BP网络海上石油平台溢油污染等级评估方法

通过分析与溢油污染程度有关的影响因素,首次构建了海上石油平台溢油污染程度评价指标体系.针对模型无样本的难题,对评价指标进行分级,利用Rand函数在各分级标准内随机生成足够数量的训练和测试样本,建立了较合理的网络结构,构建了石油平台溢油污染等级BP网络模型.研究结果表明BP网络模型具有很强的泛化能力,能够用于评判未知样本...     

基于BP神经网络的摇臂式波浪发电平台取能效率预测

取能效率是衡量波浪发电装置设计合理与否的重要参考标准。文章首先介绍了摇臂式波浪发电平台，接着对BP神经网络的原理和算法进行了描述，最后以水池试验过程中收集的数据为样本数据，在Matlab平台上运用BP神经网络对实海况下摇臂式波浪发电平台的取能效率作了仿真预测。仿真结果表明：实海况下摇臂式波浪发电平台的取能效率达到了预期目标，进一步说明BP神经网络成功训练出可靠的网络，在此基础上预测的数据具有一定的参考价值。     

Kohonen网络与BP网络的集成应用研究

本文介绍了 Kohonen神经网络对输入数据进行聚类方法在卷烟配方中的应用 ,提出了从核心样本动态搜索 BP网络训练样本的新探索 ,摒弃了过去 BP算法中训练样本固定不变 ,互不相交的方法 ,实现了 BP网络和 Kohonen网络动态无缝集成。     

一种利用BP网络预报台风路径的新方法

本文提出了一种基于CLIPER因子构造BP网络并进行台风路径预报的新方法,对同样的因子分别采用CLIPER模式和BP网络模式进行了预报检验。结果表明,无论是对于历史样本还是独立样本,CLIPER模式和BP网络模式的预报精度都达到了要求,且在24h、48h、72h三个预报时次上BP网络模式的预报精度都要高于CLIPER模式。     

基于自适应BP网络的涌潮波速计算模型

运用BP网络附加动量法和自适应学习速率法，建立神经网络模型，模拟计算涌潮波速。根据部分试验数据对网络进行训练，确定相关参数，建立涌潮波速计算模型，同时利用其余部分试验数据对模型进行检验，模拟结果与试验数据吻合较好，相关程度高，表明神经网络模型用于计算涌潮波速是合适的。     

长江口流域亚硝酸盐预测模型与分析

营养盐是控制长江口流域富营养化的关键因子之一。分析亚硝酸盐与其影响因子之间关系,引入人工智能方法,基于弹性BP神经网络,建立亚硝酸盐非线性预测模型,目的是通过影响因子在线监测,间接实现亚硝酸盐在线监测。依据神经网络权值和阈值获取方法不同,形成基于弹性BP神经网络、基于遗传算法和弹性BP神经网络,和基于改进的遗传算法和弹性BP神经网络的亚硝酸盐预测模型3种。通过仿真实验,分析3种模型对亚硝酸盐预测的影响,发现基于改进的自适应遗传算法和弹性BP神经网络的亚硝酸盐模型预测效果最优,为选择合适模型提供依据。     

基于粒子群优化神经网络的水深反演模型

针对直接采用BP神经网络反演水深收敛速度慢,且易陷入局部最优的问题,提出了一种基于粒子群(PSO)优化BP神经网络的水深遥感新模型。该模型首先利用粒子群算法对BP神经网络的权重和阈值进行优化,然后将该优化值作为BP神经网络的初始值,最后再将PSO优化后的模型用于测试海区的反演精度评估。实验结果表明,该模型的网络收敛速度明显加快,水深反演的精度也得到提高。     

基于BP网络对模拟声呐信号分类

针对常规的主动声呐调查设备,在简单海洋分层模型的基础上,模拟了多波束类单频信号、侧扫类单频信号、Ch irp调频信号和混合信号4类声呐接收信号,并针对接收信号特征构造了3层BP网络模型,将隐藏层神经元数目设为可调节;利用时间域脉冲宽度和水深与频率域功率谱密度相结合的特征参量,成功地对模拟信号进行了分类。采用改进的BP网络模型,用训练成功的BP网络对102个检测信号进行了分类测试,结果表明,分类成功率较高,可达76%~84.6%,因而利用BP网络可以对不同类别设备的模拟声呐接收信号进行分类。     

基于BP神经网络的天然气水合物相平衡计算及预测

针对天然气水合物相平衡问题,文中提出用基于带动量因子的BP神经网络进行计算和预测。首先用遗传算法优化确定BP神经网络的结构和参数,得到最优化结构的神经网络;其次结合Levenberg-Marquart优化算法,建立天然气水合物相平衡计算及预测的神经网络模型;最后以实验测定的(CH4 CO2 H2S)三元酸性天然气水合物体系的平衡数据为训练和预测样本进行了计算。计算表明,预测结果与实验数据有良好的一致性,而且由于BP神经网络作为所谓的“纯粹”的算法不需要热力学模型,这对于相平衡计算是非常方便的,所以是研究天然气水合物相平衡计算及预测的一种新的有效方法。     

基于RBF神经网络的胶州湾东北部海水环境质量状况分析

介绍了 MATLAB 6.5 工具箱中 RBF 神经网络的基本原理、训练算法以及实现函数.将其应用于胶州湾东北部海水环境质量评价,研究了训练样本集、检测样本集及其目标输出的构造,以及原始数据的预处理、神经网络的构建和训练、检测及仿真,确立了各监测站位的水质等级,取得良好的评价结果.还与 BP 网进行对比,BP 网表现出结构和初始权值确定的人为性.另外,运用克里格插值法进行平面空间分析,更为准确地反映了该海域水质的变化状况,为胶州湾东北部海水环境质量的改善提供科学依据.     

