基于遗传算法和BP神经网络的矿井涌水量预测

为避免BP神经网络极易陷人局部解的问题,针对遗传算法具有全局寻优的特点,提出了用遗传算法优化BP神经网络预测方法,并以刘桥二矿为例,对其矿井涌水量进行了预测。首先选取刘桥二矿区的2005年3月至2006年12月的矿井涌水量数据进行分析,然后使用遗传算法优化BP网络的初始权值和阈值,最后使用BP神经网络进行训练。将其成果与纯BP网络算法进行比较,结果表明：遗传算法优化BP神经网络的预测方法的预测精度高于纯BP网络算法,将其应用于矿井涌水量预测是有效可行的。     

基于多变量LSTM神经网络的地下水水位预测

为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。     

莱州湾凹陷垦利油田沙河街组储层渗透率评价模型研究

文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性（粒度）和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。     

基于PSO-BP神经网络的导水裂隙带高度预测

导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。      

基于BP神经网络的泥石流平均流速预测

泥石流平均流速是泥石流防治工程中不可缺少的重要参数,准确地预测泥石流平均流速对于泥石流防治工程的设计是至关重要的。将BP神经网络应用于泥石流平均流速的预测:将泥石流平均流速的影响因素--泥沙平均粒径、泥深、沟床比降和泥石流密度作为BP神经网络的输入单元,通过对云南东川蒋家沟泥石流观测数据的训练与预测建立了泥石流平均流速的BP神经网络预测模型。将预测结果与东川公式和曼宁修正公式的计算结果进行对比:曼宁修正公式和东川公式预测结果最大误差分别为27%和7.3%,BP神经网络的预测结果最大误差仅为3.2%,BP神经网络的预测精度是最高的,可见此方法对泥石流平均流速预测具有适用性和准确性。最后应用此方法预测了乌东德水电站近坝库区内的3条泥石流的平均流速分别为12.8 m/s、11.3 m/s和13.0 m/s,为库区泥石流防治工程提供了可靠的参考数据。     

基于因子分析的BP神经网络在岩体变形模量预测中的应用

岩体变形模量是研究岩体变形特性的重要参数,它对工程岩体稳定性评价与优化设计具有重要意义。本文提出了基于因子分析的BP神经网络预测岩体变形模量的方法。以西藏某水电站为例,在现场调查、室内外试验的基础上,建立了48组包括密度、吸水率、纵波波速、单轴抗压强度、岩块变形模量以及泊松比等因素的数据库,采用因子分析法对6个影响因素进行分析,可得3个公共因子,该3个公共因子作为神经网络的输入参数,采用BP神经网络进行预测。结果表明:利用因子分析法可降维输入数据,消除BP神经网络中由于输入数据太多而影响数据处理速度的缺陷; 把因子分析法和BP神经网络结合进行岩体变形模量的预测,可使预测精度提高; 该研究思路不仅对岩体变形参数的预测是一个有益的尝试,而且对类似岩土工程问题的预测也有借鉴意义。     

BP小波神经网络在边坡位移预测中的应用

用优化的BP小波神经网络建立的预测模型对吊钟坝边坡的变形量进行了预测。引入了共轭梯度反向传播算法来优化BP小波神经网络,从而使网络计算量大为减少,避免了网络产生局部最优的弊端,有效提高了网络的质量。与未优化的BP小波神经网络和BP神经网络的预测结果进行比较可以看出,优化的BP小波神经网络的预测值更接近GPS实测值。     

基于遗传神经网络的瓦斯含量预测研究

瓦斯含量预测取决于多因素、非线性的函数关系的建立 ,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。文中将神经网络与遗传算法有机地结合起来 ,以神经网络理论为基础 ,利用遗传算法优化隐含层神经元个数和网络中的连接权值 ,建立瓦斯含量预测模型。在实验室测试数据的基础上 ,建立遗传神经网络训练和检验样本集 ,其中包含有 38个典型样本 ,并且将检验结果分别与回归模型、标准BP神经网络、自适应BP神经网络的预测结果进行比较。结果表明 :遗传神经网络模型可靠 ,预测精度高 ,为促进软计算技术与瓦斯地质的结合奠定了基础。     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

基于GA的混凝土坝抗震可靠度预测的神经网络模型

针对BP人工神经网络具有易陷入局部极小等缺陷,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,建立了基于遗传算法的混凝土坝抗震可靠度预测的神经网络模型。该模型分别对混凝土坝抗滑稳定可靠度、抗压可靠度和抗拉可靠度进行了预测,并与BP神经网络预测结果进行比较。结果表明,遗传神经网络模型可靠,预测精度高,在岩土工程中利用该方法进行可靠性问题预测是有效及可行的。     

