软基沉降的BP神经网络和灰色系统联合预测

使用BP神经网络插值方法对灰色数据进行了预处理,进而建立了预测软基沉降量的BP神经网络和灰色系统联合模型.实例分析表明,该模型短期沉降预测结果的最大相对误差小于2%,最终沉降预测结果的相对偏差小于5%,且灰色预测时取后期沉降瘦导颇算结果准确度高于取前期沉降数据的计算结果准确度.     

利用人工神经网络对岩浆侵入范围的预测

以某矿三维地震勘探资料为依据,建立了岩浆侵入的正演模型,在应用灰色系统理论中的灰色关联分析方法进行属性优化的基础上,借助人工神经网络理论中的BP网络方法,建立了岩浆侵入范围预测的BP网络模型.通过误差分析证明,将灰色关联分析与BP网络结合起来进行岩浆侵入范围的预测是可行的.     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

GM—BP串联组合预测模型在滑坡变形监测中的应用

为了提高滑坡的预测精度,通过对灰色GM（1,1）模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM（1,1）模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。     

基于遗传算法的BP网络在黄河三门峡年径流量预测中的应用

提出了一种基于遗传算法(genetic algorithms,GA)的BP神经网络模型来进行径流量预测。此模型融合了遗传优化算法的全局寻优能力和BP神经网络的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了预测结果的精确性。仿真实验结果表明:在黄河三门峡1950~1985年年径流量预测方面,GA-BP模型预测的平均相对误差为5.67%,标准BP算法的模型平均预测误差为11.05%,说明提出的GA-BP径流量方法行之有效。     

动量BP算法在路基沉降预测中的应用

提出一种采用动量BP算法来预测路基沉降的方法,结合具体的工程实例,构建了预测路基沉降的具体BP神经网络模型。预测结果表明,该模型有较高的预测精度,可作为预测路基沉降的一种新方法。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法（PSO）优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于进化神经网络的参考作物腾发量预测

利用遗传算法的全局空间寻优功能和BP网络映射能力强的优点,建立了以遗传算法确定最优网络结构的进化神经网络(GA-ANN)模型,用来预测参考作物腾发量(ET₀).设计多组数字实验处理,研究了输入因子间相关性对模型预测准确性的影响,并验证了最优网络模型结构,即预测ET₀的理想GA-ANN模型中以日平均气温、日照时数及日序数为输入因子.实例分析表明,该模型克服了BP网络输入层、隐含层节点确定的盲目性,适应性强,精度高,可用于ET₀预测.     

基于遗传算法优化的小波神经网络在地下水位预测中的应用

地下水位是衡量生态环境优劣和地下水资源的一个重要指标.地下水位下降,将引发地面沉降、地面塌陷和降落漏斗等.因此,地下水位预测对保护地质生态环境和实现地下水资源严格管理至关重要.由于BP算法存在极易收敛于局部极小点与过拟合等缺点,导致网络泛化能力不足,本文在构建小波神经网络基础上并引入遗传算法加以优化,以解决上述不足,并与BP和WNN对比预测了天津市深层承压水水位.预测结果表明,GA-WNN模型拟合精度较高,模型的预测能力有较大幅度提高.     

遗传神经网络法在巷道围岩松动圈预测中的应用

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的围岩松动圈预测的神经网络模型。用该模型对巷道围岩松动圈厚度进行了预测并与BP预测结果相比较。结果表明,该遗传神经网络模型可靠,预测精度高,用来对围岩松动圈厚度进行预测是有效的和可行的。