重庆雾的完全预报方法

本方法从动力、统计相结合的角度出发,利用多年历史资料,采用逐步回归方法并辅以技术处理,求得非线性回归方程为PP模型的预报方程,并且利用正压模式输出的两个月数值预报产品进行了试报,结果表明该模型对重庆雾的24小时预报具有一定的能力。     

人工神经网络和决策树模型在滑坡易发性分析中的性能对比

机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:① 在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。② BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③ BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。     

逐步回归曲线拟合模型及其在气象要素预报中的应用

本文将逐步回归和曲线拟合结合起来,设计了一种逐步回归曲线拟合模型,实例分析表明,该模型与逐步回归相比,其拟合误差和预报误差均较小,具有较高的使用价值。     

基于不同BP神经网络的西南大西洋阿根廷滑柔鱼渔场预报模型比较

根据2003-2011年渔汛期间我国鱿钓船在西南大西洋海域的生产统计数据,结合海洋遥感获得的海表温度(SST)和海面高度(SSH)等数据,以单位捕捞努力量渔获量(CPUE)和作业次数作为中心渔场指标,以月份、经度、纬度、SST和SSH为输入因子,利用BP神经网络方法构建西南大西洋阿根廷滑柔鱼中心渔场预报模型。比较14种不同结构的BP神经网络模型,以CPUE作为中心渔场预报指标的BP模型均较佳,其拟合残差范围为0.004 0~0.005 5,平均值为0.004 7;而以作业次数作为中心渔场预报指标的BP模型,其拟合残差范围为0.009 3~0.011 6,平均值为0.010 4。输入因子为月份、经度、纬度、SST和SSH,输出因子为初值化后的CPUE,网络结构为5-4-1时的BP神经网络模型为最佳,其拟合残差为0.004 025,该模型可用于阿根廷滑柔鱼中心渔场的预报。BP神经网络方法可为准确渔场预报提供新途径。     

一种改进的单站TEC快速估计与短期预报方法

为解决电离层产品大多基于格网形式及传统预报模型精度较低等问题,采用加权函数方法计算单站TEC,并提出一种基于滑动窗口改进的MEA-BP(MW-MEA-BP)预报模型。选取不同纬度的IGS测站,分别对太阳活动低年和太阳活动高年的观测数据进行分析验证。结果表明,本文单站TEC估计方法快速可靠,在短期预报方面,MEA-BP模型较BP模型有明显改进。当TEC变化剧烈时,本文MW-MEA-BP模型的预报精度较BP模型提高71.8%～90.6%,较MEA-BP模型提高13.9%～54.4%。本文研究结果可为定位用户提供先验准确的电离层信息。     

基于AHP和ANN的内网信息安全评估方法研究

为了发现电子政务内网的信息安全隐患,提出一种将层次分析法(AHP)与反向传播人工神经网络(BP ANN)技术相结合的内网信息安全评估方法,基于AHP与BP ANN分别建立模型共同完成评估。以电子政务内网信息安全指标作为样本,利用AHP模型得到指标体系第二层的指标值,再以AHP模型输出值为样本对BP ANN评估模型进行学习和训练,找到输入与输出之间的关系,并对训练好的BP网络进行验证。仿真结果表明,评估方法能够为复杂的电子政务内网进行信息安全评估,评估模型稳定且自适应性强。     

