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.     

三种地下水位动态预测模型在吉林西部的应用与对比

准确而可靠地预测地下水埋深对生态环境保护和水资源规划管理具有重要意义。针对吉林西部浅层地下水位动态变化的复杂性和非线性,提出了基于小波分析与人工神经网络相结合的预测方法小波神经网络(WA-ANN)模型。将研究区2002年1月2009年12月当月降水量、蒸发量、人工开采量和前月平均地下水埋深4个参数作为输入,当月平均地下水埋深作为输出,建立浅层地下水埋深预测模型,并与BP神经网络(BP-ANN)模型和自回归移动平均(ARIMA)模型进行比较,对比分析了三者的建模过程及其模拟精度。结果显示:相比两种ANN模型,ARIMA模型建模过程更为简单,计算效率更高;但WA-ANN模型的拟合精度高于BP-ANN和ARIMA模型,预测效果更好。总体来看,WA-ANN模型在浅层地下水埋深预测中具有一定的应用推广价值。     

基于交替迭代算法神经网络评价岩石边坡稳定性

目前边坡工程中常用的稳定性分析方法主要分为极限平衡法和数值分析法2大类，文章对它们各自的主要愿理、特点及其优缺点等进行了阐述。首先，根据经典边坡稳定分析方法存在的局限性，提出有必要建立基于人工神经网络的边坡稳定性预报方法。其次，针对经典算法BP网络存在的某些缺陷，提出了一种交替迭代算法神经网络，以提高其非线性映射能力和泛化能力。交替迭代神经网络算法通过解2个阶数比较低的线性代数方程组，逐步求得连接权值的。以此提高收敛速度，且有利于寻求最优解。作者用FORTRAN语言编制了程序。分析了建立边坡岩体稳定性预测网络模型的建立中应该注意的几个方面。最后，基于已有的40个岩石边坡工程实例进行所建立的神经网络的训练和边坡稳定的预报，结果表明文中所建立的边坡稳定性预报方法具有较高的预报准确度。     

基于EEMD-PSO-GRNN模型的元江中上游径流预测

径流序列的非线性和非平稳特性使得高精度的径流预报存在困难。本文组合EEMD和GRNN模型形成EEMD-GRNN耦合模型,预测时通过将径流序列分解为确定成分与随机成分并通过GRNN模型分别进行预测,预测值的加和则构成径流最终预测结果。EEMD-GRNN耦合模型应用到元江中上游,并与其他模型进行比较,结果表明：EEMD-GRNN耦合模型具有更高的预测精度,对径流的总体趋势预测有良好的效果,但在随机性的模拟上有待进一步完善。EEMD-GRNN耦合模型优于BP、GRNN、EEMD-BP模型,能有效提升径流预测的精度,可为流域的水资源优化调度等提供决策支持。     

致密砂岩气层压裂产能及等级预测方法

致密砂岩储层孔隙度小、渗透率低、含气饱和度低,基本上没有自然产能,需要进行压裂,因此进行压裂产能的预测很有必要。笔者研究了鄂尔多斯盆地苏里格东部地区盒8段致密砂岩气层的压裂产能及等级预测。利用反映储层流动性质的测井参数(电阻率、自然伽马、声波时差、中子、密度)与反应压裂施工情况的压裂施工参数(单位厚度砂体积、砂比、砂质量浓度、单位厚度排量、单位厚度入井总液量),选择数学统计方法神经网络法进行致密砂岩气层压裂产能等级预测。分析比较Elman神经网络、支持向量回归(SVR)、广义回归神经网络(GRNN)3个神经网络预测致密砂岩气层压裂产能模型的网络结构参数、回判及预测精度以及运行耗费时间。结果表明:3个模型中,GRNN网络参数只有1个,回判和预测精度最高,运行时间小于1 s。因此,选择GRNN模型预测致密砂岩气层压裂产能,并用于苏里格东部地区致密砂岩气层压裂产能的等级预测。等级预测准确率达到90%。     

二维场地液化势预测的神经网络方法

基于人工神经网络,提出了场地液化势预测模型。场地液化势的空间数据结构特征可由不同参数的自回归神经网络（GRNN）来模拟。该预测模型的一个重要参数spread可用地质统计学（Kriging）方法中的交叉验证技术来确定。研究表明,在最优spread参数条件下GRNN能够较好地映射场地液化势数据结构特征。用GRNN模型预测结果与经典的Kriging估计方法所得到的结果十分吻合。GRNN模型可以用于二维空间数据的预测及基于GIS决策系统。     

