结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演

针对PRO-4SAIL辐射传输模型耦合BP神经网络反演叶绿素时存在过拟合、预测精度低的问题,本文以研究区内实测的高光谱数据和模拟光谱数据为数据源,在模拟样本数据构成的训练集中添加部分实测样本数据,构建BP神经网络叶绿素反演模型,然后利用剩余的实测数据进行模型验证与精度评定。结果表明:向训练集中加入少量实测数据,可以解决叶绿素反演模型过拟合的问题,叶绿素含量的预测精度得到提升,实现准确的反演路域植被信息,为路域环境植被环境遥感监测评价提供一定的技术支持。     

像元二分模型的土壤重金属Cr的遥感反演

针对遥感影像上土壤重金属光谱敏感性不显著、土壤重金属含量定量反演拟合模型精度低的缺陷,该文采用像元二分模型线性解混提取土壤反射光谱,运用倒数对数变换后的土壤反射光谱为光谱参量建立土壤重金属Cr含量的三次多项式估算模型,反演耕地土壤中Cr的含量。结果表明,经过像元二分模型处理后的土壤反射率与重金属Cr的敏感性从不显著提升为显著相关,反演模型拟合优度显著提高。可见,基于像元二分模型得到土壤反射光谱,提升了其与重金属(Cr)之间的敏感性,提高了土壤重金属含量估测模型精度。     

基于BP神经网络的三维激光测高数据拟合方法

针对三维激光测高拟合问题，本文采用BP神经网络进行拟合，该方法可以有效地消除或减弱数据中的系统误差影响，提高计算精度。实际算例证明，在数据无粗差情况下，BP神经网络的内符合与外符合精度优于传统的二次曲面拟合的精度。     

基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。     

模拟多光谱的土壤重金属含量反演研究初探

根据多光谱传感器的光谱响应函数,采用实测ISI921VF反射光谱数据模拟Landsat卫星ETM+传感器多光谱数据,在模拟光谱的基础上,通过光谱特征提取、构建土壤指数对土壤重金属Cu,Pb,As进行预测分析。研究显示,Cu,Pb与模拟ETM+光谱的B2,B3波段显著相关,As与DSI,RSI,NDSI相关系数在0.6以上,基于模拟多光谱建立的Cu,As模型精度较高,平均相对误差分别为7.9%,2.7%,表明模拟的Landsat卫星ETM+传感器多光谱具有预测耕地土壤重金属的潜力,为实现大范围监测土壤重金属污染提供新思路。     

徐州市区土壤重金属空间分布研究

本文以徐州市泉山、云龙、鼓楼、九里4个城区的表层土壤为研究对象,利用BP神经网络模型结合GIS技术对徐州市表层土壤重金属空间分布进行了研究.结果表明:BP神经网络模型能够智能地学习各个样点的空间位置与该点各重金属含量之间的映射关系和预先设计好的分类评价模式,并能够对各个空间插值点处的重金属含量和污染状况进行预测和评价....     

不同类型土壤Cu含量高光谱联合反演建模

为探明不同类型土壤重金属Cu的敏感波段及构建普适性高光谱定量反演模型,该文以湖南省红壤、水稻土和潮土3种主要类型土壤为研究对象,在光谱预处理及组合变换基础上,采用相关性分析和逐步回归筛选重金属Cu敏感波段,并分别构建一元回归和逐步回归联合反演模型。结果表明,相较于原始光谱,组合变换光谱与土壤重金属相关性明显提高;通过逐步回归筛选重金属Cu的敏感波段位于400～850 nm和1 800～2 200 nm区域;相较于一元线性回归,逐步回归模型预测精度显著提升,应用对倒一阶微分光谱中400、590、620、670、790、850、1 790、2 270 nm波段反射率构建逐步回归模型反演精度达到最优,满足重金属Cu含量监测精度需求,同时为发展基于高光谱影像大面积反演不同土壤类型重金属Cu含量提供理论支撑。     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

高光谱土壤有机质估测模型对比研究

应用高光谱技术探讨土壤有机质含量定量估测方法,对发展精细农业具有重要意义。本文利用陕西省横山县的实测数据,采用对数的一阶微分变换方法对土样的高光谱数据进行处理,分别采用线性回归分析法、BP神经网络法、模糊识别法建立高光谱土壤有机质含量估测模型,并对比分析其精度,确定最优的光谱反演模型。实验结果表明:模糊识别模型的决定系数达到0.973,RMSE为0.0468%;比线性模型和BP神经网络模型精度都高。研究表明,土壤有机质光谱反演不仅要重视机理研究,同时要加强光谱反演建模方法创新。     

