基于遗传算法的小波神经网络模型预测大坝变形

为了提高大坝变形的预测精度,提出一种基于遗传算法的小波神经网络模型。首先通过对BP神经网络隐含层神经元的替换,弥补了网络易收敛于局部极小点的缺陷,增强了函数逼近能力,进而建立了小波神经网络大坝预测模型;再利用该模型对大坝变形训练集进行学习,并运用遗传算法选取全局最优参数。该方法充分利用了小波神经网络强大的非线性预测能力和遗传算法的全局优化搜索功能,弥补了BP神经网络存在的理论缺点。将其与小波神经网络、BP神经网络进行比较,实验结果表明该方法具有更优的局部预测值、更高的全局预测精度,适用于复杂的大坝变形预测。     

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。     

PM_(2.5)浓度空间估算的神经网络与克里格方法对比

针对人工神经网络与克里格插值在PM_(2.5)浓度空间估算中精度随样本点数量与耦合因素不同差异较大的问题,基于相关分析与径向基函数(radical basis function, RBF)筛选PM_(2.5)空间变异关键影响因素,对比不同比例训练样本下普通克里格插值(ordinary Kriging, OK),仅考虑地理坐标RBF神经网络,耦合关键因素的协同克里格插值(CoKriging, CK)及RBF神经网络(CoRBF)的效果差异,并基于最优方法开展PM_(2.5)浓度空间制图。结果表明:4种方法均能有效实现PM_(2.5)浓度空间估算,且精度随训练样本比例增大而波动上升。考虑关键因素人口密度的CoRBF最能表现数据变化趋势,而CK在误差指标上更优越。基于CK与CoRBF的PM_(2.5)浓度空间估算结果较好展示了污染的分异特征,前者较后者更平滑。     

利用高分一号卫星监测开封地区PM_(2.5)

PM_(2.5)是影响开封地区空气质量的首要污染物,利用卫星遥感手段可以快速获得PM_(2.5)浓度的空间分布。通过采用过境开封市的GF-1卫星数据,获取气溶胶光学厚度,结合地面PM_(2.5)监测数据与边界层高度、相对湿度和气温等辅助数据,采用多元线性回归,建立了基于GF-1的PM_(2.5)遥感反演模型。研究表明,2015年6—9月GF-1数据反演得到的PM_(2.5)浓度与地面监测结果较为接近,且有较高的相关性;加入地理加权回归能明显提高模型精度,较好地反映PM_(2.5)的空间分布;但在PM_(2.5)浓度较高时,该模型会出现低估现象。     

PM2.5浓度插值中不同空间插值方法对比

针对不同插值方法对于重点大气颗粒物污染源PM_(2.5)大区域内整体分布情况的插值效果和精度存在差异性的问题,该文以石家庄市赵县100个点的PM_(2.5)的数据作为样本点,利用反距离权重法、普通克里格插值法和协同克里格插值法,分别进行PM_(2.5)浓度的空间插值。利用研究区内另外20个PM_(2.5)的数据点进行插值精度的检验。研究结果表明:协同克里格插值的精度最高,但可视化效果不如其他两种方法。     

基于GIS的苏锡常地区PM_(2.5)分布模拟

基于GIS技术和多元线性回归方法,采用苏锡常地区的PM_(2.5)浓度观测资料和同期苏锡常及周边地区的气象资料,构建了基于气象要素的多元线性回归模型,模拟2013年春季苏锡常地区PM_(2.5)的空间分布状况。对比此模型与IDW插值方法的精度,结果表明,该模型利用气象要素与PM_(2.5)浓度显著的相关性建立多元线性回归模型,有效地模拟了PM_(2.5)的空间分布状况;2013年春季苏锡常地区PM_(2.5)的空间分布具有整体上东南低、西北高、局部上分布小范围低值区的特点;该模型有效地消除了单一使用IDW插值方法容易受到监测站空间分布的影响而出现极值区域和极值中心偏差的现象,对于研究PM_(2.5)的空间分布规律具有一定的实际应用价值。     

基于深度学习的PM2.5预测模型建立

本文以京津冀地区为例,选择大气气溶胶光学厚度AOD(Aerosol Optical Depth)和气象参数为影响因子,建立基于深度置信网络DBN(Deep Belief Nets)的PM2.5预测模型,对PM2.5进行有效预测,并与BP神经网络预测结果对比,最后形成整个京津冀地区的PM2.5预测专题图。实验结果表明基于深度学习的置信网络对PM2.5浓度预测效果比BP神经网络更佳,预测精度有较大提高。     

