四川旱涝震灾害的人工神经网络外推预测

选取旱、涝、震灾害之间的一步转移概率作为Ｂ－Ｐ人工神经网络训练样本的输入信息，建立了四川旱、涝、震的人工神经网络灾型预测模型。Ｂ－Ｐ网络模型应用于实例预测结果与用主分量分析法的趋势预测结果精度接近。     

灾情的B－P网络评估新模型

提出用人工神经网络Ｂ－Ｐ模型进行灾情评估的新方法，该方法将灾情的划分等级作为训练样本集，以指标的各级标准值作为样本的输入特征值，建立多参数的Ｂ－Ｐ网络灾情评估模型。该模型用于５１个灾情个例评估结果表明Ｂ－Ｐ网络用于灾情评估具有一定的科学性和实用性。     

基于支持向量机回归的岩体变形模量预测

岩体变形模量是表征岩体变形特性的最重要参数之一，其获取手段有室内试验与现场试验法、经 验 关 系 法、数 值 模 拟法、人工智能预测方法等。人工智能预测方法中常用的是神经网络方法，但神经网络易陷入局部极小值和过学习而导致低精度，支持向量机回归（ＳＶＲ）方法能有效地避免神经网络的以上缺陷，并在小样本、非线性预测方面具有较大优势，但目前 ＳＶＲ 应用于岩体变形模量预测的研究较少。以某水电站坝址区英安岩的试验数据为依托，采用灰色关联分析筛选出与变形模量最相关的纵波波速作为输入变量。在此基础上，以３个国内的水电站为例，分别建立相应的以实测纵波波速作为输入变量的粒子群算法优化－支持向量机回归（ＰＳＯ－ＳＶＲ）变形模量预测模型，同时，通过与 ＢＰ神经网络（ＢＰ－ＮＮ）、ＲＢＦ神经网络（ＲＢＦ－ＮＮ）２种预测方法进行对比，对比分析表明ＳＶＲ模型具有更高的预测精度，预测效果较好，说明 ＰＳＯ－ＳＶＲ方法更适用于岩体变形模量预测。      

参数调整对气象预测的B-P网络模型性能的影响

为了探索ＢＰ网络的参数调整特性,进行了参数α、β的选取对ＢＰ算法的收敛速度和模型的稳定性的影响研究。通过ＢＰ网络用于气象预测建模的参数调整个例分析表明：参数α、β的取值对ＢＰ模型的稳定性无显著影响,但参数值的调整尤其是β值的调整对建模的收敛速度有明显的影响。     

随机模型在沈阳地区地下水位短期预测中的应用

作者应用随机模型中多元线性回归的方法建立了沈阳地区地下水位动态变化模型。沈阳地区地下水位受气象、水文、开采等因素影响,因此建立了3种地下水位短期预测模型。即:气象型、气象开采型、气象水文开采型。为使预测模型接近于地下水位的实际变化状态,作者用有效开采量来提高模型的拟合精度。通过预测成果与实测值的拟合对比,表明用多元线性回归方法对沈阳地区地下水位进行短期预测是可行的。     

库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测

地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。      

多变量AR(h)模型在地下水位动态预测中的应用

地下水位动态是一种复杂的历史过程,是受多种因素影响(如地质、气象、水文以及人类活动干扰等)的随机过程,试图用单交量时间序列模型对其进行预测,往往受到一定的局限。本文引入多变量AR(n)模型,在计算中利用递推公式及FPE准则估计模型参数,包括系数矩阵和模型阶数。该方法被用于陕西两华地区地下水位动态预测,经过理论与实践检验,该模型预报地下水位精度高,同时可预报其影响因素。该模型可作为地下水位动态短期预报模型。     

人工神经网络在大气环境质量评价中的应用

应用人工神经网络理论，建立了城市大气环境质量的Ｂ－Ｐ网络评价模型。该模型应用于宜宾市１９８５～１９８９年大气环境质量评价结果表明，人工神经网络用于大气环境质量评价是一种新的评价方法。     

环境污染预测的人工神经网络模型

作者用基于Ｂ－Ｐ算法的人工神经网络，提出了建立环境污染物浓度预测的方法，并通过一个大气污染物ＳＯ２浓度的人工神经网络预测实例，证实了人工神经网络用于环境污染预测的可行性。     

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术,并借助G-P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取Lyapunov指数,结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟和最大Lyapunov指数,将局域加权一阶多步预测模型应用于地下水位预测。预测表明,此模型可有效应用于地下水位时间序列的多步预测。     

