前言：中文期刊網精心挑選了卷積神經網絡的歷史范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
卷積神經網絡的歷史范文1
關鍵詞：圖像復原；盲復原；逆濾波；神經網絡復原
1 圖像退化及復原模型
1.1 圖像降質的數學模型
圖像復原處理的關鍵問題在于如何建立退化模型。假定輸入圖像f（x，y）經過某個退化系統后輸出的是一幅退化的圖像。為了方便討論， 把噪聲引起的退化（即噪聲）對圖像的影響一般作為加性噪聲考慮，這也與許多實際應用情況一致，如圖像數字化時的量化噪聲、隨機噪聲等就可以作為加性噪聲，即使不是加性噪聲而是乘性噪聲，也可以用對數方式將其轉化為相加形式。原始圖像f（x，y） 經過一個退化算子或系統H（x，y） 的作用，然后和噪聲n（x，y）進行疊加，形成退化后的圖像g（x，y）。圖像退化的過程可以用數學表達式寫成如下的形式：
g（x，y）=H[f（x，y）]+n（x，y）
n（x，y）是一種統計性質的信息下圖表示退化過程的輸入和輸出的關系，其中H（x，y）包含了退化系統的物理過程，即所要尋找的退化數學模型。
1.2 圖像的退化恢復模型
數字圖像的圖像恢復問題可以看作是：根據退化圖像g（x ，y）和退化算子H（x ，y）的形式，沿著逆向過程去求解原始圖像f（x ，y）， 或者說逆向地尋找原始圖像的最佳近似估計。
2 研究背景與意義
圖像復原是數字圖像處理技術的一個重要研究方向，在現實生活中，有著非常廣闊的應用前景和市場。數字圖像處理研究很大部分是服務于數字圖像復原的，而運動模糊圖像的復原又是圖像復原中的重要課題之一，從六十年代起就有人研究它。初期研究的主要原因是對衛星所拍攝的圖像進行復原，因為衛星相對地球是運動的，所拍出的圖像是模糊的（當然衛星所拍攝圖像的模糊原因不僅僅是相對運動而造成的，還有其他原因如大氣湍流所造的模糊等等）。美國的噴氣推進實驗室（JPL）對徘徊者飛行器發回的月球照片進行了圖像恢復處理。傳統的圖像恢復方法可以很好地恢復出來原始圖像，但是需要事先知道系統的先驗知識（例如系統的點擴散函數）。在先驗知識不足的情況下，如何恢復出來原始圖像？這就需要模糊圖像盲恢復技術。根據不同的應用背景和先驗知識，大致可以兩種方法恢復兩種類型的模糊圖像，以滿足不同的應用要求。
第一種方法：如何快速恢復模糊圖像，進行適時性圖像處理？這個技術在實際生活中有著廣泛應用。
第二種方法：如何在事先不能確定模糊系統點擴散函數的情況下，恢復模糊圖像，改善圖像的質量，這就是圖像盲恢復的問題。
3 國際國內研究發展和現狀
從歷史上來看，數字圖像處理研究有很大部分是在圖像恢復方面進行的，包括對算法的研究和針對特定問題的圖像處理程序的編寫。數字圖像處理中很多值得注意的成就就是在這兩方面取得的。
在六十年代中期，去卷積（逆濾波）開始被廣泛地應用于數字圖像恢復。這一階段對模糊圖像的研究主要是把因相對運動而拍攝的模糊圖像復原過來，從而增強人們的判讀能力。早期做圖像復原研究，主要強調盡可能使模糊圖像復原到原貌，增加它的判讀性，在此發展了很多的復原方法，諸如：差分復原、維納濾波等.這些方法各有特點，較好的解決了運動模糊圖像的判讀問題，但是在應用上均有一定的限制。
雖然經典的圖象復原方法不少，但歸納起來大致可分為逆濾波法，或稱相關變換法（ inv ersefiltering or t ransfo rm related techniques） 和代數方法（ alg ebraic techniques） 兩種。
3.1 傳統復原法
3.1.1 逆濾波方法
