基于核混合效应回归模型的地震数据预测

针对地震观测数据难以准确预测的难题,提出基于核混合效应回归模型。为验证该算法模型的可行性,结合湖北地震台站地球物理仪器产出数据开展仿真实验,并与传统的神经网络算法作对比。结果表明,该模型能准确预测地震地球物理观测数据且性能优于其他神经网络算法,对水温、水位数据的预测相对误差低于0.05%及0.48%。该研究为地震监测预报人员积累、分析地震基础数据提供了全新思路,同时也为较复杂的深度学习类算法框架模型的构建提供了实践基础。     

南美沙丁鱼资源量影响因子的选择及预报模型比较

根据1970—2012年智利捕捞南美沙丁鱼的年产量数据,以及厄尔尼诺指数、海平面气压、南方涛动指数等海洋环境和气候因子共9个数据,采用相关性分析确定影响南美沙丁鱼资源量的主要海洋环境和气候因子;利用多种神经网络模型对南美沙丁鱼资源量与相关性分析选取的主要海洋环境和气候因子进行建模拟合,预测南美沙丁鱼资源量。通过对17种不同神经网络模型的研究,以拟合残差、偏差解释率、预报标准差3个因素综合分析,确定南美沙丁鱼资源量的最优预报模型。研究表明,结构为10-8-1的神经网络模型拟合残差仅为0.003 8,偏差解释率高达98%,预报标准差为21%,可作为南美沙丁鱼资源量的预报模型,该研究结果可为预测南美沙丁鱼资源动向提供依据。     

基于EM算法优化相关向量机的BDS-3超快速钟差预报

提出一种基于EM算法优化相关向量机(RVM)的BDS-3超快速钟差预报算法。首先,利用组合MAD法预处理钟差数据,并进行一次差分计算;然后,利用钟差一次差分数据对RVM模型进行训练,通过EM算法迭代求取模型的超参数;最后,利用优化后的RVM模型进行数据预测,将钟差一次差分预测值还原,得到钟差预报值。采用iGMAS中心提供的实测BDS-3超快速钟差数据进行预报实验,并将本文模型与QP模型、SA模型及iGMAS超快速钟差预报产品(ISU-P)结果进行对比分析。结果表明,对于6 h、12 h和24 h预报,本文模型预报BDS-3卫星钟差数据的平均精度均优于0.61 ns;与ISU-P、QP模型和SA模型相比,本文模型预报24 h时精度分别提升64.1%、50.0%和49.2%。     

基于小波分解与GA-LSSVM的GPS可降水量短临预报

针对GPS可降水量时间序列具有非线性、非平稳性的特征,研究一种基于小波分解（WD）、遗传算法（GA）和最小二乘支持向量机（LSSVM）的GPS可降水量短临预报方法。先采用小波分解将GPS可降水量时间序列分解成便于预报的低频分量和高频分量;然后利用遗传算法优化LSSVM参数,进而对各分量建立预报模型;再将各分量预报结果进行叠加重构得到最终预报结果。选取两组数据进行实验,并将预报结果分别与LSSVM和遗传小波神经网络（GA-WNN）预报结果进行对比。结果表明,该组合模型具有良好的泛化能力,可有效解决神经网络易陷于局部极小的问题,提高了全局预报精度。     

基于SAFA-FDGM(1,1)模型的BDS钟差预报

为建立高精度的BDS钟差预报模型,提出一种基于改进的萤火虫算法优化的分数阶离散型灰色系统SAFA-FDGM(1,1)钟差预报模型。为避免萤火虫算法陷入局部最优解,提高萤火虫算法的优化能力,本文引入惯性权重因子,同时对吸引力因子、步长因子进行改进;利用改进的萤火虫算法自动优化选取FDGM(1,1)分数阶因子来提高FDGM(1,1)数据拟合精度。分别采用C02(GEO)、C09(IGSO)、C12(MEO)三种不同类型卫星的钟差数据进行实验分析,结果表明,本文预报模型优于传统二次多项式模型与GM(1,1)模型,其中3~6 h预报误差小于1 ns,9~12 h预报误差优于2 ns,对建立高精度的BDS卫星通用钟差预报模型具有重要参考价值。     

