基于BP神经网络的海水盐度建模研究

针对受诸多因素影响的复杂的海水盐度参数非线性输入输出特性,训练并建立BP神经网络模型,介绍了该模型的结构特点和原理。分析表明,该方法在海水盐度建模等复杂系统方面具有实用性和可靠性,并有很好的应用前景。     

全新世以来泰国湾古气候演化历史———来自地球化学和矿物学证据

为了对海表温度(SeaSurfaceTemperature,SST)和海表盐度(SeaSurfaceSalinity,SSS)数据进行精确的短期预报,基于多站位海洋观测浮标获取的海表温度和海表盐度数据,利用反向传播(BackPropagation,BP)和径向基函数(RadialBasisFunction,RBF)两种神经网络方法开展了短期预测。首先,在预测时长固定为5d的情况下,对比不同训练时长的预测结果的均方误差(MeanSquaredError,MSE),进而确定以20d的观测数据作为训练集的预测结果均方误差最小。然后,以 PAPA 站观测浮标获取的2009年1月、4月、7月和10月各月的前20d温盐数据作为训练集,分别训练BP和 RBF神经网络,将训练好的2种神经网络模型应用于各月第21至25日的温盐数据预测。结果表明:BP和 RBF神经网络均能有效预测海表温盐数据的季节性变化,但 RBF神经网络对不同预测时间的整体预测效果优于 BP神经网络。多站点数据的预测实验进一步验证了 RBF神经网络模型具有较强适用性和更高的准确性。RBF神经网络模型可以作为海表温盐数据短期预报的有力工具。     

SMAP卫星的RBF神经网络海表盐度遥感反演

针对传统海表盐度遥感反演精度不高、影响因素较少等问题,本文基于SMAP(Soil Moisture Active Passive)卫星L2C(Level 2 C)数据、Argo(Array for Real-time Geostrophic Oceanography)数据和其他辅助数据,以太平洋部分海域（160°E～120°W,0°～30°N）为研究区域,综合考虑海面粗糙度以及白冠覆盖率等参量,利用径向基神经网络建立RBF亮温增量模型,并对平静海面亮温进行修正,然后基于Meissner-Wentz介电常数模型得到反演后的盐度值。验证结果表明：模型预测盐度和SMAP卫星盐度相对于Argo实测盐度的均方根误差分别为0.4和0.5,平均绝对误差分别为0.3和0.4。实验证明,利用RBF神经网络建立的亮温增量模型可以提高海表盐度反演的精度,对海表盐度反演具有实用意义。     

基于头脑风暴优化算法与BP神经网络的海水水质评价模型研究

针对基于传统BP神经网络的海水水质评价模型存在易陷入局部极小等问题,提出了一种新的利用头脑风暴优化算法(BSO)优化BP神经网络的海水水质评价模型(BSO-BP)。该模型引入具有全局寻优特点的头脑风暴优化算法,用于模拟人类提出创造性思维解决问题的过程,具有强大的全局搜索和局部搜索的能力,同时利用BP神经网络所具有良好的非线性映射能力、学习适应能力和容错性,最大程度上考虑到海洋水质评价因素的非线性和非平稳的关系,得到BP神经网络的各层权值、阈值的最优解,使得海水水质评价结果准确合理。并以胶州湾海域的12个监测站位的监测数据作为评价样本进行水质评价,实验结果表明该评价模型能够克服局部极小问题,评价结果准确性较高,并具有一定的实用性。     

基于核磁共振技术的海水盐度测量研究探讨

为了进一步提高测量海水盐度的准确度,提出了一种新的测量方法.该方法改进了测量原理,利用核磁共振适合于液体的性质,对海水样品内所含元素进行精确的定量分析,通过建立数学模型并进一步分析处理后得到海水盐度的精确值.这种方法是由实际工作中得到的一种创新思想,目前仍然处于理论研究阶段,而且国内外还没有开展这方面的研究工作.今后会...     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状,提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值,结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明,该模型和单因子评价、传统的BP神经网络评价相比较,具有训练时间短、预测精度高的特点,在海水水质评价中具有良好的应用价值。     

标准海水研究现状及其应用

标准海水作为海水盐度量值的标准物质,广泛用于检定和校准海水盐度测量仪器和装置.主要介绍两种标准物质-中国-级标准海水和中国系列标准海水,系统介绍我国现阶段标准海水的制备,封装工艺,保存方法,并阐述其在使用过程中的注意事项.     

日照海洋环境监测站海域表层海水盐度的变化特征

海水盐度是海洋物理环境的重要组成部分,其变化可改变水动力环境,进而改变海洋生态环境,因此研究海水盐度的变化特征具有十分重要的意义。文章对2011-2015年日照海洋环境监测站海域表层海水盐度的实测数据进行统计分析,研究结果表明：该海域表层海水盐度基本围绕多年平均值呈周期性波动;受季风影响,表层海水盐度呈显著的季节变化特征,即冬、春季高,而夏季最低;降水量对表层海水盐度的影响有明显的滞后性;冬季表层海水盐度有升高趋势。     