砂土地震液化预测的人工神经网络模型

在简要分析BP算法的基础上,应用BP网络的理论与方法,选取烈度、震中距、平均粒径、不均匀系数、地下水埋深、砂层埋深、标贯击数、剪应力比等8个实测指标,建立了砂土液化预测的神经网络模型。通过实例计算与模型评价、验证了该模型的科学性、高效性并较规范法、Seed简化法等传统方法具有更高的预测精度,说明人工神经网络是解决非线性问题的有效方法之一。     

岩土边坡稳定性预报的人工神经网络方法

阐述了经典边坡稳定分析方法的局限性,综合考虑了影响边坡稳定性的因素,建立基于人工神经网络的边坡稳定性预报方法。采用遗传算法优化神经网络的结构,以提高其非线性映射能力和泛化能力,从而,提高预报准确度。基于已有的工程实例训练所建立的神经网络,并对新的边坡稳定性问题进行了预报,预报结果表明,所建立的边坡稳定性预报方法具有较高的预报准确度。     

基于EMD组合模型的径流多尺度预测

受全球气候变化与人类活动影响,径流序列愈发呈现出非稳态与非线性特征,为降低由此而引发的预报误差,充分发挥不同模型对提高径流预测精度的优势,针对传统径流预报模型的单一性,以干旱区典型内陆河玛纳斯河为例,采用经验模态分解(EMD)提取径流序列中具有物理含义的信号,得到不同时间尺度的多个固有模态函数(IMF)及1个趋势项,利用 ARIMA模型与GRNN模型分别对不同时间尺度的IMF分量进行模拟,分析径流未来变化趋势。运用多元线性回归法、Spearman相关系数法、平均影响值法筛选大气环流因子作为神经网络模型的输入项,根据子序列的局部频率特点构建组合模型。最后将各IMF分量的预测结果重构,得到径流的最终预测值。单一评价指标无法全面评价模型精度,本文通过构建TOPSIS评价模型对径流预测模型进行定量评估,客观评价模型优度。结果表明:EMD分解能有效提取径流序列中隐含的多时间尺度信号,由趋势项可知玛纳斯河径流量总体呈上升趋势;EMD分解可提高ARIMA模型25%的合格率,但对于高频率分量IMF1、IMF2、IMF3,ARIMA模型的相对误差达到70%以上,预测结果不理想;经过筛选预报因子可有效提高GRNN模型精度,其中MIV法筛选的预报因子最适合玛纳斯河,与EMD-ARIMA组合后的GRNN模型的合格率最高,TOPSIS模型得分也最高。预测结果可作为水资源规划与调度的科学依据,建模思路也可为优化径流预测模型提供新途径。     

基于SFLA-GRNN模型的基坑地表最大沉降预测

为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型（SFLA-GRNN模型）。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法（SFLA）对广义回归神经网络模型（GRNN）的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。     

瑞利波法检测地基压实度的探讨

在利用瑞利波法测试地基土的压实度时,由于瑞利波速度与压实度之间是一种非线性关系,因此,必须根据瑞利波速度采用非线性反演的方法来获得地基土的压实度。过去一般是采用回归分析的方法,现拟采用人工神经网络的方法,即根据瑞利波速度与神经网络工具反演获得压实度。根据神经网络预测结果与灌砂法测试结果的对比可知,神经网络预测结果的平均绝对误差为1.188 6%,平均相对误差为1.221 4%,其反演结果的精度比回归分析法更高。     

Comparison of cokriging and adaptive neuro-fuzzy inference system models for suspended sediment load forecasting

The present research was carried out by using artificial neural network (ANN), adaptive neuro-fuzzy inference system (ANFIS), cokriging (CK) and ordinary kriging (OK) using the rainfall and streamflow data for suspended sediment load forecasting. For this reason, the time series of daily rainfall (mm), streamflow (m³/s), and suspended sediment load (tons/day) data were used from the Kojor forest watershed near the Caspian Sea between 28 October 2007 and 21 September 2010 (776 days). Root mean square error, efficiency coefficient, mean absolute error, and mean relative error statistics are used for evaluating the accuracy of the ANN, ANFIS, CK, and OK models. In the first part of the study, various combinations of current daily rainfall, streamflow and past daily rainfall, streamflow data are used as inputs to the neural network and neuro-fuzzy computing technique so as to estimate current suspended sediment. Also, the accuracy of the ANN and ANFIS models are compared together in suspended sediment load forecasting. Comparison results reveal that the ANFIS model provided better estimation than the ANN model. In the second part of the study, the ANN and ANFIS models are compared with OK and CK. The comparison results reveal that CK was a better estimation than the OK. The ANFIS and ANN models also provided better estimation than the OK and CK models.     

