基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

基于BP神经网络的海底地形复杂度自动分类方法研究

针对海底地形复杂程度分类问题,在考虑传统水深均值的基础上引入坡度和起伏度两个地形因子作为表征海底地形复杂程度的分类指标并进行量化,对水深数据空间分辨率进行统一,建立包含18种典型海底特征的海底地形复杂度分类库,利用BP神经网络对建立的分类库进行训练学习。为验证该方法的有效性和适用性,选取地形复杂度不同的4块实验区分别采用统计学方法和BP神经网络算法进行海底地形复杂度进行分类,对比发现该方法可以实现海区海底平坦、一般、复杂三种地形的自动识别与分类,并保留实验区海底地形复杂度细节信息。     

基于分形维的底质分类

概述了目前主要的基于侧扫声纳图像的海底分类方法,重点介绍了分形维在侧扫声图海底分类中的应用及图像分形维的几种估计方法,包括Peleg法、微分盒计数、移位微分盒计数和标准差盒计数法,并给出利用上述方法获得的三种典型底质侧扫声图的分形维计算结果。     

基于BP神经网络的天然气水合物相平衡计算及预测

针对天然气水合物相平衡问题,文中提出用基于带动量因子的BP神经网络进行计算和预测。首先用遗传算法优化确定BP神经网络的结构和参数,得到最优化结构的神经网络;其次结合Levenberg-Marquart优化算法,建立天然气水合物相平衡计算及预测的神经网络模型;最后以实验测定的(CH4 CO2 H2S)三元酸性天然气水合物体系的平衡数据为训练和预测样本进行了计算。计算表明,预测结果与实验数据有良好的一致性,而且由于BP神经网络作为所谓的“纯粹”的算法不需要热力学模型,这对于相平衡计算是非常方便的,所以是研究天然气水合物相平衡计算及预测的一种新的有效方法。     

基于主成分分析的BP神经网络模型的形变预测方法

主成分分析可以提取形变主要信息,BP神经网络具有很强的预测功能,提出将两者相结合用于形变监测数据处理。通过MATLAB编程实现了该算法,并用实测数据进行验证,证明此方法能够提高预测数据的精度和可靠性。结果表明：与其他方法相比,基于主成分分析的改进BP神经网络能取得更好的预测效果。     

基于BP人工神经网络的水体遥感测深方法研究

利用Landsat7 ETM 遥感图像反射率和实测水深值之间的相关性,建立了动量BP人工神经网络水深反演模型,并对长江口南港河段水深进行了反演。结果表明:具有较强非线性映射能力的动量BP神经网络模型能较好地反演出长江口南港河段的水深分布情况;由于受长江口水体高含沙量的影响,模型对小于5m的水深值反演精度较高,而对大于10m的水深值反演精度较低。     

基于BP神经网络的多特征融合变化检测方法

当前,随着遥感影像空间分辨率的提高,传统的变化检测方法已经无法满足实际应用的需要。针对这一问题,引入BP神经网络,提出了一种多特征融合的遥感影像变化检测方法。在提取影像光谱特征、纹理特征和空间特征的基础上,构建了用于进行二类分类的BP神经网络模型,并在一定数量的样本支持下,有效完成了变化信息的提取。实验表明,文中方法相比于传统的影像代数法和仅使用对象光谱特征的方法,在保持较高正确率的情况下,有效降低了漏检率和虚警率。     

基于BP神经网络的公交动态行程时间预测方法研究

公交行程时间的精确预测对于提升公交吸引力具有重要意义。本文基于公交车到离站的历史数据,综合考虑时间周期、站点、站间距离、天气等多个因素,建立了基于BP神经网络的公交车静态行程时间预测模型,以该模型为基础,采用动态迭代的方法,叠加多个站间行程时间预测结果,进一步构建了面向连续站点的公交车动态行程时间预测模型,实现对跨越多个站点的公交行程时间预测。以青岛市125路公交为例对算法进行测试。在模型的横向对比实验中,本模型预测结果的绝对误差均在50 s以内,平均绝对误差百分比(MAPE)为11.74%,均方根误差(RMSE)为23.15,R2的确定系数为0.905 1,SVM的MAPE、RMSE、R2 误差指标分别为:12.38%、38.33、0.743 6,LR对应的误差指标分别为:12.50%、25.59、0.884 1;在静态模型与动态模型的对比实验中,动态模型预测结果的MAPE为11.75%,RMSE为23.15,静态模型对应误差指标分别为:11.63%、26.74。研究结果表明,基于BP神经网络的公交动态行程时间预测模型比传统的静态预测方法具有更高的预测精度。     

应用人工神经网络计算孤立波爬高

运用附加动量法和自适应学习速率对具有一层隐含层的BP网络进行改进，并由此建立神经网络模型来计算孤立被的爬高。将试验值分别与Synolakis公式以及本文结果进行比较，证实神经网络模型计算方法对于计算孤立波的爬高是合适的。     

基于模糊神经网络(FNN)的赤潮预警预测研究

为研究各种理化因子与赤潮藻类浓度间的非线性对应规律和有效预测赤潮藻类浓度,构建了基于BP算法的一个四层模糊神经网络模型。将模糊神经网络(FNN)技术引入赤潮预测研究,并与普通BP网络、RBF网络的结果作比较,结果表明,该模型能够较好地反演出各种理化因子与夜光藻密度的非线性对应变化规律,有更好的预测功能。     