相空间重构神经网络在洪水灾害损失预报中的应用

在灾害领域中引入混沌理论,将相空间重构理论与神经网络相结合,提出了洪灾成灾面积预测模型。通过相空间重构,把一维成灾面积时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而可挖掘更为丰富的信息,有利于神经网络的训练。利用神经网络模型可以较好地求解非线性问题,因而使预测结果更符合实际。实例表明,该模型预报精度较高。     

基于ENMSSFMPC-PID的原油稳定加热炉温度控制

为实现对非线性和时变系统的更精准建模和控制,适应系统动态变化和参数变化,应对系统变化和外部干扰,实现更可靠和安全的过程生产控制,提出一种新型模型预测控制策略。基于分数阶微积分运算的扩展非最小状态空间模型预测控制(ENMSSFMPC)算法,状态空间模型包含状态变量和输出跟踪误差,通过分数阶定义将系统模型离散化,利用ENMSSFMPC对比例—积分—微分(PID)控制器进行参数滚动优化,获得实时最优控制参数。原油稳定加热炉模型仿真结果表明,该控制策略优于传统的模型预测控制、非最小状态空间模型预测控制和分数阶模型预测控制。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

改进的边坡变形非线性时变系统的不确定性分析

大地测量数据往往包含许多不确定性,可能导致所建立的函数模型产生病态,影响参数估计的准确性和可靠性。通过研究边坡变形非线性时变系统的力学原理,利用多项式拟合方法改进原模型,在参数解算过程中,考虑到测量数据的不确定性给解算结果带来消极影响,通过限制不确定度,利用min-max准则,提高参数解算的准确性,并将预测变形结果与实测边坡位移数据对比。结果表明,带不确定性的平差算法（least-square with uncertainty,ULS）与最小二乘平差（least-squares,LS）和整体最小二乘平差（total least-square,TLS）相比,其预测结果更接近实际测量数据,证明了改进的边坡变形非线性时变系统预测变形的有效性。     

基于SSA-Adam-BP神经网络模型的堰塞坝稳定性预测

现有的堰塞坝稳定性预测模型多为线性模型, 无法充分考虑堰塞坝稳定性与其形态特征和水域条件之间的复杂非线性关系。鉴于此, 结合反向传播神经网络模型和樽海鞘优化算法, 提出了一种新型的堰塞坝稳定性预测模型SSA-Adam-BP。该模型通过网格搜索法选取确定模型结构的最佳超参数组合, 进而利用交叉验证和绘制ROC曲线的方式分别对采用不同优化算法的模型进行评估。使用开源数据库中的全球153例堰塞坝数据对模型的实际应用进行了说明及验证。与传统线性模型的对比表明神经网络模型预测准确率较高, 具有较低的误报率。将SSA与Adam优化算法结合提高了BP模型的全局搜索能力, 其平均交叉验证准确率达到了91.73%, 能够使用较少的参数实现对堰塞坝稳定性快速准确的预测。SSA-Adam-BP模型对近年来典型工程的稳定性能够准确预测, 具有一定的实用性和系统平台推广应用价值。      

应用神经网络建立水下拖曳体轨迹姿态水动力控制模型

以拖曳体的拖曳水池样机试验取得试验数据作为训练样本,采用LMBP算法,建立基于神经网络理论构建的可控制水下拖曳体轨迹与姿态水动力控制数值模型,并进行LMBP模型仿真检验。结果表明,利用所建全的神经网络模型对拖曳体在一定控制动作下的水动力响应预报是令人满意的。     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

基于改进小波神经网络的GPS高程拟合研究

针对小波神经网络存在的局限性,采用粒子群算法对小波神经网络进行优化,并在此基础上建立GPS高程异常值的拟合模型.为了避免粒子群算法陷入局部极小值和收敛速度慢等问题,采用惯性权重非线性递减和自适应学习因子相结合的策略对粒子群算法进行改进,从而提高模型的训练精度.以某矿区实测GPS数据为例,对所建模型的拟合性能进行验证.结...     

