基于主成分分析的BP神经网络在城市建成区面积预测中的应用——以北京市为例

城市建成区规模受社会、经济、城市环境等诸多因素影响, 传统统计方法难以准确预测城 市建成区的面积。人工神经网络具有良好的非线性映射逼近性能, 在各类预测研究中得到了广泛 的应用, 尤其是BP 神经网络。主成分分析可以在有效保留数据信息前提下对数据进行降维, 它 与BP 神经网络的结合主要在数据输入端, 通过减少输入层神经元个数, 增强网络性能, 提高预 测精度。本文以北京市为例, 综合运用主成分分析和BP 神经网络方法建立预测模型, 以1986~ 2003 年数据为学习样本, 以2004 年数据为检验样本, 对2005 年北京市城市建成区面积进行模 拟预测。预测结果表明, 基于主成分分析的BP 神经网络预测结果与实际值的相对误差为2.8%, 比传统BP 神经网络预测精度提高1.8 个百分点, 网络训练收敛速度也更快, 其预测精度和效率 都有不同程度的改善。     

基于主成分与广义回归神经网络耦合的寒区水库裂缝开合度预测模型

水库裂缝开合情况对于水库的安全运行极为重要.将主成分分析法与广义回归神经网络结合在一起,进行水库裂缝开合度的预测.结果表明:应用主成分分析与广义回归神经网络相耦合的模型可以很好的反映环境因子(水压力因子、温度因子、时效因子)与水库裂缝开合度之间的非线性函数映射关系.同时利用Matlab软件对新疆某寒区水库裂缝的开合度进...     

基于PCA和BP神经网络的径流预测

径流预测为流域水资源的合理开发利用与统筹配置提供依据。运用多元线性回归、主成分回归、BP神经网络及主成分分析和BP神经网络相结合的方法,对新疆呼图壁河流域石门水文站2009-2011年各月径流量进行预测,并采用相关系数、确定性系数及均方根误差对各模型预测精度进行比较。结果表明：（1）神经网络等智能算法具有高速寻优的能力,对短时间尺度的月径流量的预测结果较好;（2）主成分回归等常规算法能充分反映出某地区径流的年际的稳定性,对全年径流总量的模拟精度较高;（3）主成分分析和BP神经网络相结合的方法,提高了神经网络的收敛速度,同时降低了局部极值的影响,优于简单的BP神经网络,适用于呼图壁河月径流量预测。     

水文时间序列解析-集成预测模型研究

为了克服实际工作中常规预测模型的弊端,本文提出了水文序列解析- 集成预测模型(Prediction Model based on Segregation and Aggregation of Hydrological Time Series, PMSAHTS),通过分离水文序列中的趋势信号和周 期信号得到消除了人类活动影响的序列纯随机信号,然后通过随机因子预测预报方法(如BP 神经网络)使用这些 随机信号进行训练和仿真预测,将预测结果与趋势、周期预测结果重新集成,得到水文序列的预测值。将该模型应 用到和田子项目区进行年内月平均蒸发量的预测,结果表明,PMSAHTS 模型达到了水文情报预报规范的合格要 求,可以用于实际预测。     

BP神经网络模型在伏旱预测中的应用——以河西走廊为例

利用河西走廊伏旱和伏期降水资料序列,张掖观象台的地面气温、降水、探空等气象资料,以及国家气候中心提供的74个环流因子,借助BP神经网络可以逼近任意非线性函数的能力和特点,构建了一个用于预测伏旱和伏期降水的模型,并对模型的预报效果进行验证。结果表明:BP神经网络模型能够对伏期干旱进行有效地预测,该预测模型对伏旱和伏期降水有比较理想的预报效果,伏旱预报历史拟合率高达97.6%、模型试报准确率为84.6%,伏期降水预测历史拟合率高达97.6%、模型试报准确率为76.9%,其性能指标符合实际要求,具有很好的实际应用价值。     