逆濾波法大致有經典逆濾波法、維納濾波法、卡爾曼濾波法等. 其中，在傅立葉變換域，經典逆濾波的變換函數是引起圖象失真的變換函數的逆變換，其雖在沒有噪聲的情況下，可產生精確的復原圖象，但在有噪聲時，將對復原圖象產生嚴重的影響，雖然濾波函數經過修改，有噪聲的圖象也能復原，但它僅適用于極高信噪比條件下的圖象復原問題； 維納濾波法是通過選擇變換函數，同時使用圖象和噪聲的統計信息來極小化均方復原誤差，這雖然在一定程度上克服了逆濾波法的缺點，但是維納濾波法需要較多有關圖象的先驗知識，如需要對退化圖象進行滿足廣義平穩過程的假設，還需要知道非退化圖象的相關函數或功率譜特性等等，而在實際應用中，要獲得這些先驗知識有較大的困難，為此，Ozkan 等人在研究圖象序列的復原問題時，提出了一種解決空間和時間相關性的多幀維納濾波法，是近年來維納濾波法的新發展； 卡爾曼濾波是一種遞歸濾波方法，其雖可用于非平穩圖象的復原，但是因計算量過大，而限制了其實際應用的效果。 Wu 和Kundu 又對卡爾曼濾波方法進行了改進，不僅提高了速度，并考慮了應用于非高斯噪聲的情況； Cit rin 和Azimi-Sadjadi 也對卡爾曼濾波方法進行了改進，提出了塊卡爾曼濾波方法； Koch 等提出了擴展卡爾曼濾波（ extended Kalmam filter） 復原方法，該方法可以較好地復原模糊類型不相似的退化圖象.除了上述的逆濾波方法外，還有參數估計濾波法，它實質上是維納濾波法的變種. 20 世紀90 年代初，又提出了基于遞歸圖象濾波的自適應圖象復原方法及合成濾波方法，它代表了濾波方法新的發展方向. 1998 年Kundur 等人首先明確提出了遞歸逆濾波（ recursiv e inv er se filter ing ） 算法 ，2000 年Chow 等人又進行了改進，即在代價函數中增加了空間自適應正則化項，從而很好地抑制了噪聲，并減少了振鈴現象，較好實現了在低SNR 條件下的盲圖象復原. 2001 年，Eng 等人結合模糊集的概念，提出了自適應的軟開關中值濾波方法，它能在有效地去掉脈沖噪聲的同時，很好地保存圖象的細節，是一種值得重視的新的圖象復原方法。
3.1 2 代數方法
Andrews 和Hunt 提出了一種基于線性代數的圖象復原方法。這種方法可能比較適合那些相對于積分運算，則更喜歡矩陣代數，而相對于分析連續函數，又更喜歡離散數學的人的口味。它為復原濾波器的數字計算提供了一個統一的設計思路。代數方法可分為偽逆法、奇異值分解偽逆法、維納估計法和約束圖象復原方法等。 其中，偽逆法，實質上是根據圖象退化的向量空間模型來找到引起圖象退化的模糊矩陣，但由于模糊矩陣總是很大的，因此在計算上往往不可行； 而奇異值分解偽逆法則是利用矩陣可分解成特征矩陣系列的思想，將模糊矩陣進行分解，由于簡化了計算，從而有利于模糊矩陣的估計計算，但在有噪聲存在時，經常會出現不穩定的現象； 維納估計法雖然考慮了噪聲的情況，但它僅適合噪聲是二維隨機過程，且已知其期望和協方差的情況。前面的方法僅把圖象看成是數字的陣列，然而一個好的復原圖象應該在空間上是平滑的，其在幅度值上是正的，而約束圖象復原方法就是將這些因素作為約束條件，如基于維納估計法和回歸技術而提出的圖象復原方法就是一種約束圖象復原方法，而且通過選取不同的約束參數和回歸方法可以得到不同的圖象復原算法。傳統的圖象復原算法或面臨著高維方程的計算問題，或要求恢復過程滿足廣義平穩過程的假設，這就是，使得具有廣泛應用價值的圖象復原問題沒有得到圓滿的解決的根本原因。
3.2 神經網絡圖象復原的方法
神經網絡圖象復原方法的發展方向自從神經網絡圖象復原首次提出十多年來，其研究在不斷地深入和發展，描述它的現狀已屬不易，展望它的未來更是困難，況且科學研究具有不確定性. 據筆者判斷，如下諸方面是亟待解決的問題，或研究活動已有向這些方面集中的趨勢。
3. 2.1小波神經網絡用于圖象復原將是研究的重點
自1992 年Zhang 提出小波神經網絡以來，如今已提出了各種類型的小波網絡，且小波與神經網絡的結合成了一個十分活躍的研究領域。通過學者們的理論分析和模擬實驗表明： 由于小波神經網絡具有逼近能力強、可顯著降低神經元的數目、網絡學習收斂的速度快、參數（ 隱層結點數和權重） 的選取有理論指導、能有效避免局部最小值問題等優點，因此將其用于圖象復原是一個值得研究的方向。將小波的時頻域局部性、多分辨性等性質，與神經網絡的大規模并行性、自學習特性等優點結合起來，不僅將使用于圖象復原的小波神經網絡具有自適應分辨性，也將使正則化參數的選取更具有自適應能力. 最終使復原圖象既能保持圖象的細節，又能很好地抑制圖象中的各種噪聲。
