地表下沉系数选取的LWPSO-BP方法研究

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,本文以线性下降惯性权重粒子群优化算法(LLWPSO)为前处理器,优化BP网络的权值和阈值,利用实测资料数据,建立LWPSO-BP的地表下沉系数预计模型,并同普通BP模型预计结果对比结果表明:LWPSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地...     

主成分分析与改进PSO-BP神经网络的下沉系数预测

针对BP神经网络预测下沉系数时易陷入局部极小以及下沉系数影响因素间存在一定相关性的问题,该文提出了一种基于主成分分析(PCA)和模拟退火—粒子群优化算法(SAPSO)优化BP神经网络的下沉系数预测模型。该模型首先采用PCA对下沉系数影响因素进行降维,消除其所包含的冗余信息;然后利用SAPSO优化BP神经网络的权值与阈值;最后使用训练样本训练模型,利用训练后的模型预测5组测试样本的下沉系数,并对比分析SAPSO-BP、PSO-BP和BP神经网络模型的预测结果。实验结果表明：基于PCA-SAPSO-BP神经网络的下沉系数预测模型的预测值与实际值最为吻合,其平均绝对误差、平均绝对百分比误差及均方根误差相比SAPSO-BP、PSO-BP和BP神经网络模型显著降低,可以有效提高下沉系数预测的准确性。     

基于主成分分析的GA-BP神经网络地表下沉系数预测

为提高条带开采地表下沉系数预测准确率,基于地表下沉系数影响因素具有一定相关性、不确定性以及非线性的复杂现象,建立基于主成分分析的遗传算法(Genetic Algorithm,GA)优化的神经网络GA-BP智能预测模型.利用遗传算法对BP神经网络(Back Propagation Neural Network)的初始权值...     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

基于BP神经网络的矿区地表沉降预测研究

BP神经网络具有非常强的非线性映射能力,广泛应用于分类识别、逼近、回归、压缩等领域。本文基于BP神经网络的理论基础,利用某矿区地表沉降观测点1~10期的实测沉降数据资料,结合MATLAB建立针对矿区地表沉降的预测模型,并预测其11~15期的沉降情况。通过将预测值与实测值进行对比,分析预测模型精度,结果表明BP神经网络用于矿区地表的沉降研究是可行的。     

PSO-BP神经网络大气加权平均温度模型构建

针对现有T_m模型建模方法多为基于最小二乘线性回归方法以致于模型精度有待提高的问题,该文以中国西北地区2015—2017年的24个探空站的探空数据作为实验数据,在中国西北地区使用粒子群优化BP神经网络(PSO-BP)回归方法建立大气加权平均温度(T_m)模型：将地表温度、水气压、纬度、高程和时间变化等影响因素作为模型输入因子,将数值积分法所计算得到的T_m作为学习目标,利用神经网络模型进行迭代训练得到中国西北地区的T_m。以2018年探空站T_m数据为参考值,对PSO-BP模型精度进行验证,并与Bevis模型、GPT3模型和中国西部地区T_m模型进行比较。结果表明,PSO-BP模型的年均RMSE和年均bias分别为2.71 K和0.35 K,相比Bevis模型、GPT3模型和中国西部地区T_m模型年均RMSE分别降低了1.36 K(33.4%)、1.81 K(39.5%)和1.78 K(39.1%),年均bias分别下降了0.70 K(87.7%)...     

高充填率开采地表下沉系数研究

为解决"三下"压煤问题,本文以邯矿集团亨健煤矿2515工作面为研究对象,对现场进行实测,计算地表实测下沉系数;采用文克儿地基假设方法,对比分析了不同开采方法采空区上覆岩层破断规律.结果表明:采用全部垮落法开采,推进距离等于直接顶的极限跨距(l=25.7 m)时极限挠度约为1.057 m,随着工作面推进,直接顶出现破碎;...     