基于BP神经网络的中西太平洋鲣鱼渔场预报模型构建与比较

根据1998-2013年中西太平洋鲣鱼围网生产统计数据以及海洋环境数据,采用BP人工神经网络模型,分别以初值化后的单位捕捞努力量渔获量(CPUE,Catch per unit of effort)和捕捞努力量(Fishing Effort)作为中心渔场的表征因子,并作为BP模型的输出因子,以时间因子、空间因子、海洋环境因子(包括海表温度SST、海面高度SSH、Nino3.4区海表指标及叶绿素浓度Chl-a)等作为输入因子,构建22个BP神经网络模型,以最小拟合残差作为判断标准,比较渔场预报模型优劣。实验结果,以捕捞努力量为输出因子的模型的最小拟合残差均小于以CPUE为输出因子的模型,表明捕捞努力量更适合作为表征中心渔场的因子;同时,拟合残差的平均值随着输入因子的增加而减少,表明本研究所选的时间、空间、海洋环境因子等对鲣鱼中心渔场预报均极为重要。其中,以月份、经度、纬度、SST、SSH、Nino3.4a、Chl-a为输入因子,以初值化后的捕捞努力量为输出因子,结构为7-5-1的BP神经网络模型预报精度为最高,影响因子的重要性从高到低依次是经度、Chl-a、SST、纬度、NINO3.4a、SSH、月份。     

基于麻雀搜索算法优化的BP神经网络卫星钟差预报

使用麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的初始权值和阈值进行优化和调整,以提高神经网络模型短期预报的精度和稳定性.采用IGS产品中的卫星钟差数据,对SSA-BP神经网络模型、PSO-BP神经网络模型、传统BP神经网络模型及传统二次多项式模型(QP模型)进行实验对比,结果...     

贝叶斯正则化的Elman神经网络电离层TEC预报模型

利用2017年中低纬电离层总电子含量、地磁活动指数、年积日等参数,首次建立基于贝叶斯正则化(Bayesian regularization)的Elman回归神经网络(BR-Elman)的电离层TEC预报模型。同时,根据地磁活动指数的变化特征,分别进行平静电离层和扰动电离层预报建模。实验结果表明,该方法在平静期5 d预测值的均方根误差为1.19 TECu,残差为1.03 TECu,相关系数为0.93;在扰动期5 d预测值均方根误差为1.34 TECu,残差为1.01 TECu,相关系数为0.91。贝叶斯正则化的BP神经网络模型以及传统BP神经网络模型在平静期与扰动期5 d的预测上,均方根误差最小为1.87 TECu,残差最小为1.50 TECu,相关系数最优为0.87。通过对比分析,该模型较其他2个模型的预报效果有明显改善。     

基于SSA-Elman神经网络的电离层TEC短期预报模型

针对基于神经网络的电离层TEC短期预报存在精度较低、易陷入局部最优的问题,利用CODE中心提供的TEC数据及地磁活动指数,建立基于麻雀搜索算法(SSA)改进Elman神经网络的电离层TEC短期预报模型,并通过BP模型、Elman模型及SSA-Elman组合模型分别对电离层平静期和扰动期中低纬度TEC进行5 d连续预报....     

机器学习方法在预测泉水潜在出露位置中的应用

泉水出露受到多种因素影响,在传统地质勘查手段之外,各种模型方法及影响因子预测手段,也被越来越多地应用于泉水的研究中.本文尝试利用机器学习的方法进行泉水出露位置的预测研究.根据北京市野外调查,确定了1378个测试样本点,选取了高程、坡度、坡向、地形湿度指数、径流强度指数、距河流距离、距断裂距离、岩性、归一化植被指数及土地...     

����ƫ��С���˻ع�ij�������쳣����ֵTECԤ��

????IGS????120??E???1999??2009??IONEX?????????????????????TEC?????????????С?????鷽??????????????????????????????????????TEC?????????????2009???TEC?????????????顣????????????????????????????????????TEC??仯?????????????????????Ч?????????????????????????????TEC?????????????????4.441 0??2.915 1 TECU??????????????23.26%??10.78%????????????????????????0.712 2??0.785 9??     

