人工神经网络原理在建筑物震陷预测中的应用

运用人工神经网络原理，对BP型神经网络作了多方面的改进，采用改进后的BP算法，建立了建筑物震陷预测模型，研究结果表明，改进的BP网络性能良好，所建立的模型预测精度高，能满足工程要求，是一种有效可行的预测新方法。     

基于人工神经网络的珠江三角洲地壳稳定性研究

应用BP神经网络方法建立了珠江三角洲地壳稳定性的评价模型。首先在前人研究基础上,分析了珠江三角洲的地震活动、断层发育程度、地壳垂直形变、第四系厚度及地热分布等特征,然后收集相应的数据,建立这些影响因子与地壳稳定性之间相关性的转化原则,对这些数据进行标准化转化,建立并训练BP人工神经网络模型,由模型的实际输出插值得出珠江三角洲地壳稳定性的等值线图。与前人对该区地壳稳定性的定性及定量分析对比表明,该模型的评价结果与前人研究结果基本一致,因此基于神经网络的珠江三角洲地壳稳定性评价模型是比较可靠的。     

灰关联与人工神经网络在建筑物震害预测中的应用

基于灰关联识别方法,解析了各震害影响因子对多层砖房抗震性能的影响程度;并利用BP人工神经网络非线性模型对震害实例样本进行了训练。结果表明:利用灰关联分析,可得出各因子对多层砖房抗震性能影响程度的大小排序,有利于实际的工程抗震设计;基于BP人工神经网络模型的多层砖房的震害预测结果与震害实例的实际情况比较吻合,其思路和方法可推广于其他不同类型的建筑结构的震害预测。     

灰关联分析与BP人工神经网络在土石坝震害群体预测中的运用

利用灰关联识别方法分析各震害影响因子对土石坝抗震性能的影响程度,并筛选出关联程度大的震害影响因子。利用BP人工神经网络非线性模型对震害实例样本进行了训练。结果表明:利用灰关联分析,可得出各因子对土石坝抗震性能影响程度的大小排序,供实际的工程抗震设计参考,基于BP人工神经网络模型的土石坝的震害预测结果与震害实例的实际情况比较吻合。     

基于灰关联与人工神经网络综合评价模型的多层砖房震害预测

结合几次大地震中多层砖房的实际震害资料,基于灰关联识别方法,解析了各影响因子对多层砖房抗震性能的影响程度。以反映结构抗震性能的各类物理参数作为输入数据,以给定地震动峰值加速度下建筑物破坏状态的概率作为输出数据,采用8-6-5层结构,建立了基于BP人工神经网络的非线性模型,并对震害样本进行了训练。结果表明:利用灰关联分析,可得出各因子对多层砖房抗震性能影响程度的大小排序,有利于实际的工程抗震设计;基于BP人工神经网络模型的多层砖房的震害预测结果与震害实例的实际情况比较吻合,其思路和方法可推广于其他不同类型的建筑结构的震害预测。     

基于泥沙因子的水深遥感反演模型

针对悬浮泥沙影响水体遥感测深精度的问题,选择长江口南港至南槽为研究区,通过对遥感测深方法研究,结合悬浮泥沙光谱特性分析,把"泥沙因子"引入到水体遥感测深反演模型中,研究表明:1)单因子非线性模型中,指数模型对0-2m的水深反演效果较好,对数模型对2-7m的水深反演较好,二次回归模型对7-14m的水深反演效果较好:2)建立的BP人工神经网络水深反演模型综合了多个波段具有的水深信息,模型的反演效果好于单因子非线性模型;3)实验构建的泥沙遥感参数综合了不同波段具有的悬沙信息,削弱了叶绿素和外界环境条件对泥沙信息的干扰,可较好地反映悬沙浓度变化特征;4)建立的BP人工神经网络泥沙因子水深反演模型削弱了悬浮泥沙对遥感测深的影响,模型实际反演能力明显优于单因子非线性模型和多因子BP人工神经网络水深反演模型.     

基于组合权重的模糊物元模型在边坡稳定性评价中的应用

鉴于边坡稳定性评价的复杂性及其影响因素的不确定性和模糊性,运用模糊物元分析理论,分别使用层次分析法和熵权法计算各影响因子的主、客观权重值,建立兼顾主、客观因素的组合权重模糊物元评价模型。该模型有效避免了权重分配困难的问题,既能得到综合评价信息,也能反映评价对象的稳定状态。主、客观权重法既利用了样本资料的统计信息,又反映了专家的理论知识和经验,可得到较为客观、合理的指标权重。工程实例分析表明,该方法能准确反映边坡稳定性状况,为边坡稳定性的综合评价提供一条新的思路。     

基于遗传神经网络的砂土液化判别模型

针对BP人工神经网络具有易陷入局部极小等缺陷，本文提出了将遗传算法与神经网络相结合，同时优化网络结构与权值、阈值的思想。根据地震液化的实测资料，建立了砂土液化判别的遗传神经网络模型，比较计算结果证明了该模型的科学性、高效性。文中并进行主成分分析，提出液化影响的主要因素。     