主要电解质组成对电导盐度和比重的影响——一种加和性关系

1969年,由于电导盐度定义的确定,统一了电导测盐方法,在海水盐度测量方面取得了很大进展。但它并不完善,由勘Cox等人确立的电导盐度与相对电导率R_(15)的五阶多项式,实际上代表了具有各地区大洋海水的平均离子组成的海水的电导盐度与相对电导率的关系。这种关系式并不能精确地确定其离子组成与平均离子组成有明显差异的海水的电导盐度值,同时用它求海水比重也将产生一定的误差。这些偏差大小显然与待测     

联合XBT和WOA13模型盐度信息的深水走航声速准确确定

在走航式海洋调查测量中通过投放XBT仪器来获取海水声速剖面,存在由于缺乏实测盐度信息导致的缺陷,其对深水海域的海水声速测量影响尤甚,并进一步影响到海洋水深测量精度。对国际WOA13模型进行了解析及适用性评估,提出了联合XBT和WOA13模型中盐度信息的深水走航声速准确确定方法。实例结果表明,该模型可有效弥补XBT无实测盐度支持及自身探测深度不足的固有缺陷。多个声剖站的全深度声速推算值与实测值间的互差仅有-0.2~0.35 m/s。     

基于权重调整的BP神经网络在Nino区海温预报中的应用

传统BP神经网络在训练完之后,其权重是固定不变的,加上神经网络的样本的标准化处理,将使得网络不易描绘样本峰值.因此,本文考虑变权的方法,以调节训练后的BP网络权重,基于变权次数,建立不同网络模型,并利用不同网络输出值与相应实测值进行比较.结果表明:变权BP网络预报效果有较大提升,同时,降低了对因子相关性的要求.     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

基于BP人工神经网络的海水水质综合评价

为了能够客观地对海水水质进行综合评价,在分析人工神经网络概念和原理的基础上,从阈值角度出发,通过对各类海水水质污染指标浓度生成样本的方法,生成了适用于BP人工神经网络模型训练的样本,并应用基于误差反向传播原理的前向多层神经网络,建立了用于海水水质评价的BP人工神经网络模型。将该模型用于渤海湾近岸海域水环境评价,通过模型...     

BP神经网络在海洋平台桩基轴向承载力中的应用研究

目前海洋石油导管架平台桩基础的轴向极限承载力常用的设计方法为API RP2A(美国石油协会)和静力触探(CPT)的方法.在这两种方法的基础上,提出了用BP神经网络模型对桩的轴向极限承载力进行计算的思路,能够有效地预测桩的轴向极限承载力.根据BP神经网络算法具有较强的非线性映射能力和学习功能的特点,通过对影响单桩极限承载力因素的分析,依据静力触探资料建立了基于BP神经网络的单桩轴向极限承载力预测模型.通过利用API RP2A方法分析成果对该模型进行学习训练和预测检验,证明了预测模型性能良好、具有较高的精度和收敛速度快等特点,验证了神经网络方法的可行性,预测结果能够指导桩基础设计,缩短周期.因而具有较大的工程实用价值.     

Sea surface wind speed retrieval from Sentinel-1 HH polarization data using conventional and neural network methods

Conventional retrieval and neural network methods are used simultaneously to retrieve sea surface wind speed(SSWS) from HH-polarized Sentinel-1(S1) SAR images. The Polarization Ratio(PR) models combined with the CMOD5.N Geophysical Model Function(GMF) is used for SSWS retrieval from the HH-polarized SAR data. We compared different PR models developed based on previous C-band SAR data in HH-polarization for their applications to the S1 SAR data. The recently proposed CMODH, i.e., retrieving SSWS directly from the HHpolarized S1 data is also validated. The results indicate that the CMODH model performs better than results achieved using the PR models. We proposed a neural network method based on the backward propagation(BP)neural network to retrieve SSWS from the S1 HH-polarized data. The SSWS retrieved using the BP neural network model agrees better with the buoy measurements and ASCAT dataset than the results achieved using the conventional methods. Compared to the buoy measurements, the bias, root mean square error(RMSE) and scatter index(SI) of wind speed retrieved by the BP neural network model are 0.10 m/s, 1.38 m/s and 19.85%,respectively, while compared to the ASCAT dataset the three parameters of training set are –0.01 m/s, 1.33 m/s and 15.10%, respectively. It is suggested that the BP neural network model has a potential application in retrieving SSWS from Sentinel-1 images acquired at HH-polarization.     

BP神经网络在铜及铜合金海水腐蚀预测中的应用

根据实海环境数据及材料腐蚀数据,利用BP结构神经网络建立了铜及铜合金在实海环境中腐蚀速度与环境因素、材料成分之间神经网络预测模型。利用建立的预测模型分析了环境因素对铜及铜合金的腐蚀速度的影响。分析结果表明,温度的升高及生物污损促进铜及铜合金的腐蚀,而pH、盐度和氧浓度的升高对浸泡1年的材料腐蚀速度有明显的抑制作用。     

基于神经网络技术的遥感水深反演模型研究

利用Landsat7 ETM+遥感影像反射率和实测水深值之间的相关性,选取了相关性较好的ETM1、ETM2、ETM3、ETM4、ETM3/ETM2等5个水深反演因子,建立了BP神经网络水深反演模型。为充分体现BP神经网络模型的优越性,利用SPSS软件建立了单波段、波段比值、多波段三种不同的线性回归模型。通过对比发现,具有很好的自适应能力和非线性映射能力的BP神经网络模型在处理遥感水深反演问题上比传统的线性模型效果更好。