基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足，应用遗传算法（GA）与基于误差反向传播算法（BP）相结合，构成GA-BP混合遗传算法，建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征，克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测，表明GA-BP模型的预测具有精度高、收敛速度快的优点，在大坝的预测方面具有应用价值。     

一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型

提出一种基于马尔科夫链修正的遗传BP神经网络预测模型（GA-BP-MC），利用遗传算法的全局寻优能力初始化BP神经网络权值和阈值，初步建立GA-BP神经网络预测模型，结合马尔科夫链的无后效性修正模型预测值，形成高精度GA-BP-MC神经网络变形预测模型。结合高铁桥墩沉降数据，分别与BP神经网络、GA-BP神经网络预测模型进行对比，结果表明，该预测模型精度最高。     

改进的GA-BP神经网络模型在财产犯罪预测中的应用

发现犯罪时空分布规律并预测犯罪发生,是提高警务策略有效预防、控制犯罪的重要方法。在分析财产犯罪时空规律的基础上,利用BP神经网络模型自动学习训练各因子与财产犯罪的非线性关系,建立了财产犯罪预测模型。针对BP神经网络模型易陷入局部最优和模型不稳定的缺陷,提出了利用遗传算法（GA）选择各因子最优的初始化权重和参数,并以此作为BP神经网络模型的初始化权重矩阵,通过对历史数据的学习及训练建立了改进后的GA-BP神经网络模型。利用某市2007~2012年财产犯罪、人口、GDP、土地利用等35个综合影响因子数据,对改进前后的模型进行了预测对比试验。结果表明,改进后的GA-BP神经网络模型成功克服了BP模型的缺陷,收敛迭代最小次数从117次改进到8次;10次计算收敛迭代次数最大误差从370次提高到5次;模型预测精度（RMES）从0.043 0提高到0.019 95。     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

遗传模拟退火算法优化BP神经网络的GPS高程拟合

针对传统BP神经网络收敛速度慢、易陷入局部最优和遗传算法优化BP神经网络(GA-BP)算法过早收敛的问题,提出了遗传模拟退火算法优化BP神经网络(GSA-BP)算法. 在遗传算法(GA)的种群更新中加入模拟退火算法(SA),保留种群的多样性. 用GSA-BP算法对某地区进行高程异常拟合,并与BP算法和GA-BP算法结果进行比较. 结果显示:GSA-BP算法精度可分别提高约51%、25%,速度提高约77%、39%,且能基本满足四等水准测量精度要求. 该方法在GPS高程拟合中具有可行性.      

基于GA-BP神经网络的高铁线下工程沉降预测模型

结合遗传算法与BP神经网络模型,介绍GA-BP模型的基本原理,建立高速铁路线下工程遗传BP神经网络沉降预测模型,并探讨模型精度的影响因子。通过实例分析表明GA-BP模型具有预测精度高、收敛速度快的特性,进而验证GA-BP模型在高速铁路线下工程沉降预测评估中的科学实用性。     

基于主成分分析的GA-BP神经网络地表下沉系数预测

为提高条带开采地表下沉系数预测准确率,基于地表下沉系数影响因素具有一定相关性、不确定性以及非线性的复杂现象,建立基于主成分分析的遗传算法(Genetic Algorithm,GA)优化的神经网络GA-BP智能预测模型.利用遗传算法对BP神经网络(Back Propagation Neural Network)的初始权值和阈值进行优化处理,通过SPSS20(Statistical Product and Service Solutions 20)软件对地表下沉系数影响因素进行主成分分析,降低数据维度,消除变量间的冗余信息,找出主成分并作为模型的输入样本,利用MATLAB(Matrix Laboratory)软件进行仿真与分析.结果表明:与传统BP神经网络模型和主成分分析(Principal Component Analysis,PCA)的PCA-BP神经网络模型相比,基于主成分分析的GA-BP模型的相对误差不超过5％,与实测值更为接近,预测精度进一步提高,基本满足矿区实际工程需要,为条带开采地表下沉系数预测提供了又一种准确可行的方法.     