人工智能计算技术在新疆干旱区典型绿洲土壤盐分预测中的应用

针对新疆渭干河-库车河三角洲绿洲土壤盐分动态监测中存在的方法问题,首先用灰色关联度模型分析影响形成土壤盐渍化的各因子,并确定其与土壤盐分之间的关联度,然后将人工智能计算技术引入土壤盐分的预测中,经过多次调整网络结构和参数,建立了预测表层土壤盐分的BP神经网络模型和RBF神经网络模型。结果表明：以潜在蒸散量、地下水埋深、地下水矿化度、土壤电导率、总溶解固体、pH值、坡度和土地利用类型8个因素为输入因子,以土壤含盐量为输出因子的BP网络模型和RBF网络模型可有效模拟土壤盐分与其影响因子之间的内在复杂关系,并且有较高的精度。BP网络模型预测误差略低于RBF神经网络。本研究可为分析和预测土壤盐渍化动态规律提供一种有效可行的新途径,是对传统土壤盐分动态研究的补充。     

黄土丘陵沟壑区地形定量因子的关联性分析

不同地形因子虽然在语义概念、计算方法等方面均有明显的差异,但各地形因子之间并不是绝对孤立的,它们之间相互关联、相互影响。这种关联的强弱与趋势,都从不同角度揭示着地形起伏变化与地貌发育的本质及内在规律,同时,还在一定程度上映射着地表形态的发育过程。文章以黄土高原丘陵沟壑区的15个样本地区为实验样区,以高分辨率、高精度的1:1万比例尺DEM为基础数据,应用BP神经网络模型,探讨地形定量因子与地面坡度之间的关联性特征,并将神经网络的方法与传统的多元回归方法进行比较。结果表明,相对于传统的多元回归方法,带隐含层的BP神经网络分析方法能更为有效地反映地形因子间隐含的关联特征。该研究方法为进行地貌多定量指标的的选择和多因子之间关联性的量化提供了一种新的方法。     

基于BP神经网络的洪湖水质指标预测研究

为了掌握洪湖水质未来的变化情况以及预防污染事件的发生,建立了一个BP神经网络水质指标预测模型。利用洪湖1990~2014年的水质指标实测数据作为学习样本,选取了pH、溶解氧(DO)、铵态氮(NH4+—N)、硝态氮(NO3-—N)、总氮(TN)、总磷(TP)6项指标作为预测参数,建立了BP神经网络模型,并运用该模型对洪湖水质指标进行了预测,同时引入一元线性回归模型与GM(1,1)灰色预测模型与该模型进行对比。结果表明,BP神经网络模型预测的水质指标的相关性系数都在0.998以上,平均相对误差都控制在2.5%以内,对单个指标的预测相对误差也都小于9%,明显优于一元线性回归模型和灰色预测模型;BP神经网络模型预测精度较高,预测速度快,能够相对准确地预测大部分水质指标,可以有效地应用于洪湖以及其它水域水质指标的预测和水质趋势的预警预报系统中。     

基于RAGA-BP神经网络模型的三江平原地下水资源预测研究

采用基于实数编码的加速遗传算法(RAGA)代替传统的最小二乘法以优化GM(1,1)模型参数,并与BP人工神经网络相组合,形成了基于RAGA的等维灰色递补BP神经网络预测模型.运用此模型对三江平原创业农场地下水埋深进行动态预测,BP神经网络结构确定为3:12:3,预测结果的相对误差只有2.33%,与传统的GM(1,1)模型和BP神经网络模型预测结果相比,预测精度显著提高.通过此模型预测,从2007年到2012年,该地区地下水平均年下降0.3 m.     

半干旱沙地-草甸区水面蒸发模拟及其影响因子辨识

在分析半干旱沙地—草甸区的水面蒸发过程及其影响因子的基础上,采用多元逐步回归分析方法,对水面蒸发的众多影响因子进行逐步筛选,找出显著影响因子,建立水面蒸发与其显著影响因子间的多元非线性回归模型,并模拟计算了彭曼蒸发公式、道尔顿水汽运输理论蒸发公式中的风函数,比较分析了彭曼模型、变异道尔顿模型、多元非线性回归模型计算的水面蒸发量。结果表明:彭曼模型、变异道尔顿模型和最终建立的多元非线性逐步回归模型所得结果十分接近,与实测水面蒸发量的趋势也很一致;除变异道尔顿模型稳定性稍差外,其余两者都具有较好的稳定性;多元非线性逐步回归方法可以找到水面蒸发的显著影响因子,剔除掉不显著影响因子,避免因子相关造成的影响,使所建回归模型具有良好的拟合效果,其决定系数达到了0.773,预测结果令人满意。