RSA-BP组合模型在GNSS高程拟合中的应用

针对地形复杂区域构建GNSS高程异常拟合模型精度有限的问题,本文提出了一种基于爬行动物搜索算法(RSA)优化BP神经网络的方法。利用RSA对传统BP神经网络各层之间神经元的权值和阈值全局寻优,解决BP神经网络局部极值、梯度下降等问题;同时,选取三等水准测量精度以上的加密网点高程数据作为样本集,使用RSA-BP神经网络学习与训练。与最小二乘支持向量机、多面函数拟合性能对比,RSA-BP神经网络模型拟合精度最高,稳定性最好,与实际高程异常值最为吻合。     

光谱解混下耕地土壤铬含量GMDH模型反演

针对遥感影像反射率与重金属元素间的光谱响应弱,土壤重金属经典反演模型精度较低等问题,本文以Sentinel-2号遥感影像为数据源,利用像元二分模型进行影像光谱解混,筛选出相关性较高的特征光谱作为光谱参量,构建基于像元线性解混和不同光谱变换下土壤反射率与重金属Cr含量的PLS模型和GMDH模型。研究结果表明,解混后的光谱与重金属Cr含量间的显著相关波段数增多,相关性增强。基于解混后的土壤光谱与重金属Cr含量构建的GMDH模型,其模型稳定性较好,预测能力更强,精度更好。该方法拓展了传统的利用遥感影像进行反演的思路,可为大范围监测土壤重金属的污染状况提供有益参考。     

一种基于 BP 神经网络的尾矿坝沉降预报方法

基于BP神经网络建立尾矿坝沉降预报模型,重点对BP神经网络的拓扑结构和学习算法进行研究。并以某尾矿库初期坝的沉降监测数据为例,对模型的拟合、预测精度进行验证。实例表明,BP神经网络自学习、自组织能力强,具有极强的线性逼真能力,能够准确地反映输入、输出变量之间的非线性关系,有效地表征尾矿坝的沉降变形规律,对即将发生的变形情况做出科学、合理的预报。     

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。     

特征变量选择结合SVM的耕地土壤Hg含量高光谱反演

为探讨应用高光谱数据反演耕地土壤重金属汞(Hg)含量,对原始光谱进行10 nm重采样和SG平滑处理,用不同光谱变换数据与土壤重金属Hg含量进行相关性分析,采用IRIV、Random Frog和PCC提取光谱特征波段,分别建立SVM与GWO-SVM土壤Hg含量高光谱反演模型,获取Hg含量最优反演路径。研究表明,一阶微分变换光谱后土壤光谱特征更明显;上述特征提取方法在不同程度上减少光谱数据冗余,保留有效变量信息;经灰狼算法优化后支持向量机模型反演精度提高,IRIV结合GWO-SVM预测精度更高,其验证集R²为0.894,RMSE为0.082,MAE为0.016。研究成果可为类似土壤重金属含量的反演提供借鉴。     

改进BP神经网络模型的地基变形预测

BP神经网络模型是一种经典的预测模型,被广泛应用于变形分析预测的各个领域。本文采用一定方法以进一步改进BP神经网络模型,并通过灰色Verhulst-BP模型分析软基处理地基的实例数据,结合Matlab语言,编程比较分析预测及实测的数据,得出结果证明改进灰色Verhulst-BP模型的分析预测精度较高,比较适合于建筑地基变形的预测分析。     

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。     

优化短期余水位组合预测模型

针对现有非稳定非线性余水位预测模型较少和精度较低的问题,本文研究基于MEEMD算法与遗传优化BP神经网络的余水位组合预测模型。利用夏威夷岛4个长期验潮站获取的余水位时序数据,首先采用遗传算法MEEMD对余水位时序数据进行处理分析,得到较为稳定的余水位IMF分量;然后将经过遗传算法优化后分解的较为稳定的各个IMF分量作为BP神经网络预测模型的输入变量,分别建立12、24、48 h短期余水位的MEEMD遗传算法优化BP神经网络预测模型。通过与非优化BP神经网络预测模型结果进行对比分析,结果表明,优化前后均方根误差的偏差最高达2.03 cm,验证了预测24 h内的短期余水位仍保持其相关特性。该组合预测模型对于分析余水位变化规律和潮汐预报的精度、水位改正等均有重要意义。     

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。