一种基于模糊神经网的超短波信号自动识别算法

针对具体的军用超短波信号,提出一种基于模糊神经网的改进信号识别算法.该算法利用模糊神经网实现模糊推理系统,采用分步识别的方法,将特征参数映射到模糊空间进行二分类.仿真表明:在具有高斯加性白噪声的环境中,信噪比高于15dB时,系统识别率高于95%.     

白骨壤人工湿地对模拟对虾养殖废水处理效果及细菌群落组成的影响

【目的】探讨白骨壤人工湿地处理模拟对虾养殖废水的效果。【方法】通过室内构建白骨壤垂直流人工湿地和无植被人工湿地系统,研究处理时间和水力负荷对人工湿地处理模拟对虾养殖废水的影响,并分析人工湿地内部生物膜的细菌群落结构。【结果】人工湿地启动60d后的稳定运行阶段,白骨壤人工湿地总氮和氨氮的去除率分别在77.19%～84.66%,91.62%～98.48%,无植被人工湿地总氮和氨氮去除率分别在41.40%～61.69%,47.08%～79.79%,白骨壤人工湿地对总氮和氨氮去除率显著高于无植被人工湿地(P <0.05);在总磷、有机物和总有机碳去除率方面,两者无显著差异。白骨壤人工湿地处理养殖废水3d后总氮、氨氮、总磷、有机物和总有机碳去除率分别为84.7%、94.1%、92.0%、64.1%和66.2%,出水浓度均低于海水养殖废水排放标准(GB3097-1997)。白骨壤人工湿地生物膜中变形杆菌门(Proteobacteria)、硝化螺旋菌门(Nitrospinae)丰度显著高于无植被人工湿地(P <0.05);无植被人工湿地蓝细菌占细菌总量的5.36%。水力负荷对总氮、氨氮和总磷的去除率影响显著(P<0.05);当水力负荷0.06m^3/(m^2·d^-1)时,总氮、氨氮和总磷的去除率均达到最大值,分别为66.6%、75.0%和41.8%;日去污量均值为51.6、73.5和10.4 mg/d。有机物和总有机碳在不同水力负荷下去除率变化不显著(P> 0.05)。【结论】白骨壤构建海水人工湿地是循环海水养殖废水生物处理的一种有效途径。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

阜新重点沙化地区沙化动态变化研究

<正>阜新市彰武县处于科尔沁沙漠南缘,是辽宁受风沙、干旱危害最严重的地区,沙化导致生态平衡遭到破坏,自然环境趋于恶化,生物多样性受损,降低了区域可持续发展的能力。因此,对阜新市重点沙化地区进行监测具有重要意义。研究意义传统的沙化监测是在已往沙化调查监测数据的基础上,进行人工野外实地调查与勾绘,更新沙化图     

地下水人工补给水质的研究--以西安市回灌为例

以西安市地下水人工补给研究为例,探讨了人工补给地下水的意义,结合西安地区水文地质特点,着重对回灌水质进行了分析研究,指出在水污染严重的今天,研究地下水人工补给的重要性、必要性,提出水质改善及保护措施,利用人工补给可以解决水的有关问题,通过实际分析验证地下水回灌对水质的改善。     

基于遗传神经网络的入侵特征选择模型

针对高维数据包含的不相关和冗余特征影响检测方法性能的问题,提出了基于遗传神经网络入侵特征选择模型.该模型在传统的遗传神经网的输入层和隐含层之间增加特征选择层,并在特征选择层与输入层间设置连接开关,如果开关合上,则该特征被选中;否则为放弃.实验结果表明,该模型在保持原有信息完整性的同时,能有效减少冗余特性;在保证检测准确率的前提下,有效提高系统的检测速度.     

人工堆积矿床开发建议

在完成广西地质矿产勘查开发局科研课题"广西风化矿床研究"的过程中,笔者接触了一些有关广西人工堆积砂锡矿床的勘查报告,在对这些报告进行了研究的基础上,针对人工堆积矿床的开发提出几点建议。一、人工堆积矿床的形成 人类由于生产与发展的需要,几千年来不断地开采利用各种矿产资源,留下无数的废矿堆和矿尾砂。这些前人采矿留下的废弃之物(特别是尾砂),由于经过人工     

北京湿地分析与监测

在“3S”技术支持下,结合野外调查与室内综合分析,全面调查监测了北京地区湿地的类型、面积。其类型较多、分布较广、湿地环境差异显著,生物多样性丰富。湿地的主要类型包括湖泊湿地、河流湿地、水库、池塘、稻田等自然湿地和人工湿地,其中人工湿地面积为323541.822km²,自然湿地面积为138214.740km²,约占全市面积的0.3%。另外,选择重点水库湿地和典型湿地做了动态变化研究,结果表明:水库湿地中的密云水库、官厅水库和怀柔水库与1998年相比,面积分别减少了42.0%,23.9%和4.9%,典型湿地的景观格局也发生了相应的改变。由此可以看出,北京湿地面积逐年减少、生态环境质量逐年下降。最后,根据北京湿地现状和暴露出来的问题,提出了一些建设性的结论和建议。本项目的实施为进一步研究湿地变化与周边气候、地形地貌、土地利用、植被变化以及社会经济发展情况的关系,分析湿地受威胁因素,评价湿地生态环境现状,提出湿地保护的措施,奠定了基础。     