3.2.2細胞神經網絡、BP 網絡、自組神經網絡
值得進一步研究細胞神經網絡（ CNN ） 由于其具有易于硬件實現的特點，因而具有很強的商業價值，但由于其自身還有很不成熟的地方，因此值得深入地研究. 其研究方向有： 細胞神經網絡理論基礎的進一步完善及在此基礎上建立細胞神經網絡中鄰域系統的概念； 與圖象數據局部相關性等概念結合起來研究，以建立新的圖象復原理論，形成新的圖象復原技術。BP 網絡對受污染或帶噪聲的訓練樣本，不僅能進行正確的映射，且與其純樣本仍相似。 正是BP 網絡的泛化能力強，使它在解決圖象復原問題時，可能比其他神經網絡具有更好的潛在性能。 將BP 網絡用于圖象復原是很值得進一步研究的.大家知道，人腦的學習方式是“自主的”，即有自組織和自適應的能力的，即人腦能在復雜、非平穩和有“干擾”的環境及其變化的情況下，來調整自己的思維和觀念，還能根據對外界事物的觀察和學習，找到其內在的規律和本質屬性，并能在一定的環境下，估計到可能出現的情況以及預期會遇到和感覺到的各種內容及情況。 自組織神經網絡（SONN） 正是基于人腦的這些功能而生成的，由于它具有能從輸入的數據中，揭示出它們之間內在關系的能力，因此將其用于“盲圖象”的復原將是非常有利的。
3.2.3 需要提出更適合圖象復原的新神經網絡模型
小波神經網絡是為逼近任意非線性函數而提出來的，但為了圖象復原的需要，可考慮針對圖象復原的特殊情況，提出新的神經網絡模型。 如，因為大多數圖象是由平滑區域和輪廓細節組成的，其圖象數據在平滑區域雖具有較強的相關性，但與輪廓細節相鄰的數據應極不相關，所以，提出一種專用于圖象復原的“相關性神經網絡模型”是必然的期待； 再有，因為多項式具有較廣的擬合性和較好的收斂性，所以應提出的“多項式神經網絡”，將它們用于圖象復原也是值得研究的。
3.2.4 神經網絡與其他理論的結合
研究是尋求新模型、新方法的重要途徑目前神經網絡的研究正由單純的神經計算轉向計算智能，并結合腦科學的研究向生物智能方向發展。 為此，神經網絡圖象復原的研究也應考慮吸收模糊、分形、混沌、進化計算、信息融合等交叉學科的研究成果。 與模糊系統的結合將是一個重要的研究方向，因為，神經網絡與模糊系統有如下很多的相同之處： （ 1） 它們在處理和解決問題時，無需建立對象的精確數學模型，而只需要根據輸入的采樣數據去估計其要求的決策； （ 2） 在對信息的加工處理過程中，均表現出了很強的容錯能力； （ 3） 它們都可以用硬件來實現. 由此可見，將神經網絡與模糊系統結合，用于圖象復原將是有意義的研究工作。
4 未來展望
圖像恢復發展到現在，已經有了許多成熟的算法，但是還是存在許多問題，等待著我們去解決。目前圖像恢復的最新發展有：
1. 非穩圖像復原，即空間可變圖像復原。
2. 退化視頻信號的復原問題，以及攝像機拍照圖像復原，這是一個需要進一步研究的領域。
3. 運動補償時空復原濾波，同時將時間相關應用到運動補償中。
4. “Telemedicine“的出現，遠程診斷極大的依賴于遠程接受的圖像質量，圖像恢復在醫學領域中有相當重要的作用。
5. 模糊 PSF 的 Identification 仍然是一個困難的問題，尤其在空間可變的 PSF 的估計中。
6. 空間可變恢復方法，可以利用 Wavelets 和 Markov 隨機場等方法進行復圖像恢復，這是一個具有發展潛力的研究方向。
參考文獻
1 馮久超，黃海東. 基于神經網絡的盲圖象恢復[ J ] . 計算機科學，2000，27（ 1） ： 67～68.
2 Er ler K，Jernigan E. Adaptive image restorat ion using recursive image f ilters [ J ] . IEE E Trans actions on Signal Process ing，1994，42（ 7） ： 1877～1881.
