基于神经网络的潮汐预报方法初探

运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报.将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高.     

基于参考压缩线的砂土压缩模型

等向压缩线不唯一及V-lgp空间内非线性变化是砂土压缩模型构建过程中存在的两大问题.通过分析砂土的等向压缩曲线变化特征,结合其力学特性提出了与临界状态线在0点相交并与其它等向压缩线在高压下相互汇聚的等向压缩线作为参考压缩线.采用ln(V-Vmin)-(p/pa)ξ空间内线性函数来描述参考压缩线与临界状态线.利用当前体积...     

基于模糊神经网络(FNN)的赤潮预警预测研究

为研究各种理化因子与赤潮藻类浓度间的非线性对应规律和有效预测赤潮藻类浓度,构建了基于BP 算法的一个四层模糊神经网络模型。将模糊神经网络(FNN)技术引入赤潮预测研究,并与普通 BP 网络、RBF 网络的结果作比较,结果表明,该模型能够较好地反演出各种理化因子与夜光藻密度的非线性对应变化规律,有更好的预测功能。     

基于模糊神经网络(FNN)的赤潮预警预测研究

为研究各种理化因子与赤潮藻类浓度间的非线性对应规律和有效预测赤潮藻类浓度,构建了基于BP算法的一个四层模糊神经网络模型。将模糊神经网络(FNN)技术引入赤潮预测研究,并与普通BP网络、RBF网络的结果作比较,结果表明,该模型能够较好地反演出各种理化因子与夜光藻密度的非线性对应变化规律,有更好的预测功能。     

基于BP神经网络的公交动态行程时间预测方法研究

公交行程时间的精确预测对于提升公交吸引力具有重要意义。本文基于公交车到离站的历史数据,综合考虑时间周期、站点、站间距离、天气等多个因素,建立了基于BP神经网络的公交车静态行程时间预测模型,以该模型为基础,采用动态迭代的方法,叠加多个站间行程时间预测结果,进一步构建了面向连续站点的公交车动态行程时间预测模型,实现对跨越多个站点的公交行程时间预测。以青岛市125路公交为例对算法进行测试。在模型的横向对比实验中,本模型预测结果的绝对误差均在50 s以内,平均绝对误差百分比(MAPE)为11.74%,均方根误差(RMSE)为23.15,R2的确定系数为0.905 1,SVM的MAPE、RMSE、R2 误差指标分别为:12.38%、38.33、0.743 6,LR对应的误差指标分别为:12.50%、25.59、0.884 1;在静态模型与动态模型的对比实验中,动态模型预测结果的MAPE为11.75%,RMSE为23.15,静态模型对应误差指标分别为:11.63%、26.74。研究结果表明,基于BP神经网络的公交动态行程时间预测模型比传统的静态预测方法具有更高的预测精度。     

基于RBF神经网络的多系统钟差预报算法

针对海上条件下,对于实时定位应用,实时数据流无法下载的情况,文中提出一种基于RBF神经网络的卫星钟差预报算法,给出基函数的中心、方差以及隐含层到输出层的权值的计算方法,采用滑动窗口的方法,用样本数据训练后的网络预测下一个历元的钟差值,依次往后训练网络直到预测完整个时间段,通过实验验证了算法的可用性。短期预报中,GPS预报精度在1 ns以下,BDS和GLONASS在2～3 ns左右;长期预报中,GPS预报精度在几十纳秒左右,而BDS和GLONASS在几百纳秒左右,文中给出了相应的结果分析。     

基于BP神经网络的摇臂式波浪发电平台取能效率预测

取能效率是衡量波浪发电装置设计合理与否的重要参考标准。文章首先介绍了摇臂式波浪发电平台,接着对BP神经网络的原理和算法进行了描述,最后以水池试验过程中收集的数据为样本数据,在Matlab平台上运用BP神经网络对实海况下摇臂式波浪发电平台的取能效率作了仿真预测。仿真结果表明：实海况下摇臂式波浪发电平台的取能效率达到了预期目标,进一步说明BP神经网络成功训练出可靠的网络,在此基础上预测的数据具有一定的参考价值。     