基于特征注意力机制的RNN-Bi-LSTM船舶轨迹预测

【目的】为更准确预测船舶轨迹,基于RNN、Bi-LSTM和注意力机制,研究一种结合特征注意力机制的RNN-Bi-LSTM的船舶轨迹预测模型。【方法】基于AIS数据构建基于循环神经网络(RNN)与双向长短时记忆网络(Bi-LSTM)的混合神经网络模型,并在混合模型中加入特征注意力机制对数据特征进行权重分配,提升模型对船舶轨迹预测精度。【结果】使用实际运行的船舶AIS数据,对模型的有效性和实用性进行验证,测试集均方误差为2.751×10^-5、均方根误差为5.245×10^-3,在连续弯道预测中的均方误差为4.359×10^-6、均方根误差为2.088×10^-3。【结论】结合特征注意力机制的RNN-Bi-LSTM相较于传统的预测神经网络,船舶轨迹预测精度更高,尤其在弯道预测中也表现出较好的符合度。     

Prophet-Elman残差改正电离层TEC短期预报模型

针对电离层TEC非线性、非平稳的特点,建立一种基于Prophet与Elman神经网络相结合的残差改正电离层短期预报模型。利用该模型对IGS提供的不同太阳活动程度期间的电离层TEC时间序列进行建模预报。结果显示,改正模型能够反映电离层TEC的变化特征,在太阳活动低年和太阳活动高年预报的平均相对精度分别为92.9%和92.2%,均方根误差分别为0.94 TECu和1.77 TECu,精度较Prophet-Elman模型及单一Elman模型有显著提高。     

应用神经网络建立水下拖曳体轨迹姿态水动力控制模型

以拖曳体的拖曳水池样机试验取得试验数据作为训练样本，采用LMBP算法，建立基于神经网络理论构建的可控制水下拖曳体轨迹与姿态水动力控制数值模型，并进行LMBP模型仿真检验。结果表明，利用所建全的神经网络模型对拖曳体在一定控制动作下的水动力响应预报是令人满意的。     

粒子群神经网络及其在非线性系统辨识中的应用

介绍了一种新的神经网络权值优化算法——粒子群优（Particle Swarm Optimization，PSO）算法，提出了用粒子群神经网络对非线性系统进行系统辨识的构思。仿真实验结果表明，粒子群算法具有比BP算法更强的非线性系统辨识能力和更好的泛化能力。     

西北太平洋秋刀鱼资源丰度预报模型构建比较

根据1989—2012年西北太平洋秋刀鱼(Cololabis saira)的单位捕捞努力量渔获量(CPUE)以及对应的海洋环境因子数据,包括1-12月各月的Trans-Nino指数(TNI)、1月黑潮区域海表面温度(SST_(黑潮))、6月亲潮海表面温度(SST_(亲潮)),采用BP神经网络预报模型,对西北太平洋秋刀鱼资源丰度进行预测分析。通过10种神经网络模型比较,以及实际CPUE的验证,以拟合残差最小的预报模型作为最优预报模型。研究表明:各月TNI指数、1月黑潮区域海表面温度、6月亲潮海表面温度对西北太平洋秋刀鱼资源丰度影响显著,结构为14-10-1的BP神经网络模型相对误差仅为0.000 681,可作为西北太平洋秋刀鱼资源丰度的预报模型。     

BP神经网络和ARMA模型在中纬度TEC短期预测中的对比分析

在充分考虑TEC序列非平稳、非线性、高噪声特性前提下,以IGS提供的2017年电离层TEC格网数据为基准,运用BP神经网络和ARMA两种模型分别进行TEC 3 d预测,重点分析两种模型在不同季节时段、不同电离层活跃强度及不同样本长度下的TEC预测性能及精度.结果表明,在不同时段,两种模型均能很好地反映TEC的变化特性,...     

基于经验模态分解与神经网络的信号预测

利用经验模态分解在处理非线性、非平稳信号以及人工神经网络可以较好地处理非线性问题的优点,通过经验模态分解把加入噪声的仿真信号分解成几个本征模态函数分量和一个趋势项,在分解过程中采用两种方法处理端点效应问题,结果表明两种方法都能很好的解决端点问题,然后对每个分量分别运用径向基函数神经网络进行预测,并重构出最后的预测结果。与不经EMD处理直接运用神经网络进行预测及真实数据进行对比,结果表明,相对于直接预测,该方法具有更好的预测效果。