集对分析径向基函数神经网络预测模型

将集对分析与径向基函数神经网络结合,提出了集对分析径向基函数神经网络预测模型。模型思路是将研究对象t-1时和t时的影响因子集构造为集对并计算联系度,由联系度的同一度、差异度、对立度及研究对象t-1时的值为输入,研究对象t时的值为输出,构建径向基函数神经网络。以年径流预测为例研究表明,模型结构清晰、步骤明确、预测精度较高,为集对分析应用于水文预测提供了新思路。     

基于主成分分析和贝叶斯正则化方法的神经网络年最大洪峰流量预测模型探讨

针时水文预测建模中输入因子过多而导致神经网络结构规模过大,泛化能力差的问题,利用主成分分析和贝叶斯正则化方法对神经网络进行改进,优化网络结构,从而提高泛化能力。以洮儿河流域镇西站年最大洪峰流量预测为例,研究结果表明,改进的神经网络预测方法与传统的神经网络方法相比,泛化能力有显著提高,而且网络的收敛也比较稳定,实际预测中效果良好。     

基于改进型前馈神经网络的流域产流预报模型的研究

在分析流域产流机制、影响因素和现行产流计算方法的基础上,首次取前期影响雨量、主产流历时、全过程面平均雨量和４个代表雨强计７个因子作为神经网络输入,直接以流域产流深作为神经网络输出,并针对传统ＢＰ算法的固有缺陷,采用混合ＧＮ－ＢＦＧＳ算法训练网络。实例验证了所建模型及算法的有效性和可行性。还对神经网络隐层单位数等进行了初步研究。     

基于RBF神经网络的城市需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

基于T-S模糊神经网络的采空塌陷危险性判别

采空区地面塌陷的危险性判别受地质因素、采矿因素等多重因素的影响,各因素往往影响程度不同且部分因素之间又相互联系。为了能够较准确地对采空塌陷危险性进行评估,引入了T-S模糊神经网络模型。以北京西山地区采空塌陷为例,根据塌陷特点,分别选取了地质构造复杂程度、覆盖层类型、第四系覆盖层厚度、覆岩强度、煤层倾角、采深采厚比、采空区埋深、采空区空间叠置层数8项影响因素作为评价指标,并建立了分级标准。将单因素评价指标均匀线性插值作为训练样本,建立了T-S模糊神经网络判别模型。利用训练好的神经网络模型对选取的8处采空区进行评估,结果分别为:Ⅰ、Ⅱ、Ⅲ、Ⅱ、Ⅲ、Ⅱ、Ⅲ、Ⅱ,结果与实际情况吻合。研究表明,利用T-S模糊神经网络研究采空塌陷危险性是可行的。     

基于自组织神经网络的砂土液化评价

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上,从提高算法收敛速度和性能出发,提出了一种改进算法:根据实际应用并结合专家经验确定初始连接权值;采用高斯函数作为拓扑邻域函数;将算法分为粗调整和细调整两个阶段,分别采用不同的学习率和邻域函数,然后采用改进后的SOFM算法对砂土液化进行评价。实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化评价提供了新方法。     

神经网络模型在非线性位移反分析中的应用

以岩体的粘弹性位移反分析为基础，探讨了人工神经网络在非线性位移反分析中的应用。通过对粘弹性位移反分析样本集的学习，结合张家洼铁矿和三台子煤矿的位移测试数据，得到了二者的岩体力学参数，并与试验结果相接近。     

基于BP神经网络的土壤冰结温度及未冰水含量预测模型

土壤冻结温度与未冻水含量是冻土的重要物理参数，影响因素多，关系复杂，利用BP网络模型来描述冻结温度与未冻水含量及其与主要影响因素之间的关系，效果良好，该模型直接根据试验数据通过神经网络的自学习能力寻求输出变量与输入变量间的内在非线性规律，其优点在于可利用一个神经网络同时描述多个因素对冻结温度及未冻水含量的影响。     

基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型

在综合分析影响煤与瓦斯突出的各种评价指标的基础上,基于人工神经网络极强的非线性逼真能力,建立了煤与瓦斯突出强度预测的遗传神经网络模型。模型采用灰色关联理论完成了评价指标的优化,并利用遗传算法对BP网络初始权值和阈值的确定进行了优化。以重庆南桐矿区砚石台矿为例,对煤与瓦斯突出强度进行了预测,结果表明,采用本模型的预测结果与矿井实际突出状况一致,模型可靠,具有一定的理论与实际意义。     

人工神经网络方法在径流预报中的应用

采用ＢＰ神经网络模型,以西北内陆河黑河流莺峡年平均出山地表流量为研究对象,对人工神经网络研究方法在干旱区环流径流预报中的应用进行了初步尝试,结果表明该预报成功率较高,证实了人工神经网络方法应用于流量预报领域的可行性,并分析了该方法在预报过程中的优缺性。     