基于BP神经网络的天然气水合物相平衡计算及预测

针对天然气水合物相平衡问题,文中提出用基于带动量因子的BP神经网络进行计算和预测。首先用遗传算法优化确定BP神经网络的结构和参数,得到最优化结构的神经网络;其次结合Levenberg-Marquart优化算法,建立天然气水合物相平衡计算及预测的神经网络模型;最后以实验测定的(CH4 CO2 H2S)三元酸性天然气水合物体系的平衡数据为训练和预测样本进行了计算。计算表明,预测结果与实验数据有良好的一致性,而且由于BP神经网络作为所谓的“纯粹”的算法不需要热力学模型,这对于相平衡计算是非常方便的,所以是研究天然气水合物相平衡计算及预测的一种新的有效方法。     

浮游植物密度的人工神经网络预测研究

将人工神经网络模型应用于藻类密度数据的预测计算之中,并利用遗传算法对其网络结构进行优化计算以保证计算结果的准确性且自动确定网络结构,分别对神经网络的“当天模型”和“预测模型”进行了计算。结果显示：几种人工神经网络模型在计算精度以及预测数据的趋势上都有较好的效果,目前国内学者使用的人工神经网络“当天模型”无法对其后数据进行预测,不能起到实际预测的作用,而经过遗传算法优化后的人工神经网络“预测模型”不仅达到了很好的预测效果,而且网络结构简单,适用于浮游植物密度的预测计算。     

基于神经网络的平底结构砰击压力预报

对利用神经网络预报平底结构入水砰击压力的方法进行了探讨。首先利用仿真软件计算各种情况下平底结构入水所产生的砰击压力，以此形成训练神经网络的数据集。其次利用数据集对三层反馈式网络进行了训练，讨论了不同隐含层节点数对该非线性系统的拟合能力，并且对梯度下降法、动量修正法和基于优化的LM算法的有效性和精度进行了比较，最后得出了适合平底结构入水砰击系统的网络结构。     

BP和 RBF神经网络应用于海表温盐短期预测效果对比

基于向外长波辐射、降水、大气再分析资料和 HYCOM(HYbridCoordinateOcean Model)盐度等资料,研究了 MJO(Madden-JulianOscillation,热带大气季节内振荡)对南海夏季降水的调制,并初步探讨了其对海洋表层盐度的影响。结果显示:MJO 对南海夏季降水有显著的调制作用,导致南海降水具有强的季节内变化,其最显著周期为45d。降水季节内信号在泰国湾北部、吕宋岛以西和台湾岛西南等迎风坡区域较强,而在越南外海的安南山脉背风区域较弱,且降水信号会随着 MJO 信号向东北方向移动。MJO 对流抑制(活跃)中心所在区域,低层大气辐聚减弱(增强),中层大气对流减弱(增强),导致降水减少(增加);此外,MJO 对流抑制(活跃)中心伴随的反气旋式(气旋式)环流会改变风场,风场减弱(增强)使得迎风区域的降水减少(增加)。MJO 引起的降水异常进一步影 响南海盐度,南海表层盐度也有明显的季节内变化特征,其显著周期和降水基本一致,为47d,且盐度异常信号也随降水异常向东北移动。本研究结果有助于进一步了解南海降水和表层盐度的季节内变化特征。     

基于深度残差网络的水下通信调制信号分类

在无线通信中,调制分类是非协作通信的重要组成部分,很难使用常规方法同时兼顾识别准确率和低复杂度对各种调制方案进行高效分类。深度学习方法用来处理这个问题,可以取得良好的效果。在水声通信的环境下,由于通信环境的特殊性,导致信号的调制分类比陆地通信更加困难。创新采用了深度学习网络的改造残差结构形式来区分多种水声通信中的各种常用调制方法,通过合理地选用深度残差网络的超参数,有效克服了模型过拟合问题,取得了良好识别效果。     

普强高性能混凝土受压应力-应变全曲线试验研究

通过普强高性能混凝土和普通混凝土的应力-应变全曲线试验研究,得到一系列应力-应变曲线。对普强高性能混凝土和普通混凝土的立方体抗压强度与棱柱体抗压强度的关系、棱柱体抗压强度与峰值应力所对应应变的关系及棱柱体抗压强度与初始弹性模量的关系进行了分析。结果表明,虽然普强高性能混凝土的力学性能与普通混凝土的力学性能存在一定的差别,但主要力学性能还是相似的。说明在不改变混凝土的力学性能的基础上通过对普通强度混凝土原材料的优选和配合比的优化能够提高混凝土的耐久性能。     

