小波神经网络在变形监测预报中的应用

小波神经网络具有良好的时频局域化性质和神经网络的自学习功能。它通过小波分解进行平移和伸缩变换后得到的级数,具有小波分解的一般逼近函数的性质,因此可以用来预报。小波神经网络引入了两个新的参变量即伸缩因子和平移因子,因此具有比小波分解更多的自由度,从而使其具有灵活有效的函数逼近能力和较强的容错能力。     

一种基于BP算法学习的小波神经网络

为发展 Szu的基于信号表示的小波神经网络 ,提出一种多输入多输出的小波网络模型 ,网络隐层采用框架小波函数、输出层采用 Sigmoid激励函数 ,并选用“熵误差函数”以加速网络的学习速度。奇偶判别和混沌时间序列预测例子的实验结果表明了它具有良好的函数逼近能力和推广能力 ,收敛速度和均方误差均优于相同结构的多层感知器模型。     

基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

基于遗传小波神经网络的海底声学底质识别分类

分割海底声纳探测图像,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,构建小波神经网络。利用遗传算法优化小波神经网络的初始权值及小波参数,对砂、礁石、泥3种底质类型分别进行训练,并得到3种底质的测试精度都在90%以上,优于单独利用小波神经网络进行训练时的测试精度,克服了小波神经网络训练时易陷入局部极小的固有缺陷,表明基于遗传算法的小波神经网络可有效用于海底底质声纳图像的识别和分类。     

水下自主机器人水动力预报方法研究

针对水下机器人操纵性优化设计中水动力系数预报问题,在水下机器人水动力预报中引入艇体肥瘦指数概念,确定了水下机器人艇体几何描述的五参数模型。提出采用小波神经网络方法预报水下机器人水动力,确定了神经网络的结构,利用均匀试验设计方法,设计了神经网络的学习样本。研究结果表明,只要确定适当的输入参数,选择适当的学习样本和网络结构,利用小波神经网络方法对水下机器人水动力进行预报可以达到较好的精度。     

基于机械学习理论的海冰风险短期预报研究

海冰管理是抵御寒区海洋资源开发海冰威胁的有效手段,海冰风险的准确、快速预测是海冰管理系统的关键组成部分。文中面向海冰管理中的冰情短时预测需求,明确了基于现场监测的海冰风险预测模式,开展了应用机械学习理论的海冰风险短时预测方法研究,并以渤海辽东湾海冰管理为例,讨论了神经网络与小波分解等非线性预测方法在冰情短时预测中的适用性。结果表明,时间序列小波神经网络在短时(6 h)冰厚预测中的预测精度与Elman神经网络相仿,而在24~48 h预测中的精度偏差较大;Elman神经网络在6 h、24 h与48 h的冰厚预测中均能保持较好的预测精度,在冰流速与来冰方向预测中,模型预测精度达到80%左右。     

基于小波神经网络的电离层TEC短期预报

提出利用神经网络中的小波神经网络技术(WNN)对全球的电离层总电子含量进行预报,以国际全球定位系统服务(IGS)发布的电离层TEC数据资料为样本,并用发布的已知TEC进行检核,分析了全球预报精度及不同纬度的预报精度。试验结果表明,小波神经网络的短期预报结果能很好地符合已知数据,预报的精度较高,预报值和已知值之差小于3TECU的电离层格网点数占总格网点数的百分比都在90%以上,随着时间的推移,比值下降并不明显。     

海洋平台结构损伤识别与定位新方法及试验验证

基于小波变换的时频局域化特性和BP神经网络的非线性映射特性,结合两者优点提出了基于小波包分析和神经网络方法的海洋平台三步法损伤定位方法。对海洋平台结构加速度响应信号进行小波包分析,提取小波包特征向量,将小波包结点能量变化量指标作为BP网络的输入向量,逐步确定损伤位置。设计一典型导管架式海洋平台试验模型,分别进行岸上脉冲激励及水池中波浪激励下平台结构损伤识别与定位模型试验,对该方法的可行性和适用性进行了验证。     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状,提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值,结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明,该模型和单因子评价、传统的BP神经网络评价相比较,具有训练时间短、预测精度高的特点,在海水水质评价中具有良好的应用价值。     