基于BP神经网络的摇臂式波浪发电平台取能效率预测

取能效率是衡量波浪发电装置设计合理与否的重要参考标准。文章首先介绍了摇臂式波浪发电平台,接着对BP神经网络的原理和算法进行了描述,最后以水池试验过程中收集的数据为样本数据,在Matlab平台上运用BP神经网络对实海况下摇臂式波浪发电平台的取能效率作了仿真预测。仿真结果表明：实海况下摇臂式波浪发电平台的取能效率达到了预期目标,进一步说明BP神经网络成功训练出可靠的网络,在此基础上预测的数据具有一定的参考价值。     

基于BP神经网络的航磁补偿方法研究

水中未爆弹危害极大,航空磁探因探测效率高的优势,常用于水中未爆弹的探测。飞机干扰磁场的存在限制了航空磁探的发展。传统的T-L模型待求参数间具有很强的复共线性,难以满足高精度磁补偿的要求,而神经网络算法具有容错率高、求解精度高的特点。首先使用BP神经网络建立干扰磁场的数学模型;随后,通过仿真生成干扰磁场以及未爆弹目标磁场信号对算法进行验证;最后,利用四旋翼无人机平台进行目标探测试验,补偿改善比超过20。试验结果表明,算法可以用于提高平台对水下目标探测的精度。     

改进BP算法在风暴潮极值水位预报中的应用

提出1种基于改进BP算法的风暴潮极值水位预报方法。首先针对现有人工神经网络BP算法存在的缺陷,引入Cauchy训练方法计算连接权的调整,解决BP算法的局部极小点和网络瘫痪的问题。然后结合山东海区水文观测站每年的台风风暴潮资料,应用该改进算法建立台风强度、风速和台风移速与风暴潮极值水位的非线性网络预报模型,对该站极值水位进行预报。实验结果表明,该算法具有很好的稳定性和准确性,为风暴潮预报分析提供了1种可靠的技术手段。     

基于BP网络对模拟声呐信号分类

针对常规的主动声呐调查设备,在简单海洋分层模型的基础上,模拟了多波束类单频信号、侧扫类单频信号、Ch irp调频信号和混合信号4类声呐接收信号,并针对接收信号特征构造了3层BP网络模型,将隐藏层神经元数目设为可调节;利用时间域脉冲宽度和水深与频率域功率谱密度相结合的特征参量,成功地对模拟信号进行了分类。采用改进的BP网络模型,用训练成功的BP网络对102个检测信号进行了分类测试,结果表明,分类成功率较高,可达76%~84.6%,因而利用BP网络可以对不同类别设备的模拟声呐接收信号进行分类。     

利用AMSR-E卫星数据反演蒸发波导高度的BP神经网络方法

主要结合P-J模式和全通道AMSR-E卫星数据,利用两种BP神经网络方法对热带海区蒸发波导高度进行了反演研究。(1)利用BP神经网络反演得到的气象参数通过P-J模式计算蒸发高度;(2)利用卫星AMSR-E数据直接反演蒸发波导高度。两种方法得到的与浮标实测参数计算得到的蒸发波导高度之间的相关系数相当,都为0.82左右,均方根差后者比前者小,分别为2.64m和1.89m。利用后一种网络直接反演了南海地区的蒸发波导高度,平均结果与其他文献结果基本一致。     

基于模糊神经网络(FNN)的赤潮预警预测研究

为研究各种理化因子与赤潮藻类浓度间的非线性对应规律和有效预测赤潮藻类浓度,构建了基于BP 算法的一个四层模糊神经网络模型。将模糊神经网络(FNN)技术引入赤潮预测研究,并与普通 BP 网络、RBF 网络的结果作比较,结果表明,该模型能够较好地反演出各种理化因子与夜光藻密度的非线性对应变化规律,有更好的预测功能。     

Seafloor Classification of Multibeam Sonar Data Using Neural Network Approach

In this study, the self-organizing map (SOM), which is an unsupervised clustering algorithm, and a supervised proportional learning vector quantization (PLVQ), are employed to develop a combined method of seafloor classification using multibeam sonar backscatter data. The PLVQ is a generalized learning vector quantization based on the proportional learning law (PLL). The proposed method was evaluated in an area where there are four types of sediments. The results show that the performance of the proposed method is better than the SOM and a statistical classification method.     

基于BP神经网络的海水盐度建模研究

针对受诸多因素影响的复杂的海水盐度参数非线性输入输出特性,训练并建立BP神经网络模型,介绍了该模型的结构特点和原理。分析表明,该方法在海水盐度建模等复杂系统方面具有实用性和可靠性,并有很好的应用前景。     

Seafloor Classification of Multibeam Sonar Data Using Neural Network Approach

In this study, the self-organizing map (SOM), which is an unsupervised clustering algorithm, and a supervised proportional learning vector quantization (PLVQ), are employed to develop a combined method of seafloor classification using multibeam sonar backscatter data. The PLVQ is a generalized learning vector quantization based on the proportional learning law (PLL). The proposed method was evaluated in an area where there are four types of sediments. The results show that the performance of the proposed method is better than the SOM and a statistical classification method.     

基于声纳图像纹理特征的海底底质分类方法研究

一般不同底质的海底声纳图的纹理特征不同。重点分析了不同底质声纳图像纹理特征的差异,为底质分类的实现提供了基础。并提取了海底声纳图像的灰度共生矩阵,将灰度共生矩阵的统计特征作为特征向量。最后应用自组织迭代(ISODATA)分类算法依据对特征向量进行分类,从而实现了海底底质的划分。