三种森林生物量估测模型的比较分析

森林生物量的定量估算为全球碳储量、碳循环研究提供了重要的参考依据。该研究采用黑龙江长白山地区的TM影像和133块森林资源一类清查样地的数据, 选取地学参数、遥感反演参数等71个自变量分别构建多元逐步回归模型、传统BP (back propagation)神经网络模型和基于高斯误差函数的BP神经网络改进模型(Gaussian error function, Erf-BP), 进而估算该地区的森林生物量, 并进行比较分析。结果表明, 多元逐步回归模型估测的森林生物量预测精度为75%, 均方根误差为26.87 t·m^-2; 传统BP神经网络模型估测森林生物量的预测精度为80.92%, 均方根误差为21.44 t·m^-2; Erf-BP估测森林生物量的预测精度为82.22%, 均方根误差为20.83 t·m^-2。可见, 改进后的Erf-BP能更好地模拟生物量与各个因子之间的关系, 估算精度更高。     

遥感在森林地上生物量估算中的应用

生物量是地表C循环研究的重要组成部分,生物量研究有助于深入认识区域乃至全球的C平衡。森林作为地球最重要的陆地生态系统,区域乃至全球尺度的森林地上生物量估算一直是生态学研究的难点之一。在大的空间尺度上,遥感技术是估算森林地上生物量的有效手段。TM、AVHRR、SAR等数据以及多源数据的融合在森林生物量估算方面广泛应用,并取得了显著效果。运用遥感技术进行森林生物量估算时,所采用的数据源不同,分析方法也不相同,主要分析方法有:相关分析、多元回归分析、神经网络和数学模型模拟等。随着测定不同空间、时间和波谱分辨率的各种传感器的广泛使用,以及生物量遥感估算模型的进一步发展和完善,大尺度森林生物量的遥感估算研究必将向前迈进一大步。     

基于BP神经网络模型的平潭岛植被景观模拟

以GIS为技术平台,利用Matlab7.0,选用2km×2km网格图对平潭岛植被景观进行切割,得到50个样方数据,其中,44个用于模型训练,6个用于模型检验,在此基础上,选取分维数、Shannon多样性指数、蔓延度指数作为模型输出数据,选取居民点个数、风速和距海边距离作为影响因素,建立平潭岛植被景观的BP神经网络模型,并进行误差检验.结果表明:影响平潭岛植被景观空间格局和植被多样性状况的主要因素为风速、距海岸距离,人为因素对研究区植被景观的空间连接程度造成较大影响.BP神经网络模型对研究区植被景观与环境及人为影响因子之间关系的拟合与实际情况基本吻合,平均误差为7.4%,最小误差仅0.2%,模型模拟误差较小,拟合度较高,可用于对研究区植被景观的定量预测模拟.     

时延细胞神经网络的全局稳定性分析

本文利用 Ｌｙａｐｕｎｏｖ泛函方法和一些分析技巧得到了一类时延细胞神经网络ＤＣＮＮ全局渐进稳定性的若干新的判据；这些判据可用于设计出全局稳定的各种动态网络，且在信号处理，特别是动态图象处理中具有重要的意义．     

基于卷积神经网络的超声影像肝癌自动分类

目的 针对从原发性肝癌中检测肝细胞癌（HCC）的灵敏度不高和诊断结果高度依赖放射科医生的专业性和临床经验，本文利用深度卷积神经网络（CNN）的方法自动学习B超和超声造影（CEUS）图像中的特征信息，并实现对肝癌的分类。方法 建立并验证基于CNN的多个二维（2D）和三维（3D）分类模型，分别对116例患者（其中100例HCC和16例非HCC）的B超和CEUS影像进行定量分析，并对比分析各个模型的分类性能。结果 实验结果表明，3D-CNN模型的各方面性能指标都优于2D-CNN模型，验证了3D-CNN模型能同时提取肿瘤区域的2D影像特征及血流时间动态变化特征，比2D-CNN模型更适用于HCC与非HCC分类。其中3D-CNN模型的AUC、准确率和敏感度值最高，分别达到了85%、85%和80%。此外，由于HCC和非HCC样本不均衡，通过扩充非HCC样本的数量可以提升网络的分类性能。结论 本文提出的3D-CNN模型能够实现快速、准确的肝癌分类，有望应用于辅助临床医师诊断与治疗肝癌。     

一类Hopfield型时滞神经网络模型的全局渐近稳定性

用拓扑度和Lyapunov泛函方法，讨论了一类具有时滞的Hopfield神经网络平衡点的存在性及其全局渐近稳定性．所获得的若干判别条件，都去掉了有关文献中关于激活函数的可微性和有界性限制，增强了模型的适用性．     

基于径向基函数神经网络的肺部加权频差电阻抗成像方法

目的 对肺通气过程进行床旁实时连续图像监控，是机械通气患者和临床医生的迫切需求。肺部电阻抗成像（EIT）可反映呼吸引起的胸腔电特性变化分布，在肺通气监测方面具有天然的优势。本文目的在于建立基于径向基函数神经网络（RBFNN）的肺部加权频差电阻抗成像（wfd-EIT）方法，实现对肺通气的高空间分辨率成像。方法 利用肺部wfd-EIT成像方法实时描绘胸腔电导率分布状况，再通过RBFNN将目标区域可视化并精准识别其边界信息。首先通过数值分析模拟，在各个激励频率利用COMSOL与MATLAB软件建立2 028个仿真样本，分为训练样本集和测试样本集，验证所提出成像方法的可行性和有效性。其次，为了验证仿真结果，建立肺部物理模型，选用具有低电导特性的生物组织模拟肺部通气区域，对其进行成像实验，并采用图像相关系数（ICC）和肺区域比（LRR）定量数据衡量成像方法的准确性。结果 wfd-EIT方法可以在任意时刻进行图像重建，并能够准确反映出目标区域的电特性分布；利用基于RBFNN的算法能够增强目标区域的成像精度，ICC可达0.94以上，更好地凸显其边界轮廓信息。结论 通过wfd-EIT成像方法，利用多频阻抗谱同步测量实现目标区域的快速可视化，并结合RBFNN网络逼近任意非线性函数的优点，实现对目标区域电特性变化的精准识别，为下一步进行临床肺通气的EIT图像监测奠定了理论和技术基础。     

一种新的蛋白质序列的向量表示方法及其应用

为了更多地挖掘隐藏在蛋白质序列中的信息,本研究将20种氨基酸均匀地排列在单位圆周上,得到每种氨基酸对应的二维坐标,再与氨基酸的6个理化指标结合起来,最终用一个八维向量来刻画蛋白质序列。为避免数据极差对分析结果造成的影响,本研究对蛋白质序列所对应的八维向量作归一化处理。基于归一化后的蛋白质序列的向量表示,运用神经网络对蛋白质序列进行分类,并根据向量之间的欧式距离来量化序列之间的相似性。最后,以9个不同物种的ND5蛋白质序列以及8个不同物种的ND6蛋白质序列为例,Clustal W序列比对方法为基准,对本研究的方法与5-字母方法进行验证和比较,结果表明本研的方法是有效的。     

关于《一类具时滞的神经网络模型的收敛性》的注记

本文研究了一类具有时滞的神经网络模型