基于粗糙集与人工神经网络的变压器故障诊断

根据电力变压器故障诊断问题,提出了基于粗糙集与人工神经网络的变压器故障诊断模型,分析了该模型的实现步骤.采用Kohonen网络对连续属性值进行离散化,应用粗糙集理论对特征参数进行属性约简,并把约简结果生成规则作为BP网络的输入.仿真结果表明,把经过粗糙集理论预处理过的数据送入BP网络训练,提高了学习速度和故障诊断正确率,减少了训练时间.     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状，提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值，结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明，该模型和单因子评价、传统的BP神经网络评价相比较，具有训练时间短、预测精度高的特点，在海水水质评价中具有良好的应用价值。     

基于决策树与二分分割算法的BP神经网络在赤潮等级预测中的应用研究

针对赤潮灾害等级预测难的现状,提出了一种基于C4.5决策树与二分分割算法优化的BP(反向传播)神经网络赤潮等级预测模型。该模型针对传统BP神经网络输入参数难以选择和隐含层节点数量难以确定的问题,通过决策树分类获取最优的属性组合,来解决输入参数难以选择的问题;通过"二分分割算法",来解决隐含层节点数难以确定的问题。实验结果表明,该模型在青岛近海海域赤潮灾害等级预测中,预测结果的均方根误差(RMSE)小于传统BP神经网络的预测误差,并且在网络训练时间上有所缩短,预测精度上有所提高,能够获得良好的预测结果,可为赤潮等级预测提供新的解决方法。     

基于头脑风暴优化算法与BP神经网络的海水水质评价模型研究

针对基于传统BP神经网络的海水水质评价模型存在易陷入局部极小等问题,提出了一种新的利用头脑风暴优化算法(BSO)优化BP神经网络的海水水质评价模型(BSO-BP)。该模型引入具有全局寻优特点的头脑风暴优化算法,用于模拟人类提出创造性思维解决问题的过程,具有强大的全局搜索和局部搜索的能力,同时利用BP神经网络所具有良好的非线性映射能力、学习适应能力和容错性,最大程度上考虑到海洋水质评价因素的非线性和非平稳的关系,得到BP神经网络的各层权值、阈值的最优解,使得海水水质评价结果准确合理。并以胶州湾海域的12个监测站位的监测数据作为评价样本进行水质评价,实验结果表明该评价模型能够克服局部极小问题,评价结果准确性较高,并具有一定的实用性。     

利用MATLAB神经网络实现GPS高程转换设计

详细论述了如何运用MATLAB神经网络工具箱设计BP和RBF两种神经网络来实现GPS高程转换，以及在实现过程中应注意的问题，并结合工程实例对上述两种神经网络进行了比较分析，以期在实际应用中指导神经网络的设计。     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

基于遗传BP神经网络的海底沉积物声速预报

在海底沉积物声速预报中,针对传统经验公式存在预测精度差、适用范围窄、缺乏物理意义等问题,在已有BP神经网络预测的基础上,运用遗传算法优化其初始权值和阈值的方法,构建出基于含水量、孔隙度的声速预报模型。将南沙海域采集得到的海底沉积物样品分为两部分,抽取120组涵盖陆架、陆坡、海槽等地貌单元的样品作为训练数据,另外剩余6组作为测试数据。经试验对比后发现,在对本区域进行声速预报时,宜采用遗传算法优化的BP神经网络,其要优于传统的单参数、双参数回归拟合预报方法和国内外其他学者所得到的经验公式。此种预报方法具有一定的科学依据和广泛的应用前景,可在今后为建立明确、统一的声速预报模型提供参考。     

基于激光雷达的海滩垃圾快速识别

全球日益增多的海滩垃圾，不仅造成海洋环境污染，严重威胁海洋生态系统健康，也对生物栖息地有着不可估计的影响。如何高效准确地对海滩垃圾进行监测和识别，是处置海滩垃圾过程的技术难点之一。基于此，本文以长江口南汇边滩为实验区，通过在海滩上设置常见垃圾样品，随后利用激光雷达记录的全波形数据和BP神经网络模型，以快速鉴别海滩垃圾类型。结果表明:基于激光雷达提取的垃圾全波形数据中回波振幅和回波宽度的差异，可用来识别海滩垃圾。构建的BP神经网络可有效将海滩垃圾分为泡沫类、布类、金属类、纸类及塑料类，最高识别率达到79%。此外，由于不同材质海滩垃圾的原材料成分存在相似或同质，会对精确识别区分垃圾类型造成一定的干扰，从而影响神经网络的识别率。可见，将激光雷达应用于识别海滩垃圾，为海滩垃圾的监测提供了新的方法。     

基于主成分分析的BP神经网络模型的形变预测方法

主成分分析可以提取形变主要信息，BP神经网络具有很强的预测功能，提出将两者相结合用于形变监测数据处理。通过MATLAB编程实现了该算法，并用实测数据进行验证，证明此方法能够提高预测数据的精度和可靠性。结果表明：与其他方法相比，基于主成分分析的改进BP神经网络能取得更好的预测效果。     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。