基于广义回归神经网络的GPS高程转换

为提高GPS高程转换的精度,采用广义回归神经网络(GRNN)进行拟合。将控制点的X、Y坐标作为网络输入,高程异常作为网络输出,采用实验数据训练网络,训练完成的网络作为模型进行高程异常预测。结果表明,GRNN方法具有较高的GPS转换精度。     

基于粒子群算法的神经网络在水资源评价中的应用

为了改善传统的人工神经网络,在训练过程中容易陷入局部最小导致应用于水资源评价时存在对训练样本的拟合精度不高的缺点,采用粒子群算法优化人工神经网络的权值和阈值,然后将其应用于中国12个地区的水资源可持续利用系统评价实例中,并和传统的人工神经网络进行了对照。结果表明,基于粒子群算法的人工神经网络和传统的人工神经网络相比,能较好的提高对训练样本的拟合精度,表明基于粒子群算法的人工神经网络,用于水资源可持续利用系统评价是可行的。     

基于机器学习的稀疏样本下的土壤有机质估算方法

采用GRNN（Generalized Regression Neural Network）和RF（Random Forest）2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则（Minimization of the Mean of the Shortest Distances）抽稀为8种不同采样密度的样本（分别为2703、1352、676、339、169、85、43、22个样本）,分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著的相关性。GRNN和RF的预测精度受采样密度的影响不大,其预测精度在一个较小的范围内波动,其预测值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个及以下的采样密度时,预测精度相对普通克里格有较大的提升。普通克里格法不适合在稀疏样本条件下空间插值计算,尤其是在空间自相关性比较弱的情况下。机器学习模型能充分学习土壤间环境信息、样点空间邻近效应信息,兼顾属性相似性和空间自相关,具有更好的稳定性和适应性,不容易受到采样点数量、构型和采样密度等因素的影响,即使在采样点空间自相关性很弱的情况下也能做出稳定预测精度。     

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法,构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量,并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加,最终建立多尺度变形预测方法,并应用于大坝变形预测。实验结果表明,改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法,证实了新方法的有效性及可靠性。
     

基于熵权-IOWGA算子的变权组合预测新方法

针对熵权法组合权重分配固定不变的问题,提出一种基于IOWGA算子的权重分配方法,建立基于熵权-IOWGA算子的变权组合模型。该方法以各单一模型的预测精度作为诱导值,按每一期诱导值的大小对单一模型进行有序赋权,并将其应用到变形数据分析中。实验表明,该方法赋权过程合理,模型预测精度更高,更加适用于变形分析预测过程。     

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。     

安徽省地质灾害气象风险预警系统方法研究

地质灾害气象风险预警是地质灾害防范的关键环节,对增强灾害防御能力,变被动救灾为主动防灾避灾具有重要意义.本研究采用确定性系数法和基于CF的权重确定方法,计算了各评价单元的潜势度.通过建立多元回归预测模型,将基于潜势度、预报雨量、有效雨量的气象风险预警系统方法应用于安徽省地质灾害气象风险预警工作中,并建立了一套完整的从数...     

基于优化随机森林回归模型的土壤盐渍化反演

当前应用于土壤盐分含量（Soil Salinity Content, SSC）反演的随机森林回归（Random Forests Regression, RFR）较少关注对模型精度影响较大的反演参数子集和模型参数的同步优化。本研究选择渭-库绿洲和奇台绿洲为实验区,基于Landsat-5 TM、SRTM、MOD11A2.006遥感数据构建反演参数。首先,利用弹性网络（Elastic Net, EN）筛选出反演参数子集,然后利用遗传算法（Genetic Algorithm, GA）和贝叶斯优化算法（Bayesian Optimization Algorithm, BOA）分别优化随机森林回归（Random Forests Regression, RFR）参数,建立反演参数子集和模型参数分步优化的RFR模型（EN-GA-RFR、EN-BOA-RFR）。建立利用GA和BOA分别同步优化反演参数子集和模型参数的RFR模型（GA-RFR、BOA-RFR）。在每个实验区,对比EN-GA-RFR、EN-BOA-RFR、GA-RFR、BOA-RFR的预测精度。最后分析每个实验区各类盐渍土的空间分布,并对2个实验区的反演参数进行对比分析。结果表明：每个实验区模型预测精度由高到低的排序均为BOA-RFR>GA-RFR>EN-BOA-RFR=EN-GA-RFR,整体上BOA的优化性能均好于GA;渭-库绿洲和奇台绿洲面积占比最大的盐渍土类型分别为盐渍土和中度盐渍土;反演参数对SSC的表征能力存在空间分异性。