卷積神經網絡的歷史范文2
前 言
雖然目前公眾媒體將無線通信炒的很熱，但這個領域從1897年馬可尼成功演示無線電波開始，已經有超過一百年的歷史。到1901年就實現了跨大西洋的無線接收，表明無線通信技術曾經有過一段快速發展時期。在之后的幾十年中，眾多的無線通信系統生生滅滅。
20世紀80年代以來，全球范圍內移動無線通信得到了前所未有的發展，與第三代移動通信系統（3g）相比，未來移動通信系統的目標是，能在任何時間、任何地點、向任何人提供快速可靠的通信服務。因此，未來無線移動通信系統應具有高的數據傳輸速度、高的頻譜利用率、低功耗、靈活的業務支撐能力等。但無線通信是基于電磁波在自由空間的傳播來實現信息傳輸的。信號在無線信道中傳輸時，無線頻率資源受限、傳輸衰減、多徑傳播引起的頻域選擇性衰落、多普勒頻移引起的時間選擇性衰落以及角度擴展引起的空間選擇性衰落等都使得無線鏈路的傳輸性能差。和有線通信相比，無線通信主要由兩個新的問題。一是通信行道經常是隨時間變化的，二是多個用戶之間常常存在干擾。無線通信技術還需要克服時變性和干擾本文由收集由于這個原因，無線通信中的信道建模以及調制編碼方式都有所不同。
1.無線數字通信中盲源分離技術分析
盲源分離（bss：blind source separation），是信號處理中一個傳統而又極具挑戰性的問題，bss指僅從若干觀測到的混合信號中恢復出無法直接觀測的各個原始信號的過程，這里的“盲”，指源信號不可測，混合系統特性事先未知這兩個方面。在科學研究和工程應用中，很多觀測信號都可以看成是多個源信號的混合，所謂“雞尾酒會”問題就是個典型的例子。其中獨立分量分析ica（independent component analysis）是一種盲源信號分離方法，它已成為陣列信號處理和數據分析的有力工具，而bss比ica適用范圍更寬。目前國內對盲信號分離問題的研究，在理論和應用方面取得了很大的進步，但是還有很多的問題有待進一步研究和解決。盲源分離是指在信號的理論模型和源信號無法精確獲知的情況下，如何從混迭信號（觀測信號）中分離出各源信號的過程。盲源分離和盲辨識是盲信號處理的兩大類型。盲源分離的目的是求得源信號的最佳估計，盲辨識的目的是求得傳輸通道混合矩陣。盲源信號分離是一種功能強大的信號處理方法，在生物醫學信號處理，陣列信號處理，語音信號識別，圖像處理及移動通信等領域得到了廣泛的應用。
根據源信號在傳輸信道中的混合方式不同，盲源分離算法分為以下三種模型：線性瞬時混合模型、線性卷積混合模型以及非線性混合模型。
1.1 線性瞬時混合盲源分離
線性瞬時混合盲源分離技術是一項產生、研究最早，最為簡單，理論較為完善，算法種類多的一種盲源分離技術，該技術的分離效果、分離性能會受到信噪比的影響。盲源分離理論是由雞尾酒會效應而被人們提出的，雞尾酒會效應指的是雞尾酒會上，有音樂聲、談話聲、腳步 聲、酒杯餐具的碰撞聲等，當某人的注意集中于欣賞音樂或別人的談話，對周圍的嘈雜聲音充耳不聞時，若在另一處有人提到他的名字，他會立即有所反應，或者朝 說話人望去，或者注意說話人下面說的話等。該效應實際上是聽覺系統的一種適應能力。當盲源分離理論提出后很快就形成了線性瞬時混合模型。線性瞬時混合盲源分離技術是對線性無記憶系統的反應，它是將n個源信號在線性瞬時取值混合后，由多個傳感器進行接收的分離模型。
20世紀八、九十年代是盲源技術迅猛發展的時期，在1986年由法國和美國學者共同完了將兩個相互獨立的源信號進行混合后實現盲源分離的工作，這一工作的成功開啟了盲源分離技術的發展和完善。在隨后的數十年里對盲源技術的研究和創新不斷加深，在基礎理論的下不斷有新的算法被提出和運用，但先前的算法不能夠完成對兩個以上源信號的分離；之后在1991年，法國學者首次將神經網絡技術應用到盲源分離問題當中，為盲源分離提出了一個比較完整的數學框架。到了1995年在神經網絡技術基礎上盲源分離技術有了突破性的進展，一種最大化的隨機梯度學習算法可以做到同時分辨出10人的語音，大大推動了盲源分離技術的發展進程。
1.2 線性卷積混合盲源分離