NPP卫星VIIRS微光资料反演夜间PM2.5质量浓度

为研究城市夜间PM_(2.5)质量浓度,利用NPP卫星上可见光红外成像辐射套件(VIIRS)DNB通道的微光辐射数据,以辐射传输理论为基础,建立了夜间城市灯光辐射强度与地面表层PM_(2.5)质量浓度的关系,并基于支持向量机方法建立了夜间城市PM_(2.5)质量浓度反演模型。以北京市作为研究对象,选取2015-03—2015-05期间无月、无云且晴朗夜空条件下4个PM_(2.5)监测站点的微光辐射数据与时空匹配的PM_(2.5)质量浓度数据对模型进行验证。研究结果表明:夜间城市灯光辐射强度与地面表层PM_(2.5)质量浓度呈现负相关性,相关系数最高的定陵站点达到–0.83。基于支持向量机方法建立的PM_(2.5)反演模型获得的PM_(2.5)质量浓度与实际PM_(2.5)质量浓度的相关系数达到0.95,反演结果较优,为进一步大范围监测PM_(2.5)质量浓度空间分布以及改善城市夜间空气质量状况评估方法提供了可行性参考。     

遗传小波神经网络在高铁沉降预测中的应用

利用遗传算法的全局寻优特性,与小波神经网络相结合,建立遗传小波神经网络模型,并将其运用于高铁沉降预测,通过与BP神经网络、小波神经网络在高铁沉降预测的实验对比分析,结果表明遗传小波神经网络在高铁沉降预测中的稳定性更好、精度更高。     

基于遗传算法的小波神经网络模型及其在地面沉降监控中的应用

介绍小波神经网络的基本原理,分析小波神经网络的特点和存在的问题,采用遗传算法对小波网络的学习算法进行改进,建立基于遗传算法的小波神经网络模型.对由于地下水位变化而引起的地面沉降进行分析和研究,并利用地面沉降的实测资料建立基于遗传算法的小波神经网络模型,该模型与BP小波神经网络模型比较,具有拟合精度高和预测效果好等优点.     

基于地理国情数据的PM2.5浓度估算方法研究

以京津冀地区为研究对象,结合地理国情数据开展PM_(2.5)浓度估算方法的研究,在相关因素分析的基础上,运用土地利用回归方法与地理加权回归方法建立PM_(2.5)浓度空间分布回归模型,采用十折交叉验证对比模型稳定性与拟合精度,探索研究区最优建模方法及PM_(2.5)重要影响因子。结果表明:从模型稳定性及拟合精度来看,地理加权回归模型优于土地利用回归模型,模型调整后的R2分别为0.85、0.832,平均相对误差为12.4%、13.8%,均方根误差为10.61μg/m3、11.94μg/m3。相关分析判定结果表明,京津冀地区PM_(2.5)浓度的影响因子主要为气温、气压、房屋建筑、林地、耕地、降水、污染企业等。     

合肥市需水预测遗传小波神经网络模型研究

本文将小波分析与BP人工神经网络相结合,并使用遗传算法优化神经网络,建立起遗传算法优化的小波神经网络———遗传小波神经网络。从合肥城市需水密切相关的14个社会经济指标中,筛选出主要的影响因子,根据长时间序列数据,构建了城市水资源需求量预测模型。通过遗传小波神经网络和传统BP的网络训练输出效果比较,表明该预测模型收敛速度较快,对神经网络的性能优化有明显效果,拟合精度较高,泛化能力较好,对城市需水预测能取得较好的效果。     

小波神经网络模型在高铁路基沉降预测中的应用研究

为了提高变形监测数据预测的精度与可靠性,提高神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高铁路基处的沉降监测数据处理中。综合小波分析与神经网络算法的优点,建立松散型及紧致型小波神经网络预测分析模型。通过实验数据对比分析,验证了采用紧致型小波神经网络预测模型能够较好地用来处理路基的动态变形监测数据,预测稳定性及预测精度较高。     

小波神经网络模型在高层建筑物沉降预测中应用研究

为了提高变形监测数据预测的精度与可靠性,以及提高人工神经网络预测方法的稳定性,尝试将小波分析与BP神经网络相结合的小波神经网络应用于高层建筑物沉降监测数据处理中。综合小波分析与神经网络算法的优点,将良好的时频局域化特性和神经网络理论的自学习功能相结合,建立高层建筑物的小波神经网络变形预测分析模型。通过实验数据对比分析,小波神经网络用于高层建筑物沉降预测数据处理中可以得到更好的预测效果,预测稳定性及预测精度较高。     