利用多进制小波包变换进行遥感影像融合

从二维小波变换理论出发,对其在图像处理方面的应用进行了一些分析,提出了一种基于多进制小波包变换的融合方法,并通过实验数据表明该方法的正确性,而且比传统的二进制小波、多进制小波以及二进制小波包等小波融合方法具有更强的自适应能力。     

Experiment Verification of Damage Detection for Offshore Platforms by Neural Networks

1 .Introduction Large civil engineering structures are exposed to various external loads such as earthquakes ,winds ,traffic and wave loads during their lifetime . The structures may become deteriorated and de-graded withtime in an unexpected way, which m…     

一种神经网络计算器VLSI实现可行性研究

本文以一种新型激光扫描３－Ｄ视觉传播系统中快速求解３－Ｄ坐标值等为例子,展示ＢＰ神经网络的并行分布处理在本质上具有高速度优势及硬件容错能力;以及如何实现基于模拟神经网络的二进制数字量映射的无误差操作：进而阐明用模拟ＶＬＳＩ技术实现训练后神经网络芯片的可行性和推广意义。     

神经网络在海洋天然气水合物检测中的应用

文章主要讨论了如何利用神经网络预测天然气水合物的合成和分解。利用了声速、幅度、频率来反映天然气水合物的合成。建立了一个3层前向型网络,通过实验,人工神经网络的引用取得了良好的效果。     

基于T-S模糊神经网络的信息融合在赤潮预测预警中的应用

基于T-S模型的模糊神经网络不但具有模糊逻辑和神经网络两者的优点,又具有很好的学习能力。将基于T-S模型的模糊神经网络的信息融合算法应用在赤潮的预测预警中,研究各种理化因子与赤潮藻类浓度间非线性对应规律和有效预测赤潮藻类浓度。仿真实验表明这种方法具有有效的赤潮预测预警功能。     

Use of artificial neural networks to identify the origin of green macroalgae

This study demonstrates application of artificial neural networks (ANNs) for identifying the origin of green macroalgae (Enteromorpha sp. and Cladophora sp.) according to their concentrations of Cd, Cu, Ni, Zn, Mn, Pb, Na, Ca, K and Mg. Earlier studies confirmed that algae can be used for biomonitoring surveys of metal contaminants in coastal areas of the Southern Baltic. The same data sets were classified with the use of different structures of radial basis function (RBF) and multilayer perceptron (MLP) networks. The selected networks were able to classify the samples according to their geographical origin, i.e. Southern Baltic, Gulf of Gdańsk and Vistula Lagoon. Additionally in the case of macroalgae from the Gulf of Gdańsk, the networks enabled the discrimination of samples according to areas of contrasting levels of pollution. Hence this study shows that artificial neural networks can be a valuable tool in biomonitoring studies.     

Ultimate Compressive Strength Prediction for Stiffened Panels by Counterpropagation Neural Networks (CPN)

Stiffened Panels are important strength members in ship and offshore structures,A new methodbased on counterpropagation neural networks(CPN)is proposed in this paper to predict the ultimate compres-sive strength of stiffened panels.Compared with two-parametric polynomial,this method can take more pa-rameters into account and make more use of experimental data.Numerical study is carried out to verify thevalidation of this method.The new method may find wide application in practical design.     

Prediction of significant wave height using regressive support vector machines

Wave parameters prediction is an important issue in coastal and offshore engineering. In this literature, several models and methods are introduced. In the recent years, the well-known soft computing approaches, such as artificial neural networks, fuzzy and adaptive neuro-fuzzy inference systems and etc., have been known as novel methods to form intelligent systems, these approaches has also been used to predict wave parameters, as well. It is not a long time that support vector machine (SVM) is introduced as a strong machine learning and data mining tool. In this paper, it is used to predict significant wave height (H_s). The data set used in this study comprises wave wind data gathered from deep water locations in Lake Michigan. Current wind speed (u) and those belonging up to six previous hours are given as input variables, while the significant wave height is the output parameter. The SVM results are compared with those of artificial neural networks, multi-layer perceptron (MLP) and radial basis function (RBF) models. The results show that SVM can be successfully used for prediction of H_s. Furthermore, comparisons indicate that the error statistics of SVM model marginally outperforms ANN even with much less computational time required.