基于BP神经网络的稳定湖相和风成沉积物粒度数据表征方法

沉积物的形成受到多种地质因素的综合控制。通过粒度分析可判别沉积物的成因类型,推断其形成的沉积环境,解释环境演变;而沉积物的粒度组分除了受到原岩的控制外,还受到机械沉积作用的影响难以准确预测。运用人工神经网络对稳定湖相沉积物和风沉积物的粒度参数进行研究,将沉积物的4个粒度参数作为网络模型的输入变量,在对168个浙闽沿海迎风岸风成老红砂样品和282个苏贝淖湖滨湖泊沉积物样品所对应的粒度参数进行数据样本训练之后,获得了基于BP神经网络的稳定湖相和风沉积物预测模型。然后利用448个大树摆鱼湖相沉积物粒度参数样本和100个兰州榆中黄土风沉积物粒度参数样本作为测试样本对该模型进行了测试和验证,结果显示模型的可靠性较好,能够对沉积物的形成环境做出正确的判断。     

基于BP神经网络的手写数字识别

介绍了光学字符识别的几种方法以及神经网络的特点，神经网络技术能够解决传统OCR方法所不能解决的问题，同时指出了手写数字识别存在的困难，论证了利用神经网络技术解决这种困难的可能性。本文实现了通过一个含有1个隐藏层的BP网络来识别手写数字，并取得了良好效果，论证了这种技术用于手写数字识别的可行性。     

基于RBF神经网络的堤防管涌预测方法

影响堤防管涌的各种因素是不确定和随机的,在堤防管涌的发生过程中各因素间表现出复杂的非线性行为。运用基于RBF神经网络的基本原理,建立了堤防管涌预测的RBF神经网络模型,从新的角度研究堤防管涌的预测问题,对该问题进行了探索性的研究。对该理论的建立以及预测方法进行了系统的讨论,为该领域的研究提供了完整的技术方法。对于23个典型堤防管涌实例的研究表明,RBF网络较BP网络有较高的预测精度,较短的预测时间和较快的预测速度,能够较好地描述堤防管涌的非线性特征。     

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。     

基于卷积神经网络的磁异常反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。     

基于人工神经网络的三峡水库库岸稳定性分级

为避免库岸稳定性评价法的随意性和不确定性,尝试采用具有处理非线性关系功能的人工神经网络方法进行库岸稳定性分级,为此构建了15-31-4结构的三层BP网络。该网络采用BP弹性算法,同时对初始权值和阀值进行了优化,实现了网络的非线性映射,并有着极快的收敛速度。用该BP网络对三峡水库的上游段库岸进行了稳定性等级判断,其结果与常规计算方法所得的结果基本相似。     

重力异常AlexNet深度神经网络反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出了一种新的基于AlexNet深度神经网络的重力异常反演方法。该方法首先借鉴经典的深度神经网络AlexNet设计了一种用于重力异常反演的Alex反演网络(AlexInvNet),接着设计大量密度异常体模型并通过正演计算得到带标签的数据集,然后用该数据集训练AlexInvNet网络,最后将重力异常数据输入训练好的AlexInvNet网络直接得到反演结果。理论模型反演结果表明,该方法相较于全连接网络深度学习反演方法,能够更好地反演出异常体的位置和密度,具有较好的泛化能力和抗噪声能力。实测数据反演结果表明,该方法能有效解决重力异常反演问题。     

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。     

神经网络微地震相分析方法及应用

传统地震相分析满足不了目前油田勘探开发的需要.神经网络微地震相分析将神经网络应用于高质量地震三维数据体中,可对单一反射同相轴进行波形信号分析和训练,建立模型地震道,并以之对实际地震道进行分类,产生在平面和剖面上精度较高的微地震相分布.新场气田和塔河油田的实际应用表明,神经网络微地震相分析是可靠的和有效的.     

基于季节冻土微观结构特征的神经网络冻胀率仿真预测

为了寻求基于宏观-微观物理参数间接得到季节冻土冻胀率的途径, 根据现有技术手段容易测试到土的性质参数, 利用BP神经网络法对季节冻土冻胀率进行预测. 选取微观孔隙参数及结构单元体参数各4个、 外部条件参数3个共11个参数, 建立季节冻土冻胀率神经网络预测模型. 结果表明: 在33个检验样本中, 误差最大为0.19, 最小为0.00, 有4个样本的误差在0.1~0.19之间, 其他样本误差都在0.05以下, 占总样本数的88%, 说明模型能反映冻胀变化的基本趋势. 因此, 文中建立的基于11个宏观微观物理参数的BP神经网络冻胀率预测模型是可行的.