基于BP神经网络模型的太湖悬浮物浓度遥感定量提取研究

构建了含有一个隐含层的两层BP神经网络反演模型，以TM数据的前4个波段的反射率作为输入，以悬浮物浓度值作为输出，成功反演了太湖水体的悬浮物浓度。     

神经网络BP算法在DEM内插中的应用研究

神经网络BP方法应用于DEM内插,可以不需要传统的内插拟合函数.本文构建了一种"4X"BP神经网络结构,以地面点的平面坐标(X,X,Y,Y)作为网络输入层的节点,以高程H作为输出层的节点.用这种方法分析一个工程实例,选取隐含层节点数N为15,构建4×15×1的神经网络结构,结果得到DEM内插中误差为±0.45m,而传统的平面插值法的中误差为±0.53 m.实例证明,神经网络BP算法的效果非常好,值得在工程中推广应用.     

转换GPS高程的神经网络模型试验研究

简要介绍了神经网络BP算法的基本结构和数学公式，并提出了转换GPS高程的神经网络模型-经改进五层BP网络结构。通过某工程实例，对五层BP网络结构的具体模型结构（如输入输出层设计，隐含层最佳节点数的选取等）进行了一些试验研究，得到了一些有工程实用价值的结论。     

基于人工神经网络的输变电土地复垦应用探讨

针对传统的土地复垦适宜性评价方法受人为主观影响较大的问题,该文通过分析神经网络结构、计算流程及误差传递规律,建立了基于人工神经网络的输变电土地复垦适宜性评价模型;然后根据土壤等级7个评价参数的特点确定输入层神经元数为7,根据土地复垦成4类的特点确定输出层神经元数为4,根据经验公式确定隐含层神经元数为9;配置成7-9-4的网络结构,采用Levenberg-Marquardt快速学习算法对网络进行训练、测试及矫正;最后采用输变电线路具有代表性实测样本对该算法进行验证。实验表明经过神经网络识别的土壤等级与实际综合评估土壤等级相符,说明了BP神经网络在输变电土地复垦项目中的可行性和实用性。     

基于改进的BP神经网络裸露地表土壤水分反演模型对比

土壤水分对于全球水循环十分重要,大面积、快速获取土壤水分信息具有重要意义。微波遥感数据可以用于反演土壤水分。以Matlab为平台建立BP神经网络,通过改进BP神经网络的权值、阈值和网络结构,对该算法进行了优化;在研究区范围,分别利用积分方程模型(integral equation model,IEM)、Oh模型、Shi模型生成模拟数据,训练改进的BP神经网络,构建裸露地表土壤水分反演模型,并用野外实测土壤水分数据对模型进行了验证。结果表明,改进后的BP神经网络算法反演精度明显提高,且Shi模型训练网络反演精度较其他2种模型更高,绝对误差为2.47 g/cm3,相对误差仅为7.78%。     

小波神经网络在桥梁变形预测中的应用

针对BP网络容易导致局部极小、不收敛的问题,提出了用小波神经网络拟合并预测大桥位移与其原因之间非线性关系的方法。提出了小波神经网络隐含层节点数的确定方法,该法可以确定网络隐含层最优节点数;小波神经网络具有良好的局部特性、较强的学习能力和任意函数逼近能力,实现了大桥变形的精确拟合及预测。实测结果表明:所提算法经过训练不仅可以准确拟合大桥位移曲线,而且预测精度较高,各项指标均优于BP网络。     

基于遗传BP神经网络模型的土地利用变化预测模型研究

针对已有的遗传BP神经网络土地利用变化预测模型存在BP神经网络隐层节点不易确定、创建过程烦琐等问题,本文利用输入层与隐藏层神经节点数量关系原理确定隐层节点,在Sheffield工具箱环境下进行遗传算法的编程,简化遗传BP神经网络土地利用变化预测模型的创建。结果表明,利用输入层和隐含层节点数量关系创建的遗传BP神经网络土地利用变化预测模型,可以实现土地利用变化的预测,而且在效率和精度上均优于传统BP神经网络模型,且操作简便。     

BP神经网络在GPS高程转换中的应用

探讨BP神经网络的方法对GPS高程转换,设计了基于BP神经网络的GPS高程转换模型,在调整网络的激励函数、网络的输入层和隐含层神经元的基础上,实现了GPS高程转换的BP模型优化。     

基于小波分析的神经网络基坑变形预测模型

运用小波理论和神经网络理论不同结合方法建立地表变形预测模型。文中先建立了较为普遍的松散型的小波去噪神经网络模型和紧致型的小波神经网络模型,分析了小波去噪和BP神经网络的隐含层节点数选取过程。基于实测数据分析可得:三种模型的预测效果较单一的BP神经网络预测效果更好;基于小波变换的神经网络预测模型的平均绝对百分比误差为0.15,优于另两种模型的预测精度。     

用人工神经网络方法反演水体吸收系数

吸收系数是水体的固有光学参数,是进行水体光学遥感研究的基础。讨论了一种基于人工神经网络(artifi-cial neural networks,ANN)、利用遥感反射比数据反演水体吸收系数的方法。该方法用实测的水体遥感反射比(Rrs)数据集建立BP神经网络,用以反演水体在波长440 nm处的吸收系数(α(440))。实测遥感反射比数据集的80%数据用于训练样本,20%数据用于预测样本。研究结果表明:正确选择神经网络的传递函数、训练函数和隐含层节点个数是至关重要的;用最优的传递函数、训练函数和隐含层节点个数得到的预测结果与实际测量结果的相关系数高达0.978,证明了该方法的可行性。