BP神经网络在化探数据分类中的应用

BP神经网络作为一种具有高度非线性映射能力的计算模型,具有优良的非线性逼近能力,在化探数据处理、矿产资源潜力评价等地学应用中,很多问题正是具有高度的非线性的。BP网络可自动模拟各种成矿因素之间的自然关系,进行全局优化搜索,减少人为干预,提高资源预测的准确率。BP网络具有简单易行、并行性强等特点,目前仍是多层前向网络的首选算法。以新疆东天山的化探数据对BP神经网络进行测试,分别以东天山地区的典型金矿、典型铜矿做矿床规模和类型的分类。测试结果表明,改进的BP神经网络收敛速度快,具有较高的学习效率,可以很好地对化探数据进行分类。     

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。     

基于遗传算法优化BP神经网络的玉米遥感估产方法

以内蒙古自治区开鲁县玉米作物为研究对象,将生育期内玉米遥感影像所提取的多种植被指数和实地采样点的测产数据作为训练值,利用BP(back propagation)神经网络和遗传算法优化BP(GA-BP)神经网络估产模型,得出网络预测的玉米产量数值。通过决定系数R 2和均方根误差RMSE,比较实测产量与预测产量之间的精度,BP神经网络模型R^2为0.8452,RMSE(%)为28.37;遗传算法优化BP神经网络模型R^2为0.9850,RMSE(%)为6.70,表明遗传算法优化BP神经网络估产模型具有一定可行性和可信度。     

改进的BP神经网络在流域产沙量预测中的应用

误差逆传播算法是多层前向网络的典型算法，但是其平方误差函数超曲面存在许多局部极小值，于是给出了基于输出空间的全局优化BP算法（global optimization back propagation algorithm, 简称GOBPA），应用GOBPA，建立黄河某流域年均产沙量的预测模型，结果表明，用GOBPA训练的多层前向神经网络能够以很高精度预报年均产沙量。     

陕西省地质灾害气象预报预警方法研究

地质灾害气象预报预警方法是近年来地质灾害防范的热点。由于不确定因素较多,预报方法及预报精度上还有待提高。根椐我省实际情况,选取影响地质灾害发生的主要地质因素并设计了地质背景条件下各致灾因素概率模型;根椐地质灾害主要引发因素的降雨量和初步确定的降雨量临界值;选取BP神经网络模型算法进行数学运算,最终形成预报预警产品,分等级预报,在实际预报预警中取得较好的效果。     

地地震多参数BP神经网络预测煤层厚度

依据煤层反射波运动学和动力学特征，提取出了波峰波谷振幅A1、平均频率Fa、主频带能量Qf1、低频带宽能量Qf和峰值频率Fmain等5个地地震特征参数。选取8组学习样本，利用4层BP（Back Propagation)人工神经网络模型，采用动量法和自适应调整的改进算法，训练BP网络，用训练好的BP网络预测煤层厚度。经实例验证，地震多参数BP网络预测煤层厚度精度高，是一种有效的煤厚预测方法。     

基于RBF神经网络的城市需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

喀斯特流域降雨-径流人工神经网络模型结构分析及模拟

喀斯特流域降雨-径流响应是一个非线性过程,分析确定地下河流量过程的主要影响因子对喀斯特流域水文过程模拟具有重要意义。本文利用普定后寨河流域实测降雨、径流系列资料,采用神经网络权重分析法确定该流域的人工神经网络模型结构为两个隐含层、三个输入变量,该人工神经网络模型结构可以保持降雨-径流模拟的稳定性。模型经交叉训练与验证,训练期效率系数（NSC）达0.9以上,验证期NSC达0.88以上。说明神经网络权重分析法能够较好地确立预报因子与预报对象的关系,为喀斯特流域降雨-径流模拟提供一种有效的分析手段。      

基于熵值法的BP网络输入变量加权分层方法研究

当BP网络模型的输入变量包括多个类别时,如果其中几类变量的个数远多于其它类别的变量,变量多的这几类会削弱其它类变量对输出变量的影响,导致模型预报误差增大。提出BP网络输入变量加权分层的改进方法。根据熵值法模型对每个类别包含的所有变量按其重要程度加权平均,得到代表各类的综合影响指标,将这些综合影响指标作为BP网络模型的输入变量得到模型预报结果。改进后的模型更全面合理地考虑了各类输入变量的变化对输出变量的影响,发展了神经网络的应用理论。实例计算表明,模型预报精度得到明显提高。