基于粗糙集与BP神经网络的底板破坏深度预测

基于粗糙集理论,以指标集为基础,建立了底板破坏深度影响因素的知识表达系统,提出了规则提取原则,通过粗糙集决策规则的数据处理,得出获得各因素对底板破坏深度的影响顺序为:采深、煤层倾角、工作面斜长、采厚、底板抗破坏能力、工作面是否有切穿型断层或破碎带。由于底板抗破坏能力、工作面是否有切穿型断层或破碎带这些参数难以确定,采用其余4种影响因素建立BP神经网络的预测模型,并根据建立的模型预测肥城煤田的9101和9507工作面的底板破坏深度。通过与实测结果对比,证明该网络模型的计算结果比规程提供的经验公式计算结果更接近实际。     

Responses of river runoff to climate change based on nonlinear mixed regression model in Chaohe River Basin of Hebei Province,China

Taking the nonlinear nature of runoff system into account,and combining auto-regression method and multi-regression method,a Nonlinear Mixed Regression Model (NMR) was established to analyze the impact of temperature and precipitation changes on annual river runoff process. The model was calibrated and verified by using BP neural network with observed meteorological and runoff data from Daiying Hydrological Station in the Chaohe River of Hebei Province in 1956–2000. Compared with auto-regression model,linear multi-regression model and linear mixed regression model,NMR can improve forecasting precision remarkably. Therefore,the simulation of climate change scenarios was carried out by NMR. The results show that the nonlinear mixed regression model can simulate annual river runoff well.     

����С�������LS-SVM�Ļ���ʱ������Ԥ��ģ�ͼ���Ӧ��

?????С???????????????????LS-SVM??????????μ???????????????????μ????????н???С???????????C-C??????????????????????????????????????????????????????????????????LS-SVM??????н?????????BP??????????????????????????????????????С???????LS-SVM????????????????????н??????Ч????     

基于麻雀搜索算法优化的BP神经网络卫星钟差预报

使用麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的初始权值和阈值进行优化和调整,以提高神经网络模型短期预报的精度和稳定性.采用IGS产品中的卫星钟差数据,对SSA-BP神经网络模型、PSO-BP神经网络模型、传统BP神经网络模型及传统二次多项式模型(QP模型)进行实验对比,结果...     

基于频度统计和神经网络的北太平洋柔鱼渔场预报模型比较

利用2004~2010年北太平洋鱿钓船队生产数据和海洋环境数据,以海表温度(SST)1℃、海面高度(SSH)为1 cm、叶绿素a浓度(CHL-a)为0.1 mg/m3的间距,分析作业产量、CPUE与SST、SSH、CHL-a的关系,得到柔鱼渔场适宜环境因子范围,并将生产数据和环境数据匹配组成样本集,建立北太平洋柔鱼空间分布BP神经网络模型;利用2011年环境数据预报柔鱼渔场,并与2011年实际生产数据进行对比。结果表明,6~10月各月实际作业位置落入基于频度统计方法预报渔场的概率达90%以上;而BP模型预报的平均精度为79.2%,最低精度为52.5%。基于多环境因子的频度统计柔鱼渔场预报模型优于神经网络模型。     

���ŷǸ���Ȩ���ģ���ڴ�ӱ����е�Ӧ��

?????????GM??1??1????BP?????????????????3?????????????????????????????????е???????????????????????????????????????????????????????????????????????????????????????????????????????0.11 mm?????????????о??????????ü????     

BP网络在砂土震动液化评价中的应用

在简要分析BP算法的基础上 ,应用BP网络的理论与方法 ,选取地下水位、临界深度、平均标准贯入击数、地面最大加速度、震动持续时间作为指标 ,评价砂土震动液化 ,取得了较好的评价效果。     

Inversion of 3D density interface with PSO-BP method

BP( Back Propagation) neural network and PSO( Particle Swarm Optimization) are two main heuristic optimization methods,and are usually used as nonlinear inversion methods in geophysics. The authors applied BP neural network and BP neural network optimized with PSO into the inversion of 3D density interface respectively,and a comparison was drawn to demonstrate the inversion results. To start with,a synthetic density interface model was created and we used the proceeding inversion methods to test their effectiveness. And then two methods were applied into the inversion of the depth of Moho interface. According to the results,it is clear to find that the application effect of PSO-BP is better than that of BP network. The BP network structures used in both synthetic and field data are consistent in order to obtain preferable inversion results. The applications in synthetic and field tests demonstrate that PSO-BP is a fast and effective method in the inversion of 3D density interface and the optimization effect is evident compared with BP neural network merely,and thus,this method has practical value.