相比瞬時混合盲源分離模型來說，卷積混合盲源分離模型更加復雜。在線性瞬時混合盲源分離技術不斷發展應用的同時，應用中也有無法準確估計源信號的問題出現。常見的是在通信系統中的問題，通信系統中由于移動客戶在使用過程中具有移動性，移動用戶周圍散射體會發生相對運動，或是交通工具發生的運動都會使得源信號在通信環境中出現時間延遲的現象，同時還造成信號疊加，產生多徑傳輸。正是因為這樣問題的出現，使得觀測信號成為源信號與系統沖激響應的卷積，所以研究學者將信道環境抽象成為線性卷積混合盲源分離模型。線性卷積混合盲源分離模型按照其信號處理空間域的不同可分為時域、頻域和子空間方法。
1.3 非線性混合盲源分離
非線性混合盲源分離技術是盲源分離技術中發展、研究最晚的一項，許多理論和算法都還不算成熟和完善。在衛星移動通信系統中或是麥克風錄音時，都會由于乘性噪聲、放大器飽和等因素的影響造成非線性失真。為此，就要考慮非線性混合盲源分離模型。非線性混合模型按照混合形式的不同可分為交叉非線性混合、卷積后非線性混合和線性后非線性混合模型三種類型。在最近幾年里非線性混合盲源分離技術受到社會各界的廣泛關注，特別是后非線性混合模型。目前后非線性混合盲源分離算法中主要有參數化方法、非參數化方法、高斯化方法來抵消和補償非線性特征。
2.無線通信技術中的盲源分離技術
在無線通信系統中通信信號的信號特性參數復雜多變，實現盲源分離算法主要要依據高階累積量和峭度兩類參數。如圖一所示，這是幾個常見的通信信號高階累積量。
在所有的通信系統中，接收設備處總是會出現白色或是有色的高斯噪聲，以高階累積量為準則的盲源分離技術在處理這一問題時穩定性較強，更重要的是對不可忽略的加性高斯白噪聲分離算法同時適用。因此，由高階累積量為準則的盲源分離算法在通信系統中優勢明顯。
分離的另一個判據就是峭度，它是反映某個信號概率密度函數分布情況與高斯分布的偏離程度的函數。峭度是由信號的高階累積量定義而來的，是度量信號概率密度分布非高斯性大小的量值。
卷積神經網絡的歷史范文3
［關鍵詞］排水防澇;數據融合;澇情預警;數據可視化
1引言
近年來，暴雨等極端天氣給社會管理、城市運行和人民群眾生產生活造成了巨大影響，加之部分城市排水防澇等基礎設施建設滯后、調蓄雨洪和應急管理能力不足，出現了嚴重的暴雨內澇災害?！度珖鞘惺姓A設施規劃建設“十三五”規劃》提出“加快對城市易澇點整治”“建設暴雨內澇監測體系，提高內澇預報預警能力?！比绾渭皶r、準確、完整地掌握各個城市排水防澇工作進展，對城市排水防澇工作進行科學、有效的監督指導，成為住建部、省、市城建管理部門的迫切需求。大數據技術在海量異構數據融合、分布式數據處理與計算、數據可視化等方面具有優勢，［1］融合大數據技術與城市澇情監管預警業務，成為客觀分析排水防澇效果，科學指導城市安全度汛的有效方法。［2］
2應用需求
基于大數據技術，通過數據集成、互聯網信息爬取、傳感器采集等方式收集城市易澇點信息、城市降雨信息、城市澇情信息，為用戶提供綜合數據分析、可視化展現等服務，為城建管理部門監督、指導城市開展排水防澇工作提供支撐平臺。系統主要需求包括以下三方面:①準確、及時掌握城市降雨及澇情信息。能夠從氣象網站獲取全國主要城市的逐小時降雨信息。從門戶網站、微博等渠道爬取城市澇情相關信息，及時掌握全國各地澇情程度和影響;②城市澇情信息預警預測。綜合降雨量、城市防澇標準、易澇點治理進展、歷史澇情等信息，建立城市澇情預警分析模型，對全國城市未來澇情情況進行預警，指導城市排水防澇工作;③對降雨、積水、澇情等信息進行綜合利用，提供每日澇情情況匯總報告、澇情周報、澇情預警情況報告。輔助領導決策，滿足監督、指導各地開展排水防澇工作的需要。
3系統建設方案