WebGIS技术支持的PM_(2.5)空间分布分析系统研究

依据成都市已公布的PM_(2.5)数据,采用反距离加权插值算法,推算出成都市5城区的PM_(2.5)浓度分布情况,并采用分级渲染,直观地展示市区内PM_(2.5)的浓度分布情况。同时,应用热点分析模型,根据指定时间段内的PM_(2.5)数据,分析出该时间段具有统计显著性的高值和低值的空间聚类。该模型一方面可让成都市民更好地了解成都市PM_(2.5)的分布情况,为出行提供参考;另一方面可为政府治理环境污染提供参考依据。     

传统小波神经网络在变形预测中的模型改进

针对传统小波神经网络利用随机值作为网络初始参数时,存在网络收敛慢甚至不收敛的问题,本文提出了对网络初始参数进行自相关修正的优化方法,来提高小波神经网络的收敛速度。同时,本文利用了小波函数的降噪特性对原始数据进行预处理,以提高模型的预测精度。将这种改进的小波神经网络模型用于某地铁监测保卫区隧道内的水平位移预测。实验结果表明,改进后的小波神经网络收敛所需迭代次数显著减少,模型的预测精度也更加高。     

GA-BP神经网络的GPS可降水量预测

针对传统BP神经网络模型存在的学习速度慢、易陷入局部极值以及网络结构参数取值的不确定性等问题,该文研究了一种基于遗传算法与BP神经网络相结合的GPS可降水量预测的新方法。该方法利用遗传算法对BP神经网络的初始权值和阈值进行优化,并对该模型进行训练,以提高预测模型的性能。实验结果证明了遗传BP神经网络模型用于GPS可降水量预测的可行性,其预测结果的均方根误差为0.16 mm、平均绝对百分误差为0.23%。相对于BP神经网络和小波神经网络模型,均方根误差分别降低了0.37和0.19 mm,平均绝对百分误差分别降低了0.62%和0.33%。同时遗传BP神经网络模型亦显示了很好的非线性拟合能力,能更好地预测GPS可降水量,对实际工作具有较强的参考价值。     

两型模式下长株潭主城区PM2.5时空变化特征分析

为评估"两型社会"建设是否对改善城市空气质量发挥了作用,本文以长株潭主城区为研究对象,从土地利用视角出发,融合地理国情普查数据、遥感气溶胶光学厚度(AOD)数据、PM_(2.5)浓度观测数据和相关专题数据,运用遥感技术、GIS空间分析和数学统计理论与方法,构建了顾及多源地理要素特征的城市PM_(2.5)污染时空变化模拟模型。在此基础上,分年均和季节时间尺度分析PM_(2.5)浓度空间分布特征及其与土地利用格局的耦合关系。结果表明,"两型社会"建设期间,长株潭主城区PM_(2.5)浓度呈显著下降趋势和明显的季节差异,但整体仍严重超标;主城区内PM_(2.5)浓度空间差异与土地利用类型显著相关,建设用地面积比例越高、园林地越低,PM_(2.5)浓度越高。该研究结果对于开展污染防治、指导土地利用开发以及实现长株潭城市群"两型社会"可持续发展具有一定的参考价值。     

变形预测的小波神经网络模型改进

针对传统小波神经网络利用随机值作为网络初始参数时,存在网络收敛慢甚至不收敛的问题,该文提出了对网络初始参数进行自相关修正的优化方法,来提高小波神经网络的收敛速度。同时,该文利用了小波函数的降噪特性对原始数据进行预处理,以提高模型的预测精度。将这种改进的小波神经网络模型用于某地铁监测保卫区隧道内的水平位移预测。实验结果表明,改进后的小波神经网络收敛所需迭代次数显著减少,模型的预测精度也更加高。     

经验模态分解和遗传小波神经网络法用于边坡变形预测

从挖掘边坡变形特性出发,提出一种基于经验模态分解(EMD)和遗传小波神经网络(GA-WNN)法的新型边坡变形预测模型。该模型首先对边坡变形序列进行EMD分解,有效分离出不同尺度特征的子序列;其次基于相空间重构挖掘各子序列的特性,以避免预测模型输入维数选取的随意性;然后采用遗传算法优化小波神经网络的权值和阈值,进而对各子序列建立预测模型;最后叠加各子序列预测值得到边坡预测结果。经过了算例计算,并与SVM和GA-WNN对比分析。结果表明:该模型具有较强的非线性拟合和自适应能力;在一定程度上保证较优的局部预测值和较好的全局预测精度,均方根误差为0.68 mm;在边坡变形预测中具有一定的实用意义。