基于无监督学习卷积神经网络的声呐图像分割

声呐图像分割是图像分割技术发展中的组成部分,是水下目标识别与检测的重要一环。传统方法中基于有监督分割方法的算法往往代价较大,表现出试验周期长、实时性较差、运行速率较慢等不足。并且由于声呐图像的成像质量差、分辨率不高、边缘条件不清晰、人工标注工作量大等客观因素,不易建立用于有监督模型训练的大规模数据集,使得传统分割方法越来越不适应当前实际应用的多方面要求。将基于无监督学习卷积神经网络引入到声呐图像分割任务中,分割模型通过对单帧声呐图像进行训练和测试,最后经过推理得到将阴影区和目标高亮区分割后的声呐图像,得到分割出来的水下目标。通过对实验的分割结果进行各项指标分析,证明此方法有着更好的运行效率和分割精度,并且实时性较高,综合性能优于传统方法。     

Seabed Classification Using BP Neural Network Based on GA

INTRODUCTIONUnderwaterremotesensingtools,suchasmulti beam ,sidescansonar,sub bottom pro file ,video ,etc .,arenormalmeanstoexploreseabed .Foreaseofnotation ,sidescansonarim ageisusedtodemonstrateseabedimage .Sidescansonarisakindofhigh resolutionimagingandcancontinuouslymonitorthechangesofseafloor.Inordertorelievetechniciansfromhardhandwork ,theautomaticclassificationbycomputerisneeded .Differentfromthespatialremotesensingimage ,underwatersonarimageistheformernon multi spectralimage .Theo…     

基于小波神经网络的电离层TEC短期预报

提出利用神经网络中的小波神经网络技术(WNN)对全球的电离层总电子含量进行预报,以国际全球定位系统服务(IGS)发布的电离层TEC数据资料为样本,并用发布的已知TEC进行检核,分析了全球预报精度及不同纬度的预报精度。试验结果表明,小波神经网络的短期预报结果能很好地符合已知数据,预报的精度较高,预报值和已知值之差小于3TECU的电离层格网点数占总格网点数的百分比都在90%以上,随着时间的推移,比值下降并不明显。     

非线性BP网络映射与赤道东太平洋海温预测

基于ＮＣＥＰ／ＮＣＡＲ再分析资料,利用人工神经网络ＢＰ模型及其优化算法,建立起了赤道太平洋纬向风和滞后的东太平洋海温之间的映射关系和预报模型,成功地模拟和仿真出了１９８２／１９８３、１９８６／１９８７年发生的强Ｅｌ Ｎｉｎｏ现象和１９８８年的强Ｌａ Ｎｉｎａ现象。结果表明,这种方法可有效用于辩识和反演辩识和反演复杂的大气、海洋动力系统及其预报模型。     

基于BP神经网络的航磁补偿方法研究

水中未爆弹危害极大,航空磁探因探测效率高的优势,常用于水中未爆弹的探测。飞机干扰磁场的存在限制了航空磁探的发展。传统的T-L模型待求参数间具有很强的复共线性,难以满足高精度磁补偿的要求,而神经网络算法具有容错率高、求解精度高的特点。首先使用BP神经网络建立干扰磁场的数学模型;随后,通过仿真生成干扰磁场以及未爆弹目标磁场信号对算法进行验证;最后,利用四旋翼无人机平台进行目标探测试验,补偿改善比超过20。试验结果表明,算法可以用于提高平台对水下目标探测的精度。     

BP神经网络在海洋赤潮预测中的应用

A red tide as an sananomalous ecological phenomenon is characterized with abruptness and nonlinearness,and red tide prediction has been a hot spot in ocean ographic studies.In this paper,by using the principle of fuzzy mathematics,we developed a computer progran to simulate the BP model on the basis of Visual C⁺⁺ language.Engineering analysis shows the same result between the simulation and the observation of red tide which is practical. The calculation procedures are simple and easy.     

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。