3.1數據架構。排水防澇信息系統融合易澇點基礎信息、補短板項目進展信息、易澇點實時監測信息、城市澇情信息、城市降雨信息，形成排水防澇綜合數據庫，支撐排水防澇業務處理及科學決策需要。排水防澇數據體系包括:基礎數據、業務數據、決策分析數據三類:①排水防澇基礎數據:基礎數據包括代碼數據、基礎數據、空間數據?；A數據在排水防澇系統各模塊共享使用;②排水防澇業務數據:包括補短板項目業務進展數據、易澇點實時監控數據以及從互聯網、第三方采集的降雨數據、澇情數據、統計年鑒等排水防澇相關數據，為排水防澇分析決策提供支撐;③排水防澇決策分析數據:決策分析數據是依據數據分析與綜合決策要求，對排水防澇業務數據進行加工處理形成的數據，包括排水防澇統計數據、治理系統評價數據、澇情分析預測等數據。3.2技術架構。排水防澇信息系統利用大數據平臺的數據采集、存儲、計算、分析能力構建，由基礎設施層、綜合數據庫層、大數據技術支撐層、排水防澇應用層以及信息安全體系、數據指標體系組成，構建科學合理的數據分析、澇情預測模型，通過豐富、形象、易用的數據可視化技術，滿足排水防澇業務的數據應用需求。①基礎設施層:通過云計算技術，將網絡、計算、存儲、安全等基礎設施池化，為大數據支撐平臺、綜合數據庫、排水防澇應用提供穩定、可靠、高效的運行環境;②綜合數據庫層:將易澇點數據、澇情數據、降雨數據、監測數據等按照數據標準體系進行清理、轉換、加載等處理，形成滿足業務處理與分析決策的綜合數據庫;③大數據技術支撐層:滿足分布式環境下海量異構數據采集、存儲與資源管理、分布式計算框架、大數據分析與可視化展現等功能需求。主要的技術組件包括地理信息、信息爬取與搜索、數據挖掘、集成接入(ETL)、遙感遙測分析等;④信息安全體系:圍繞信息保密性、真實性、可用性(CAA)目標，參照信息系統安全機制構建涵蓋物理安全、網絡安全、應用安全、數據安全、管理安全的數據安全服務體系，為排水防澇信息管理提供安全的數據服務;⑤數據指標體系:建立排水防澇信息的數據標準、技術標準和管理標準，確定數據采集、數據集成、數據共享的技術路線，推動數據互聯互通與信息共享，形成排水防澇頂層數據指標體系;⑥排水防澇應用層:梳理排水防澇信息管理業務流程，按照數據指標體系要求，提供易澇點管理、澇情信息管理、降雨信息管理、綜合數據分析、業務一張圖、澇情預測等服務，滿足排水防澇業務需求。3.3功能架構。排水防澇系統主要功能包括:城市降雨信息管理、澇情報告生成、綜合展現一張圖、統計分析、基礎信息管理等模塊。①城市澇情預警。融合降雨數據、防澇標準、歷史澇情數據，構建澇情預警模型，提供城市澇情預警預測服務;②澇情報告生成。利用網絡爬蟲及語義識別技術，從微博、門戶網站等渠道采集城市澇情信息。提供城市澇情周報、日報等報告生成功能;③綜合展現一張圖?；诙SGIS地圖展現城市降雨、澇情以及易澇點位置、積水、視頻等數據，實現相關數據的綜合展現;④統計分析。從行政區域、時間等維度提供澇情分布、澇情趨勢對比分析等功能，通過統計圖表方式，實現數據的直觀展現和應用;⑤基礎信息管理。對城市防澇標準、易澇點位置、監測設備等基礎信息進行管理，為規范城市澇情、降雨、積水等信息提供支持。
4關鍵技術
4.1澇情信息爬取與識別技術。4.1.1澇情信息爬取。通過爬蟲采集數據主要包括三種方式:定向采集、擴展采集以及源搜索。定向采集是指限定站點或者頻道來搜索，實現精確的數據采集;擴展采集是指通過設定采集的起始點和采集的深度來實現比較精確的數據采集;源搜索是指利用搜索引擎(如百度、搜狗、360等)，通過設置關鍵詞組來實現數據的非精確采集。本項目采用定向采集方式。按照數據采集范圍、關鍵詞持續采集數據，并對重復數據進行去重，能夠根據語義過濾垃圾數據。分布式城市澇情信息爬蟲體系包括如下四部分:①系統管理控制臺:對爬蟲系統部署的軟硬件資源進行監控及動態管理，包括服務器資源及網絡狀況、爬蟲進程運行情況以及異常事件處理等;②爬取規則定義:能夠依據網絡爬蟲的運行狀況和信息爬取效果對爬取規則進行定義及優化。主要定義的爬取規則包括:爬取范圍、優先策略(深度、廣度)、分析詞策略(關鍵詞、剔除詞)、爬取頻率等;③功能中間件:主要包括爬取中間件、爬取防屏蔽中間件、數據存儲中間件等，提供數據采集、分析、避免反爬取策略、數據存儲及查詢服務;④分布式基礎設施:采用“主從”模式構建，主節點將爬取、分析任務在從服務器動態分配，并建立異常處理機制，實現爬蟲高效、穩定運行。4.1.2澇情信息識別。網絡爬蟲依據“大雨、內澇”等關鍵字采集的輿情數據不都是有效澇情信息，存在大量噪聲。