北京市生活垃圾产生量预测方法的比较分析

依据北京市1991~2006年的生活垃圾产生量及其相关影响因子,运用多元线性回归法、灰色模型、BP神经网络3种预测模型进行了模拟,并预测了北京市2007年和2010年的垃圾产生量,通过绝对百分误差(MAPE)等指标比较了预测精确度。结果表明,BP神经网络综合考虑了各种因素的影响,较前两者的拟合和预测精度高。     

煤层含气量测井解释方法参数选择及适用性

多元线性回归及BP神经网络是煤层含气量测井解释的常用方法。基于澳大利亚Galilee盆地和沁水盆地煤层测井资料和实测含气量数据,通过相关性分析和显著性检验,筛选了和含气量相关的测井参数,通过多元线性回归建立含气量与测井参数的解释模型;基于BP神经网络的理论,通过网络训练和测试,建立了煤层含气量和测井参数的非线性解释模型。讨论了多元线性回归模型的参数选择方法,并对两种解释方法的误差特点进行了分析,讨论了两种方法的适用性。结果显示:多元线性回归法和BP神经网络法是煤层含气量解释的常用方法,前者的解释误差比后者大;多元线性回归法解释精度与煤层含气量相关,适用于含气量较高的井;BP神经网络法解释精度普遍较高,在含气量高和低的井中均可适用,解释效果受输入层样本的数量和质量影响,样本数量越多,区域代表性越强,解释效果越好。      

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。     

泥石流平均流速预测模型及敏感因子研究

为了探求泥石流平均流速敏感因子及影响因素耦合关系,本文采用BP神经网络和支持向量机模型对蒋家沟泥石流数据进行预测,对两种泥石流平均流速预测模型的学习与泛化能力进行比较,并对平均流速各影响因素的敏感程度进行分析,建立了泥石流平均流速敏感因子预测模型。结果表明:支持向量机的泛化能力优于BP网络,更适合样本数量较少的泥石流动态预测。沟道比降和不稳定层厚度是泥石流平均流速的主要影响因子,各因子之间存在复杂的耦合关系。基于不稳定层厚度和泥面比降的泥石流平均流速预测模型精度较高,能够定量描述泥石流动态与影响因子间的响应关系。研究成果可为泥石流防治提供依据。     

BP神经网络在土壤重金属污染分析中的应用

以湖南株洲市区中西部为研究区域,获取该区域35个土壤样本和多光谱数据,基于多元线性回归（MLR）、偏最小二乘回归（PLS）、BP神经网络回归模型（BP）,分别建立土壤重金属（Cr、Cu、Ni）含量的反演模型,并对模型预测效果进行检验。建模与预测综合效果：BP模型＞PLS模型＞MLR模型,BP神经网络回归模型的效果远远好于其他2组,尤其适合分析具有非明确关系的2组数据。其中,Cr元素回归模型为最佳拟合模型,建模和预测R2分别为0.917 4、0.811 0,建模均方根误差和预测均方根误差分别为8.269 3、16.870 7,说明基于多光谱数据反演土壤重金属含量有一定的可行性。     

基于多元线性回归的雷达在线测流系统研究应用

为提高雷达在线测流系统的测验精度,通过拉伊达准则剔除粗大误差,以相对误差平方和最小为目标函数,利用多元线性回归分析方法,建立了多探头水面流速与断面平均流速的多元一次拟合公式。通过t检验,分量级、分类型探讨了雷达在线测流系统探头安装位置与最优数目问题。最后,以白家川站和丁家沟站为例,比较了几种雷达在线测流系统系数率定方法。结果表明,以相对误差平方和最小为目标函数的多元线性回归方法提高了拟合精度,降低了建设维护成本。     

基于GF-2影像的离子吸附型稀土矿含量推断方法

寻找离子吸附型稀土矿床对保障我国关键矿产资源具有重要作用。综合利用广西崇左六汤矿区的基础地质、地球化学勘探、高分辨率遥感影像等多源地学数据,以已知矿床分布特征为约束,基于多项式回归及BP神经网络对该区进行建模,以决定系数R2及均方根误差（RMSE）为模型评价指标,对研究区离子吸附型稀土矿含量进行预测。研究结果表明,多项式回归模型检验R2=0.54,BP神经网络模型检验R2=0.64,剔除数据中高离群值后模型精度显著上升,多项式回归模型精度较好,但预测效果图与实测效果图差异较大。综上,数据中离群值的存在对模型的影响较大,模型拟合的好坏并非判断模型好坏的唯一标准,BP神经网络模型能较好预测研究区离子吸附型稀土矿含量。     

利用PLSR-DNN耦合模型预测TBM净掘进速率

科学预测隧道掘进机(TBM)净掘进速率,对于隧道(洞)工程施工方法选择、施工进度安排以及成本估计具有重要意义。鉴于TBM施工过程具有高度非线性、模糊性和复杂性等特征,为提高TBM净掘进速率的预测精度和计算效率,采用偏最小二乘回归(PLSR)提取影响参数主成分,再利用深度神经网络(DNN)进行训练预测,提出了一种基于PLSR-DNN耦合方法的TBM净掘进速率预测模型。基于兰州水源地建设工程输水隧洞双护盾TBM施工实测数据,选择岩石单轴抗压强度、单轴抗拉强度、刀盘推力、刀盘转速、岩体完整性系数和岩石耐磨性指数,共6个影响参数,验证了模型预测的合理性,并对不同预测方法的拟合精度和预测精度进行了对比分析。研究结果表明:(1)偏最小二乘回归可有效克服自变量之间的多重共线性问题,将提取的主成分作为深度神经网络的输入层进行训练,简化了神经网络结构;(2)PLSR-DNN耦合预测模型避免了过拟合与拟合不足问题,具有收敛速度快,求解稳定和拟合精度高等特点;(3)PLSR-DNN耦合预测模型平均相对拟合误差2.96%,平均相对预测误差3.27%,其拟合精度和预测精度均明显高于偏最小二乘回归模型、BP神经网络模型以及支持向量回归(SVR)模型。     

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

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。     

BP神经网络在古气候序列重建中的应用

当前小区域的古气候变化研究受模拟资料分辨率和可靠性的严重制约.为了将大区域的气候模拟资料应用到小区域的古气候研究中去,亟待建立有效的降尺度方法.为此以徽鄂地区为例,建立了一个3层BP神经网络拟合模型,利用相关气象要素作为拟合因子,拟合并重建了该地区近千年来1月、7月和年平均的温度和降水序列,通过与观测及模拟资料的对比分析发现,该模型拟合及重建的近千年气候序列有较高的精度和可靠性,能反映小区域气候的年际和年代际变化信号,提高了模拟资料对小区域气候变化的刻画能力.     

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.     

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.      

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。     

地表移动预计参数选取的神经网络法

地表移动预计参数的选取是研究地表移动及其规律的重要内容，由于预计参数受多种复杂因素的影响，具有高度的不确定性和离散性，利用神经网络具有自组织、自学习和高度非线性映射的能力，并既能考虑定量因素又能考虑定性因素的优点，可建立地表移动预计参数选取的神经网络模型以及对BP神经网络进行改进。利用大量的地表移动实际观测数据样本对该网络模型进行训练和学习，并用该网络模型对地表移动参数进行预计，结果表明，该改进的BP神经网络具有收敛速度快、预计参数精度高的优点，从而为开采沉陷地表移动预计中参数的选取提供了新方法。     

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。