基于人工神经网络的地震活动性研究

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理,具有自学习和自适应等一系列优点,因而用它来进行地震活动性研究是可行的。针对地震活动性问题,初步建立了基于人工神经网络的计算分析系统,给出了应用实例。     

基于遗传神经网络的地震砂土液化判别研究

针对BP人工神经网络具有易陷入局部极小等缺陷,本文提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了砂土液化判别的遗传神经网络模型。根据地震液化的实测资料,分别对BP〗神经网络判别结果和遗传神经网络判别结果进行了比较,结果表明后者比前者判别能力要好些。     

重力异常的BP神经网络三维物性反演

三维物性反演参数多,计算量巨大,传统的方法难以实现.本文使用BP神经网络实现重力三维物性反演,介绍了BP神经网络的基本原理及特性,并构造一个适用于重力位场反演的BP神经网络.并用其对模型进行反演计算,结果表明:BP网络具有较好的泛化能力和容错能力,反演速度快、准确,并且较好的反应了场源的分布情况.     

基于BP神经网络的波阻抗反演及应用

人工神经网络是近期发展最快的人工智能领域研究成果之一.本文在介绍BP神经网络的有关原理的基础上,提出一种基于BP神经网络模型的波阻抗反演方法,该方法克服了常规基于模型的波阻抗反演方法严重依赖于初始模型的选择和易陷入局部最优等局限性.利用该方法对实际地震剖面进行了波阻抗参数反演处理,结果表明人工神经网络方法在波阻抗反演中的应用是可行的并且是有效的.     

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法.神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度.结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果.     

遗传BP网络在地震和爆破识别中的应用

将遗传算法(GA)和反向传播算法(BP算法)相结合成为GA-BP算法，以此建立了遗传BP神经网络．并将以BP算法为基础的BP神经网络及以GA-BP算法为基础的遗传BP神经网络用于对地震和爆破的识别中．得到的结果表明:遗传BP网络比BP网络对事件的识别能力略好些．      

Indian summer monsoon rainfall prediction using artificial neural network

Forecasting the monsoon temporally is a major scientific issue in the field of monsoon meteorology. The ensemble of statistics and mathematics has increased the accuracy of forecasting of Indian summer monsoon rainfall (ISMR) up to some extent. But due to the nonlinear nature of ISMR, its forecasting accuracy is still below the satisfactory level. Mathematical and statistical models require complex computing power. Therefore, many researchers have paid attention to apply artificial neural network in ISMR forecasting. In this study, we have used feed-forward back-propagation neural network algorithm for ISMR forecasting. Based on this algorithm, we have proposed the five neural network architectures designated as BP1, BP2, $\ldots, $ … , BP5 using three layers of neurons (one input layer, one hidden layer and one output layer). Detail architecture of the neural networks is provided in this article. Time series data set of ISMR is obtained from Pathasarathy et al. (Theor Appl Climatol 49:217–224 1994) (1871–1994) and IITM (http://www.tropmet.res.in/, 2012) (1995–2010) for the period 1871–2010, for the months of June, July, August and September individually, and for the monsoon season (sum of June, July, August and September). The data set is trained and tested separately for each of the neural network architecture, viz., BP1–BP5. The forecasted results obtained for the training and testing data are then compared with existing model. Results clearly exhibit superiority of our model over the considered existing model. The seasonal rainfall values over India for next 5 years have also been predicted.     

人工神经网络系统在接收函数反演中的应用

为使接收函数的反演更为简便,本文提出了一种基于人工神经网络误差反传(BP)算法的接收函数反演新方法,该方法采用人工神经网络反演系统,避免了接收函数反演过程中复杂的地震响应计算及耗时的雅可比矩阵计算,只需经过学习训练就能够解决复杂的实际问题,而且具有记忆功能,这使接收函数的反演工作具有延续性和可继承性.理论数据的反演计算结果表明,该方法是切实可行的.     

BP神经网络在地震综合预报中的应用

ＢＰ神经网络具有很强的非线性映射功能,它可以很好地反映震前出现的各类异常与未来地震震级及发震时间之间的较强非线性关系。在“地震预报智能决策支持系统”中使用了ＢＰ神经网络。介绍了该系统中的ＢＰ神经网络构成及其在地震预报中的应用,系统通过对实际震例的检验取得了较为理想的预报效果。     

基于拉格朗日分解算法的SAR图像混合像元分解

为解决与光学遥感图像不同的合成孔径雷达(SAR)图像中存在大量混合像元的问题,本文提出了一种基于拉格朗日分解算法的SAR图像混合像元分解的方法,结合相关内容中具体定理的证明,文中给出拉格朗日分解算法用于SAR图像混合像元分解的系统的求解方法.用人工模拟SAR图像和ENVISAT SAR图像进行实验,结果表明拉格朗日分解算法的混合像元分解结果明显优于非约束类神经网络(文中实验以BP神经网络为例)的分解结果.