為了提高爬蟲獲取澇情數據的準確率，構建了“正則關聯”與機器學習算法結合的澇情信息識別模型。通過機器學習算法進行語義理解，建立爬蟲抽取的數據類別庫，即判讀每一條數據是否與洪澇相關，從而將樣本庫分為兩類。通過卷積神經網絡(CNN)和循環神經網絡(RNN)提取文本上下文語義特征信息，依據屬性特征對其進行分類，判別爬取的內容是否屬于澇情相關的數據。該模型進一步提高了澇情數據的精準度。4.2城市澇情預警預測技術。以降雨預報、歷史降雨信息、歷史澇情信息、排水防澇標準、易澇點治理進展為主要因子構建城市澇情預測模型，將風險劃分為“最高”“高”“較高”“一般”“無”5種等級，并三天內各城市的風險預警，為指導城市內澇工作提供決策依據。通過接入澇情城市、基于內澇點的降水實況及預報、覆蓋內澇城市的降水實況及預報等數據，通過滾動計算方法，將其與城市防澇標準做對比，通過制定風險預警策略，預判城市澇情風險和易澇點澇情風險，并實時澇情預警信息。4.3排水防澇數據可視化技術。通過大數據技術融合城市澇情輿情信息、城市降雨信息、城市澇情監控實時信息，利用專題一張圖、報告生成等方式實現多維度疊加式數據可視化，更好地服務綜合管廊建設管理部門的規劃和決策。①排水防澇專題一張圖?；贕IS的業務多圖層綜合展現，將全國易澇點、降雨和澇情信息集中在一張圖，關聯降雨對澇情的影響，科學評估易澇點治理效果;②排水防澇業務分析報告:面向不同用戶的業務需求，按照報告模板要求的格式、數據快速生成分析報告。報告采用文字、表格、統計圖等多種數據展現形式，內容包括降雨分布情況、澇情分布情況、降雨與澇情關系分析等。
5結論
文章研究大數據在城市澇情監管預警領域的應用方案，充分發揮大數據在分布式、海量、異構數據采集、存儲、處理、分析方面的優勢，改變傳統信息采集方式，融合易澇點數據、降雨數據、澇情數據、補短板項目數據，實現“填報型”到“監控型”應用的轉變，構建城市排水防澇效果評價、澇情預測等數據分析應用模型，為促進排水防澇工作提供有力支撐。
參考文獻:
［1］孫敏，王琳.大數據時代下的數據可視化方法分析［J］．軟件，2019，40(9)．
［2］張麗虹.大數據背景下城市排水防澇設施動態管理系統設計［J］．工程管理與技術，2018(4)．
［3］薛祥光，蔣世峰，李萌，等.GIS在城市排水防澇中的應用趨勢［J］．科技視界，2016(1):71－72.
［4］侯圣巒，劉磊，曹存根.基于語義文法的網絡輿情精準分析方法研究［J］．計算機科學，2014(10)．
［5］郝瑩，陳靖，王元，等.基于高時空分辨率降水預報產品的城市內澇預警研究［J］．暴雨災害，2019(3)．
卷積神經網絡的歷史范文4
【關鍵詞】圖像復原；正則化；GMRES；約束最小二乘
1 國內外研究現狀
用迭代方法處理各種反問題已有悠久的歷史。但是研究表明，使用迭代方法求解反問題，有時會出現所謂的“半收斂”現象，即在迭代的早期階段，近似解可穩定地得到改進，展現出“自正則化”效應，但當迭代次數超過某個閾值后便會趨向于發散。因而，使用迭代法求解的關鍵是要尋找一個恰當的終止原則，在迭代次數和原始數據誤差水平之間找到平衡值。研究表明，迭代指數，即迭代步數正好起到正則化參數的作用，而這個終止準則對應著正則化參數的某種選擇方法。并且使用迭代方法求解還有很多優點，因此，在正則化問題求解中通常選用迭代的方法，常用的迭代方法有：Landweber迭代法、VanCittert迭代方法、最速下降方法和迭代Tikhonov正則化的求解方法，以及正則化方法的快速數值實現。
2 基于解空間分解的GMRES 算法及圖像復原應用
2.1 正則化模型與圖像復原
設F和U分別表示度量空間，度量為ργ和ρμ，算子A：F到U映F到U，則該問題變為線性反問題（當A為線性算子時），或非線性反問題（當A為非線性算子時）?！安贿m定性”（病態性）是所有反問題所具有的一個共同的特性。一般情況下，不適定性是反問題本身的固有特征：如果問題的先驗信息是未知的，那么就無法得到理想的結果。因此，我們應該盡可能多的收集先驗信息，最大限度的復原原問題。通常，人們將求解反問題（不適定問題）的理論和方法稱為正則化方法。對于圖像處理問題，由于涉及到大規模的方程組求解，法方程的維數太大，此時再應用代數方法求解就會遇到一些難以實現的技術問題，而選用正則化方法不但可以克服上述缺點，還具有某些優點，當問題從無窮維度變到有限維度時，迭代求解不會影響系數結構，而且能夠起到節約運算空間的效果。這些優勢在大規模計算中非常有利。
