利用BP网络识别点状地图符号的研究

在利用BP网络识别点状地图符号的过程中,提出了三项改进措施,简化了数据获取,提高了网络收敛速度。通过对训练样本图像的格式分析,实现了输入神经元的简单获取;对神经元、权值数组采取堆内存动态分配的方式,减少了内存占用,极大地提高了权收敛速度;通过对网络拓扑的分析,调整了节点的输出方式,加快了权值改正。     

B—P网络在夏秋季强降水预报中的应用

利用鹤壁1986—1999年夏秋季强降水资料，寻找出鹤壁市夏秋季强降水消空指标和预报指标。利用48h、24h夏秋季强降水预报指标和人工神经元B—P网络降水量预报结果，定量做出鹤壁市夏秋季强降水预报。     

用人工神经元网络作西南涡降水量级预报

根据汛期预报服务的需要，引进人工神经元ＢＰ网络，选取经验指标和数值预报产品为预报因子，以西南涡影响下鲁西南地区短期降水量级为预报对象，在对历史样本进行训练的基础上，得到了一个可有效判别受西南涡影响时，鲁西南地区降水量级大小的分类预报网络。方法简便、客观，实际预报效果好。     

混沌退火Hopfield网络及其在储层聚类分析中的应用

将一种基于混沌退火的Hopfield神经网络(ACHN)应用到储层聚类分析中。这里主要阐述了ACHN聚类的基本原理、混沌神经元的标定、ACHN聚类的策略、先验信息的约束以及混沌退火搜索。实际砂砾岩储层聚类分析表明:这种网络能克服普通Hopfield网络陷入局部最优的不足,得到更准确、精细的聚类结果。     

新的组合激活函数BP网络模型研究

作者提出了一种新的 BP神经网络模型 ,其隐层激活函数采用中心参数可调的 Gaussian函数 ,输出层采用斜度可调的 Sigmoid函数 ,从而神经元具有了更强的信息存储、处理能力。由于采用组合函数 ,将 Gaussian函数良好的局部性和 Sigmoid函数良好的全局性相结合 ,提高了神经网络的收敛速度。几个典型实验的结果表明 ,与传统 BP网络模型相比 ,新网络模型在学习能力和泛化推广能力方面都有明显提高     

神经网络计算机及其在遥感应用中的展望

本文概述了神经网络计算机的基本特点、神经网络的形式化描述、目前国际上神经网络计算机的现况以及在遥感图像处理中应用的潜力和展望。     

具有线性功能函数的神经元在矿井水质类型识别中的应用

正确识别矿井水质类型对于判断突水水源具有重要的意义。本文以华北某矿井为例,采用具有线性功能函数的神经元（AdaptiveLinearElement）方法对来自煤层顶、底板含水层的两种不同水质类型矿井水进行了有效的识别。实际输入的4个未知水样中,经识别两个为顶板水,两个为底板水。神经元学习训练时,其收敛性、收敛速度与步长参数α的选取密切相关。此外,神经元本身也具有一定的抗噪性,这使得神经元在较小噪声背景下仍能正常工作。      

深度学习在地质学上的应用

自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用深度学习在计算机视觉上表现出的强大能力,可以对遥感图像进行聚类、对岩石样品图像进行分类、对岩石薄片数据进行描述;利用深度学习对原始数据表现出的强大识别能力,处理地质异常数据,从而确定成矿靶区的可能位置;利用深度学习的特点,对地震前的声信号数据进行处理,从而判断出地震发生前的剩余时间。     

前馈逆传播算法优化及其在岩土工程中的应用

研究并分析了对BP网络收敛性能有重要影响的非线性系数的取值方法及规律,并给出了在岩土工程问题中的应用实例.利用该方法,提高了BP网络在具体工程应用中的实用性.实践证明按照此规律及方法对BP网络的收敛算法进行改进,能够明显提高网络的收敛速度及收敛精度.     

结构网络最小混合型神经元网络油气预测

基于统计学习理论中的结构风险最小化原理，从理论上给出了神经网络的结构设计方法和实现过程。该方法能自适应地扩展神经网络的容量，从而完成网络的结构设计，并且在有限样本的情况下，阳大限度地提高网络的训练精度和泛化能力，进而提高神经网络预测结果的可靠性。此外，本方法可使神经网络同时具有多种类型的特性函数，增强了网络的信息处理能力。文中给出了该方法在大庆油田某开发区块储层油气检测的应用实例。