共查询到19条相似文献,搜索用时 312 毫秒
1.
径流预报的模糊神经网络方法 总被引:3,自引:0,他引:3
径流预报是水资源系统优化调度的重要因素。探讨了神经网络及模糊模式识别的部分理论,在通常的神经网络预报模型及模糊模式识别预报模型的基础上提出了一种模糊模式识别神经网络预报模型及其相应算法,加强了系统的知识表达能力,使预报结果更为可信。通过实例计算,验证了模型的可行性以及所给算法对模型训练的有效性,从而为径流预报提供了一种新方法。 相似文献
2.
3.
地下水质量的优劣是影响水资源可利用性的一个重要方面,因此对地下水水质进行合理评价是水资源开发利用、保护的依据。本文根据水质评价的特殊性,就模糊模式识别模型进行了改进,将改进的模糊模式识别模型应用于江阴市地下水水质综合评价,将评价结果与基于熵权法赋权的模糊综合评价及传统模糊综合评价结果进行了对比分析。研究表明:模糊模式识别方法对地下水水质评价问题具有较高的数值稳定性和适用性,模糊模式识别法评价的水质级别趋于平均化、中间化,本文提出的模糊模式识别理论模型应用于典型案例地区地下水水质评价是有效可行的。 相似文献
4.
5.
模糊模式识别理论在水源地水质评价中的应用 总被引:2,自引:0,他引:2
本文提出利用模糊模式识别理论模型进行水源地水质评价,并根据水质评价的特殊性,对模糊模式识别模型进行了改进;实例评价结果说明是有效的。 相似文献
6.
文章在综合利用模糊模式识别剔除噪音信息和BP神经网络拟合优势的基础上,设计了模糊神经网络新算法。该算法利用综合隶属度矩阵和模拟专家意见阵,强化模式分类的主体信息,大大提高了网络的收敛速度。在应用于某气田测井资料的储层识别表明,该算法不仅计算速度快,而且预测精度也得到了较大的提高 相似文献
7.
8.
边坡稳定性预测的模糊神经网络模型 总被引:9,自引:0,他引:9
根据边坡稳定问题具有的模糊性,提出了一种判定边坡稳定性的模糊神经网络模型。该系统仅从期望输入输出数据集即可达到获取知识、确定模糊初始规则基的目的。再利用神经网络学习能力便不难修改规则库中的模糊规则以及隶属函数和网络权值等参数,这样大大减少了规则匹配过程,加快了推理速度,从而极大程度地提高了系统的自适应能力。最后用收集到的边坡数据样本训练和测试模糊神经网络模型,结果表明该模糊神经网络预测边坡稳定性是可行的、有效的。 相似文献
9.
10.
模式识别在定量研究岩相模式中是一种有效的方法,神经网络是模式识别的一种新方法,和其它模式识别方法不同之处在于它能模拟人脑并行处理信息的模式和神经系统的可塑性。经传统岩相分析,鄂中拗陷二叠系碳酸盐岩确认为碳酸盐岩台坪相,它包含五个亚相,即局限台洼、台坡B、台洼、台坡A和台滩相。它们在岩石的颜色、矿物组分、古生物种属、结构等特征上都有不同的差异。应用BP神经网络,特别是与模糊模式识别的结合,对拗陷区的岩相识别是成功的,令人鼓舞,两种方法各自的正确判对率约为75%,而综合两种方法的判对结果,则岩相全部判对。 相似文献
11.
12.
边坡位移预测组合灰色神经网络方法 总被引:3,自引:0,他引:3
边坡位移的发展受地质条件、气候环境及人类活动等因素影响,变化趋势复杂,难以建立准确的经典数学模型对其进行全面描述。为了较准确地得到边坡位移数据,采用多模型信息融合技术对其进行预测。首先,将边坡这类影响因素复杂的系统作为一个灰色系统,分别采用GM(1,1)模型、Verhulst模型及DGM(2,1)模型对位移值进行预测;其次,考虑到神经网络的高速并行计算能力和类似人类思维活动的处理机制,利用神经网络方法对不同的灰色预测模型组合,生成灰色神经网络模型。通过反复训练、学习,自动调节,得出各模型在组合模型的合理权重,输出满意的结果。对比发现,利用组合灰色神经网络模型预测的位移值较单独的灰色模型预测的位移值具有更高的精度。 相似文献
13.
详细介绍了Elman神经网络的基本结构和数学模型,同时以地下水动态预测为例,给出用Elman神经网络建立地下水动态预测模型的方法。模型检验结果表明,该模型拟合和预测精度均较高,可应用于地下水动态系统的建模,借此说明Elman网络在地下水动态预报中的可行性,并为Elman网络技术在水文水资源领域的动态模拟应用提供借鉴。 相似文献
14.
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。 相似文献
15.
16.
An attempt is made in this study to develop a model to forecast the cyclonic depressions leading to cyclonic storms over North Indian Ocean (NIO) with 3 days lead time. A multilayer perceptron (MLP) model is developed for the purpose and the forecast quality of the model is compared with other neural network and multiple linear regression models to assess the forecast skill and performances of the MLP model. The input matrix of the model is prepared with the data of cloud coverage, cloud top temperature, cloud top pressure, cloud optical depth, cloud water path collected from remotely sensed moderate resolution imaging spectro-radiometer (MODIS), and sea surface temperature. The input data are collected 3 days before the cyclogenesis over NIO. The target output is the central pressure, pressure drop, wind speed, and sea surface temperature associated with cyclogenesis over NIO. The models are trained with the data and records from 1998 to 2008. The result of the study reveals that the forecast error with MLP model varies between 0 and 7.2 % for target outputs. The errors with MLP are less than radial basis function network, generalized regression neural network, linear neural network where the errors vary between 0 and 8.4 %, 0.3 and 24.8 %, and 0.3 and 32.4 %, respectively. The forecast with conventional statistical multiple linear regression model, on the other hand, generates error values between 15.9 and 32.4 %. The performances of the models are validated for the cyclonic storms of 2009, 2010, and 2011. The forecast errors with MLP model during validation are also observed to be minimum. 相似文献
17.
18.
19.
地质灾害气象预报预警方法是近年来地质灾害防范的热点。由于不确定因素较多,预报方法及预报精度上还有待提高。根椐我省实际情况,选取影响地质灾害发生的主要地质因素并设计了地质背景条件下各致灾因素概率模型;根椐地质灾害主要引发因素的降雨量和初步确定的降雨量临界值;选取BP神经网络模型算法进行数学运算,最终形成预报预警产品,分等级预报,在实际预报预警中取得较好的效果。 相似文献