洛阳市地下水人工回灌补源及其效益分析

本文简要介绍了洛阳市兴隆寨地区,地下水人工回灌补源试验的概况;并容观地分析总结了试验条件及综合效益。旨在为人工补给地下水工作的研究和开展提供借鉴。     

中山海域浮式试验鱼礁效果研究

广东省中山市所属海域位于珠江口伶仃洋西侧，属热带和亚热带河口浅海区半咸淡水域，是多种海洋生物种类和多种江河生物种类的产卵场所和幼体成长场所。近年来中山海域渔业资源衰退、海洋环境恶化，建设人工鱼礁是恢复渔业资源和修复海洋生态环境的重要措施之一。2002年初至8月，中国水产科学研究院南海水产研究所、     

基于物理约束GRU神经网络的河流水质预测模型

河流水质预测对于水环境管理与水污染防治具有重要意义。近年来,以神经网络为代表的非机理性水质预测模型已被广泛应用于河流水质预测领域。然而,此类模型不考虑水质因子变化的物理机理,导致预测结果难以解释、稳定性差。为此,本文将水质因子变化的物理规律视为一种先验知识约束,建模于门控循环单元神经网络（Gated Recurrent Unit, GRU）之中,以河流水质预测的重要参数溶解氧为例,提出了一种物理约束的门控循环单元网络（Physics-constrained Gated Recurrent Unit, PHY_GRU）。以美国亚特兰大市2021年河流溶解氧预测为例进行实例验证,结果表明：① PHY_GRU与差分自回归移动平均模型、多层感知机和门控循环单元模型相比,预测精度和稳定性明显提升,其中预测均方根误差分别降低了94.8%,62.9%和37.2%;② 综合考虑多种物理规律约束可以提升PHY_GRU的预测精度和稳定性;③ PHY_GRU采用门控循环单元模型训练样本的30%,其预测精度和稳定性即可超过门控循环单元模型。本文提供了一种在神经网络模型中融入水质先验知识的研究思路,有助于提升水质预测模型辅助决策的水平。     

四川旱涝震灾害的人工神经网络外推预测

选取旱、涝、震灾害之间的一步转移概率作为Ｂ－Ｐ人工神经网络训练样本的输入信息，建立了四川旱、涝、震的人工神经网络灾型预测模型。Ｂ－Ｐ网络模型应用于实例预测结果与用主分量分析法的趋势预测结果精度接近。     

人行为计算机仿真的一种方法

根据人工神经网络的基本原理和模拟人类大脑思维的过程,提出了一种神经网络模型和思维模型系统,用于人行为的计算机仿真.神经网络模型采用Sigmoid函数.思维模型系统由感知系统、推理机、知识库、存储单元、学习训练系统、决策系统以及行为输出系统7个部分组成.采用此系统模型对普通学生的工作日日常行为进行了计算机仿真实验.实验结果达到了预期的满意效果.     

流域年均含沙量的B-P网络预测模型及其效果检验

应用误差反向传播算法的人工神经网络，建立了流域年均含沙量的预测模型。该模型用于某流域年均含沙量预测的拟合率达９０％以上，预留检验预报的准确率为７５％。     

基于指标规范值的海水水质评价的SVR模型

为了建立具有普适通用的海水水质评价的支持向量机模型,在设置各指标参照值和指标规范变换式,并对指标进行规范变换的基础上,应用免疫进化优化算法,建立基于指标规范值的海水水质评价的回归支持向量机模型。将优化好的模型用于珠江口海水水质的评价,其评价结果与BP神经网络的评价结果基本一致,从而表明基于指标规范值的支持向量机模型用于海水水质评价是可行的,且该模型较传统的支持向量机评价模型具有较好的普适性和通用性。     

深度学习油气藏地质建模研究进展

随着大数据和以深度学习为基础的人工智能技术的快速发展,油气藏地质建模逐步从传统的两点地质统计建模、基于目标建模、多点地质统计建模和基于沉积过程建模进入智能地质建模阶段。以深度学习为基础的智能地质建模主要采用对抗生成网络建立三维地质模型,目前这些研究集中在网络结构和算法的完善,特别是对地震和测井等各类数据的条件化,少量研究侧重于样本数据的获取。目前研究中采用的训练样本大多是基于目标或基于沉积过程方法模拟得到的合成数据,为了真正将该技术应用实际地下油气藏,需要更加关注真实样本数据的获取。仅靠深度神经网络这种统计学习方法实现技术突破的难度较大,研发通用的人工智能地质建模器是未来的主要发展方向,其中统计学习与符号学习相结合可能是实现该技术的必经道路。      

基于经验模态分解与神经网络的信号预测

利用经验模态分解在处理非线性、非平稳信号以及人工神经网络可以较好地处理非线性问题的优点,通过经验模态分解把加入噪声的仿真信号分解成几个本征模态函数分量和一个趋势项,在分解过程中采用两种方法处理端点效应问题,结果表明两种方法都能很好的解决端点问题,然后对每个分量分别运用径向基函数神经网络进行预测,并重构出最后的预测结果。与不经EMD处理直接运用神经网络进行预测及真实数据进行对比,结果表明,相对于直接预测,该方法具有更好的预测效果。     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

人工神经网络和决策树模型在滑坡易发性分析中的性能对比

机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:① 在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。② BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③ BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。     

����Bayesian����BP�������GPS�߳�ת��

?????BP?????????????????????????????????????Bayesian?????????BP??????????????????????????GPS??????????????????L-M????????????????????????Bayesian??????BP????????????????????????????????????