甘孜州九龙县水土流失评价研究

本文以九龙县为研究区,根据沟壑密度、坡度、植被盖度、土地利用类型和高程5个因子,结合ARC-GIS空间分析功能和MATLAB数学建模编程的功能,应用GA-BP模型(遗传算法优化BP神经网络)对研究区的水土流失进行非线性智能定量评价,并与层次分析法的结果对比分析,阐述了GA-BP模型的优越性。本次研究可以为九龙县水土流失预防和治理提供有益的参考。     

一种基于遗传算法优化的BP神经网络建筑物沉降预测模型

为提高建筑物基坑沉降预测精度,针对传统BP神经网络模型收敛速度慢和易陷入局部最小值的缺陷,利用遗传算法的全局寻优能力建立基于GA-BP神经网络的高精度建筑物基坑沉降预测模型。结合实际建筑物的基坑沉降监测数据,与传统BP神经网络预测模型进行对比,结果表明基于GA-BP神经网络的沉降预测精度更高。     

基于Keras平台的LSTM模型的对流层延迟预测

对流层延迟是影响全球卫星导航系统（GNSS）测量精度的重要因素. 针对现有对流层延迟模型稳定性差，精度较低等问题，在无实测气象参数条件下，提出一种基于Keras平台的长短期记忆神经网络（LSTM）的对流层延迟预测模型. 选取全球均匀分布的8个测站，使用其2016年第90-131年积日共42 天的整点对流层延迟数据预测其第132-136年积日的整点数据. 以国际GNSS服务（IGS）中心提供的对流层产品为真值，分析比较LSTM模型和反向传播（BP）神经网络模型的预测效果. 研究表明，LSTM模型预测结果的均方根误差基本达到mm级，其平均绝对误差和平均绝对百分比误差均比BP模型低，LSTM模型在精度和稳定性上较BP模型均有明显提高；LSTM模型在中高纬区域的均方根误差（RMSE）均值达到7.82 mm，中高纬地区更适合使用该模型.      

基于元胞自动机的遗传神经网络在土地利用变化模拟分析中的应用

元胞自动机模型在土地扩展的转换规则设计上具有随机性,受周围环境影响较大。文中建立基于BP神经网络和遗传神经网络算法优化的元胞自动机土地扩张模型,对广州市2009—2011年进行城市扩张模拟分析。实验结果显示:BP神经网络能够较好地模拟分布较集中的耕地和林地等区域,精度可达到70%以上,而对于面积较零碎的建筑用地区域,模拟效果较差;而遗传神经网络优化算法能够总体提高模拟精度约5%,部分精度能提高至20%。同时,该算法还能充分考虑影响土地变化的各种扰动因素,优化选择驱动因子和缩短迭代次数,对于城市土地扩张研究具有可行性。     

三种高程异常拟合模型比较

将二次曲面、BP神经网络、最小二乘支持向量机应用与高程异常拟合,并用某地区数据进行了实验验证,结果表明,最小二乘支持向量机应用于高程异常拟合精度最优。     

一种改进遗传神经网络的建筑基坑沉降预测模型

目前常见的沉降预测方法有灰色系统模型、时间序列分析法、BP神经网络及其改进算法等。针对BP神经网络容易出现过拟合和局部最优的缺点,部分学者利用遗传算法进行神经网络初始权值和阈值优化。但是遗传算法对于因监测数据质量问题而造成变形预测结果不佳的优化效果有限。因此引入自适应增强算法对遗传神经网络预测模型进行改进。并利用某高层建筑基坑实测50期监测数据进行仿真预测。实验结果表明,利用自适应增强算法改进之后的遗传神经网络预测模型在满足工程监测精度要求的前提下,在MAPE、MAE、MSE三项精度指标上分别提高80.57%、81.04%、70.83%。     

自组织优化分类的AUV地磁导航适配区选取

为确保水下自主航行器(autonomous underwater vehicle, AUV)地磁导航的可靠性及其航迹规划的合理性,提出了一种基于主成分分析(principal component analysis, PCA)和改进反向传播(back-propagation, BP)神经网络结合的候选地磁匹配区自组织优化分类方法。将候选地磁匹配区的分类问题统一在模式识别的框架下,首先,采用PCA对若干地磁图特征参数进行线性变换,获取独立的主成分特征参量;然后,利用遗传算法(genetic algorithm, GA)优化BP神经网络的初始权阈值来提高候选地磁匹配区适配性分类的准确性;最后,借助GA-BP神经网络来构建地磁图特征参数和匹配性能的映射关系,完成地磁适配区的自动识别。仿真实验结果表明,该自组织优化分类方法在地磁导航适配区选取方面具有较高的分类精度和可靠性,为AUV的高精度长航时自主导航提供重要保障。