并对反射信号进行解调、去噪等信号处理操作。

其次是要建立目标物体的反演模型，即建立描述目标物体与雷达信号相互作用的模型，并通过模型对目标物体的电学特性、等离子体参数或者其他需要反演的物理参数进行反演。

传统的多波段雷达反演方法大多依赖于人工设计的特征提取方法和机器学习算法，如支持向量机（SVM）、朴素贝叶斯分类器（Naïve Bayes）等，这些方法需要知道目标物体的特征集，而实际中目标物体特征集的选取和数量都是不确定的。

同时，这些算法在处理大规模数据时不能保证时间和空间的效率，算法的复杂度和实际应用难度都较大。

基于神经网络的大气物理参数反演研究随着随着人类的生活和经济的发展，大气污染越来越严重，天气变得越来越不稳定。

为了解决这些问题，针对大气的各项物理参数进行反演研究已成为目前的研究热点之一。

反演是物理学中的一种重要手段，即通过某些已知的参数或者实验结果来推断未知参数，从而达到对问题的解决。

在反演研究中，神经网络技术已成为一种重要的方法，通过人工神经网络来拟合大量数据，得到物理系统中未知的参数以及物理规律。

反演的过程常常比理论求解复杂得多，其中对于传感器数据的处理，并提取有用的信息是关键。

而神经网络作为主要的数据分析算法之一，其模仿神经系统的工作方式，通过大量数据的学习建立非线性输入输出关系，具有处理传感器数据的能力。

神经网络反演大气物理参数的一般步骤包括：数据准备、神经网络设计、神经网络训练以及神经网络反演预测。

首先，需要收集足够量的对应的气象数据来构建训练样本，这些气象数据通常包含环境温度、水汽压等，同时需要选择适当的神经网络结构来完成功能模板的构建。

在构建完好的神经网络之后，通过预先记录的数据集训练该网络以拥有预测能力。

最后，通过该神经网络进行反演预测，可以获取气象数据的预测结果。

对于反演大气物理参数，神经网络的应用最主要是针对常规气象参数的反演。

例如湿度、风速等参数反演，可以设置神经网络模型来输入主要气象参数，同时将反演问题转化为函数拟合问题，显著提高了反演的精度，并最大程度地减少了计算时间。

此外，对于大气化学反应机制的反演研究，神经网络还可以发挥重要作用。

目前，上传多几百种有机物质谱图，通过神经网络的学习、训练和反演的方法，可以预测这些物质的远红外谱。

而这些数据又可用于大气化学反应机理的研究。

另外，神经网络也有助于在复杂的结构材料中，从远径处测量的外场数据反推磁化率、电极反应机理等等。

神经网络反演的优势在于其云计算的特点，可以利用分布式的计算资源对海量的数据进行处理，同时也支持在线学习模式，可以逐步优化神经网络中的模型，并根据实时数据进行动态调整。

PINN（Physics-Informed Neural Networks）是一种新型的深度学习模型，它可以用于解决各种物理问题，包括偏微分方程的求解。

对于参数反演问题，PINN可以通过训练神经网络来学习物理系统的数据和物理定律，然后使用这些信息来反演参数。

以下是使用PINN解决N-S方程参数反演问题的一般步骤：
定义物理模型：首先需要定义描述流体运动的N-S方程，以及相关的初始条件和边界条件。

构建PINN模型：使用神经网络构建PINN模型，该模型将输入的参数（例如流体的密度、粘度和温度等）映射到输出（例如流场的速度和压力等）。

训练PINN模型：使用已知的物理数据训练PINN模型。

这些数据可以是实验数据、模拟数据或实际测量数据。

在训练过程中，可以使用反向传播算法和优化器来最小化模型输出与实际数据之间的误差。

参数反演：使用训练好的PINN模型进行参数反演。

给定一组初始参数，使用PINN模型预测输出结果，然后根据预测结果和实际数据之间的误差来调整参数。

重复此过程，直到找到一组参数使得预测结果与实际数据尽可能接近。

评估结果：评估反演得到的参数是否符合实际情况，以及PINN 模型预测的流场是否合理。

如果结果不满意，可以调整PINN模型的架构或训练过程，并重复上述步骤。

需要注意的是，参数反演问题通常是非线性的，并且可能存在多个解或无解的情况。

因此，在使用PINN进行参数反演时，需要仔细
选择合适的初始参数和优化算法，以确保找到的解是可靠的。