對于圖像恢復的病態性問題，利用正則化思想進行圖像復原時，需要利用先驗信息，構造某種約束條件，使用數理統計方法，將圖像復原這一不適定問題轉變成適定問題，進而使得近似解滿足適定性的三項約束，這也是正則化方法的優勢所在。
2.2 解空間分解的廣義極小殘量算法
在對線性方程組Ax=b，A緊算子，進行求解時，為了盡可能減少存儲空間和計算開銷，Krylov子空間迭代法是求行之有效的方法。當系數矩陣A對稱正定，共扼梯度法（CG）或預共轆梯度法（PCG）可快速準確求解該方程組的近似解；當A對稱但不正定時，極小殘量法或預極小殘量法則能有效求解方程組。對于一般的非對稱矩陣，常采用廣義極小殘量法、共扼梯度法來求解。GMRES算法利用Arnold過程產生Krylov子空間Kj的正交基，Arnold過程中每次迭代運算，都要調用所有前面的迭代所產生的正交基來生成下一個正交基。
2.3 光學圖像復原結果
對于方程Ax=b，利用基于解空間分解的加速GMRES 算法迭代求解。計算步驟如下：
Step1.置初始值x0=0，并令δ=10-8；
Step2.用解空間分解的加速GMRES 算法迭代求解式Ax=b，在第j步的值為xj；
Step3.若■≤σ，終止迭代；否則置 j=j+1，繼續進行Step2。在迭代運算中，正則化參數αj=15，■隨著迭代的進行自動更新。
圖像復原實驗中處理的是256*256尺寸的0-255灰度級的liftingbody圖像。用改進信噪比來衡量算法的復原性能。從復原之后的對比效果看，共扼梯度法（CG）并不能有效的抑制模糊退化，復原結果仍然比較模糊，圖像邊緣有振鈴波紋出現。解空間分解的加速GMRES算法復原結果的邊界紋路比較清晰，很好的顯示出原圖像邊緣細節部分，與此同時，振鈴波紋因為加窗處理得到有效抑制，整體視覺效果很好。
3 線性代數方法與圖像復原應用
在涉及到復雜矩陣和向量的離散圖像復原模型中，可以從線性代數方法中得到一種效率較高的求解方法，常用的方法是約束最小二乘法。對約束最小二乘法進行改進，根據先驗信息，把正則化思想和約束最小二乘法等有機結合在一起，并將其運用到離散圖像復原中，得到的約束最小二乘的空域迭代法可以出色的抑制噪聲，而且在噪聲很強是也可以得到很好地復原結果。
將正則化思想與約束最小二乘法相結合，繼而復原退化圖像。通過對噪聲能量的限制來使用正則化理論，運用空域迭代時很好的抑制了噪聲放大現象，同時克服了病態性，而且計算速度得到了提升。實驗數據表明，本方法更適合復原污染程度較大的圖像，但不適合復原模糊程度較大的圖像。
4 總結與展望
圖像復原近年來受到了越來越廣泛的關注，正則化方法理論的發展也越來越得到完善，許多學者從模型上、理論上、應用上分別展開了對于正則化的圖像復原的深入研究，本文的研究雖然力求有較強的實用性，但是由于受到多方面的限制，在理論和工程應用等方面仍存在很多的待豐富和改進之處，需要在以后的工作中繼續深入研究。
首先，要加深對觀測圖像的先驗信息的挖掘，因為如果能夠有效利用先驗信息，就能極大的改善估計精度以及問題的病態性。要充分的利用各種先驗知識，構造更加精確地目標泛函，設計出更加優良的算法，同時要充分分析現有正則化參數的選擇方法，結合各個方法的優缺點，構造出更加高效的正則化算子；要注意噪聲擴大與圖像復原的平衡，充分利用成像時的分段平滑性質，去除圖像邊緣模糊和振鈴現象。其次，要注重正則化圖像復原方法與其他圖像復原方法的有機結合?，F階段，神經網絡、小波分析和遺傳算法等新式的算法在圖像復原方面取得了極大的進展，如果能夠將這些理論結合在一起，形成優勢互補，一定能得到性能更好的圖像處理算法。
【參考文獻】
[1]肖庭延，于慎根，王延飛.反問題的數值解法[M].北京：科學出版社，2003.
[2]鄒謀炎.反卷積和信號復原[M].北京：國防工業出版社，2001.