基于进化神经网络混凝土大坝变形预测

根据丰满大坝多年变形观测数据,建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比,采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明,所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比,可以显著提高大坝变形预报精度。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。     

基于WorldView-02高分影像的BP和RBF神经网络遥感水深反演

遥感水深反演是水深测量的一种重要技术和手段.以美济礁水深反演为例,选择WorldView-02高分影像为数据源,在辐射定标和大气校正的基础上,构建BP（Back Propagation）和RBF（Radial Basis Function）人工神经网络水深反演模型,以遥感影像8个波段为输入层,通过tansig、logsig、高斯函数和purelin函数变换实现从输入层到隐含层、隐含层到输出层的转换,以便反演水深.最后对反演水深与实测水深采用回归分析,求解决定系数（coefficient of determination,R2）、平均决定误差（Mean Absolute Error,MAE）、均方根误差（Root Mean Square Error,RMSE）等进行比较,评价2种模型的精度.结果表明,RBF神经网络模型结构更简单,对样本要求更低,反演精度达到0.995,更适合遥感水深反演.      

Single hidden layer artificial neural network models versus multiple linear regression model in forecasting the time series of total ozone

Present paper endeavors to develop predictive artificial neural network model for forecasting the mean monthly total ozone concentration over Arosa, Switzerland. Single hidden layer neural network models with variable number of nodes have been developed and their performances have been evaluated using the method of least squares and error estimation. Their performances have been compared with multiple linear regression model. Ultimately, single-hidden-layer model with 8 hidden nodes have been identified as the best predictive model.     

水环境非线性时序预测的高精度RBF网络模型

为提高水环境非线性时序预测模型的精度,用自相关技术分析水环境时间序列的延迟特性,确定径向基函数(RBF)网络的输入、输出向量,建立了水环境时间序列预测的高精度RBF网络模型.用32年海洋水温时间序列实测资料来训练和检验网络并用于预测.用该模型对长江流域望江楼站8年总硬度、高锰酸盐指数、五日生化需氧量、氨氮、溶解氧、挥发酚、镉、氯化物、硫酸盐等9种水环境要素时间序列进行预测.实例分析表明,所建模型预测误差均较小,好于门限自回归模型,BP神经网络模型和ELMAN神经网络模型.所建模型不仅精度高,而且收敛速度快.     

神经网络分析方法在瓦斯预测中的应用

论述了瓦斯预测技术的研究现状及其在现代矿业中面临的新问题，介绍了神经网络技术在处理复杂地质条件方面的优越性，探讨了瓦斯预测技术与人工神经网络等高新技术相结合的可能性与必要性，并举例论证了它们在瓦斯预测过程中的适用性。实践证明：瓦斯预测技术与人工神经网络相结合所建立的预测模型，不仅能够综合考虑各种影 响因素，较好地处理地质条件中的各种非线性关系，而且预测精度高，结论可靠，为瓦斯预测技术的进一步发展提供了新的思路。     

基于Stacking模型融合的深基坑地面沉降预测

为了提高机器学习对深基坑地面沉降的预测能力,本文提出了一种基于Stacking集成学习方式的多模型融合的地面沉降预测方法,并以深圳某深基坑为例,采用斯皮尔曼相关性系数对基坑地面沉降的影响因子进行筛选;运用筛选后的8个影响因子建立Stacking深基坑地面沉降预测模型,以验证该方法的适用性。结果表明：Stacking预测模型的平均绝对误差为0.34、平均绝对误差百分比为2.22%,均方根误差为0.13,相较于传统基模型（随机森林、支持向量机和人工神经网络）,Stacking预测模型的平均绝对误差、平均绝对误差百分比和均方根误差值皆为最小。     

Predictive accuracy of backpropagation neural network methodology in evapotranspiration forecasting in Dédougou region,western Burkina Faso

The present study evaluates the predictive accuracy of the feed forward backpropagation artificial neural network (BP) in evapotranspiration forecasting from temperature data basis in Dédougou region located in western Burkina Faso, sub-Saharan Africa. BP accuracy is compared to the conventional Blaney–Criddle (BCR) and Reference Model developed for Burkina Faso (RMBF) by referring to the FAO56 Penman–Monteith (PM) as the standard method. Statistically, the models’ accuracies were evaluated with the goodness-of-fit measures of root mean square error, mean absolute error and coefficient of determination between their estimated and PM observed values. From the statistical results, BP shows similar contour trends to PM, and performs better than the conventional methods in reference evapotranspiration (ET_ref) forecasting in the region. In poor data situation, BP based only on temperature data is much more preferred than the other alternative methods for ET_ref forecasting. Furthermore, it is noted that the BP network computing technique accuracy improves significantly with the addition of wind velocity into the network input set. Therefore, in the region, wind velocity is recommended to be incorporated into the BP model for high accuracy management purpose of irrigation water, which relies on accurate values of ET_ref.