地下开采引起的地表下沉预测

介绍地下固体与液体及气体矿层开采引起的地表下沉及其危害，把地表下沉视作开采空间向地表传播扩散的结果，采用下沉根源函数和下沉传播影响函数的积分来描述开采引起的地表下沉预测，重点讨论应用随机统计原理下沉传播影响函数的问题，为预测地下开采而引起的地表下沉提供通用模型。     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

桥梁变形数据小波去噪与PSO-BP神经网络预测

跨海大桥在运行期间因受自身因素以及飓风、海浪等多种外界因素的影响,桥梁变形表现为非线性变形.针对这种现象,本文以跨海大桥观测数据为例,使用小波理论进行去噪处理,对去噪后的数据分别建立BP神经网络预测模型以及POS-BP神经网络预测模型,并对比分析预测结果.结果表明:POS-BP神经网络预测模型预测精度更高.     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

相关性的组合预测模型在开采沉陷中的应用

针对当前开采沉陷不同阶段的单点沉陷变形预计精度不高的问题,该文首次从基于相关性的组合预测模型的思想出发,建立了面向沉陷不同阶段的基于相关系数的组合预测模型。实例验证结果表明,基于相关系数的组合预测模型在开采沉陷预测中的应用克服了单一模型的局限性,能够有效利用不同单一模型的信息,有较高的精度和可信度;能够满足不同阶段的开采沉陷预测,更适用于对沉陷变形数据要求高的场合。     

基于改进粒子群优化RBF神经网络的地理信息预测

本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。     

自适应变异粒子群优化灰色模型在变形分析中的应用

标准灰色模型GM(1,1)以序列第一个分量作为初始条件进行灰色微分建模,未能充分利用序列中的新信息;其背景值的构造本质上采用了数值积分中的梯形法,精度不高。针对上述缺点,提出一种基于粒子群算法的灰色预测模型,即PSOGM(1,1)模型,对初始值和背景值参数进行优化,并将模型应用于岩体变形分析中。计算结果表明,PSOGM(1,1)模型具有较高的预测精度,可作为变形分析的一种新方法。     

经验模态分解与神经网络的GPS可降水量预测

本文将经验模态分解与神经网络相结合的方法应用于GPS可降水量预测。对GPS可降水量进行经验模态分解,在分解过程中采用径向基神经网络处理端点问题,针对经验模态分解得到的每个分量分别运用径向基神经网络进行预测,并重构出最后的预测结果。重构结果与直接运用神经网络进行预测的GPS可降水量、实测GPS可降水量进行比较,结果表明,相对于直接预测,经验模态分解与神经网络结合的方法具有更高的预测精度。     

基于BP网络与空间统计分析的山东人口空间分布模式预测研究

运用BP网络对山东省17地市未来人口总量进行预测,在预测数据的基础上运用空间自相关方法对未来人口的空间分布模式进行分析。研究表明:2005-2010年山东省人口密度的空间分布模式总体呈现"西南-东北"模式,存在着空间集聚现象;2006-2010年17地市局部空间关联类型基本没有发生变化,西部和南部8个地区存在着明显的"高-高"集聚;北部5个地区存在着明显的"低-低"集聚;淄博和青岛存在着两个"高-低"关联的孤立点。     

一种基于地物波谱特征的最佳波段组合选取方法

对多光谱数据选取最佳的波段组合,是图像解译和专题信息提取的重要前提。文中提出一种基于地物波谱特征的最佳波段组合选取方法,即综合考虑方差、相关系数、OIF指数和地物间的可分离性4个因素,利用ERDAS和EXCEL等工具进行各指标的解算,并通过实验,选择红菱矿区1995年的TM多光谱影像为数据源,选取了基于水体波谱特征的最佳波段组合TM345。经定性分析和定量计算,验证了该方法的可行性。     

AFSA-BP神经网络在大坝变形预测中的应用

经典BP神经网络的初始权值和阈值随机给定,使得训练速度慢、网络易于陷入局部极值。引入具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP网络的权值和阈值,建立了基于AFSA-BP神经网络的预测模型,并对大坝的实测资料进行了实证分析。与经典BP神经网络预测模型的预测结果比较表明:AFSA-BP神经网络模型不仅训练速度快,而且预测精度明显提高,是一种较好的大坝变形预测模型。