神经网络油气检测技术

多参数神经网络油气检测技术首先提取四大类２６ 个地震波特征参数,并定量描述这些参数,然后用神经网络技术对这些参数进行分析,预测油气分布,使油气识别工作定量化、计算机化。本次研究开发了一套神经网络油气识别软件,并利用其对东濮凹陷胡１９ 块进行油藏精细描述,预测沙三下砂组含油面积０－７ ｋｍ２ ,石油地质储量７０ ×１０４ 吨。     

主成分分析技术在遥感蚀变信息提取中的应用研究综述

主成分分析是目前遥感蚀变异常信息提取常用方法之一,该方法具有对影像大气校正质量要求不高、实现简单、提取效果好、效果稳健等优点,广受地质工作者的青睐。根据输入影像的数量及类型、主成分分析的次数等,本文将主成分分析分为标准主成分分析、特征向量主成分分析、定向主成分分析、二次主成分分析、不同影像间的主成分分析等5种类型。其中,特征向量主成分分析又可细分为4个波段特征向量主成分分析和3个波段特征向量主成分分析。在上述分类的基础上,系统介绍了各种主成分分析及蚀变信息主分量的选择,尤其是对特征向量主成分分析的Crosta技术和定向主成分分析的软落叶技术进行了详细阐述。并以TM/ETM+、ASTER影像为例,对部分应用主成分分析提取蚀变异常信息的实例进行了分析,认为：在基岩裸露区,不同主成分分析都可以很好地提取铁化、泥化蚀变信息;在中、低植被覆盖区,采用标准主成分分析、Crosta技术、改进的Crosta技术、软落叶技术、“掩膜/抑制干扰信息+主成分分析”等方法可以有效地提取蚀变异常信息;高植被覆盖区多采用主成分分析生成的蚀变信息主分量进行彩色合成,再通过对彩色影像进行目视解译的方式判断蚀变的类型和范围。其中,“掩膜+Crosta技术”、“掩膜+软落叶技术”、二次主成分分析等方法在高植被覆盖区也可以取得较好的应用效果;对于干扰信息种类众多、岩性复杂的地区,可根据干扰信息、岩性种类划分成若干个小区,再根据每个小区实际情况采用不同的蚀变提取方法,最后将每个小区内提取的蚀变信息进行合并。     

基于神经网络的混沌时间序列预测

为了提高了RBF神经网络对于混沌时间序列的预测性能,从相空间重构理论出发,建立RBF神经网络,并且改变RBF神经网络训练参数及训练样本数,以Logistic及Lorenz混沌时间序列进行预测仿真,取得了不错的预测效果。     

基于径向基函数神经网络的地震液化侧移预测

在已有的地震液化侧移数据库中增加累积绝对速度（CAV₅）这一地震参数,以考虑震源机制对液化侧移的影响。然后采用径向基函数神经网络（RBFNN）方法建立地震液化侧移预测模型,并与其他模型进行对比分析。结果表明,本文模型预测精确度最高;CAV₅在液化侧移预测方面可以代替震级、震中距2项参数;所有参数中,震级、震中距、可液化土层厚度敏感性较高,对液化侧移影响程度较大。     

基于GA-BP神经网络的路基沉降预测

如何科学、合理地预测路基沉降是高速公路建设的关键,针对传统的BP神经网络算法易陷入局部极小值,影响预测精度的问题,本研究利用遗传算法(genetic algorithm,GA)的全局寻优能力对BP神经网络进行优化,构建了基于GA-BP神经网络的路基沉降预测模型。以高速公路路基沉降监测进行实验验证分析,结果表明：相较于传统BP神经网络模型,GA-BP神经网络模型的预测精度有了显著的提高,可为高速公路的建设及后续工程的沉降预测提供参考。     

基于经验模态分解与神经网络的信号预测

利用经验模态分解在处理非线性、非平稳信号以及人工神经网络可以较好地处理非线性问题的优点,通过经验模态分解把加入噪声的仿真信号分解成几个本征模态函数分量和一个趋势项,在分解过程中采用两种方法处理端点效应问题,结果表明两种方法都能很好的解决端点问题,然后对每个分量分别运用径向基函数神经网络进行预测,并重构出最后的预测结果。与不经EMD处理直接运用神经网络进行预测及真实数据进行对比,结果表明,相对于直接预测,该方法具有更好的预测效果。     

一种面向系统状态参数预报的过程神经网络模型及其算法

为解决难以用确定机理模型描述的非线性系统状态预报问题,提出一种基于过程神经网络的预报模型及其算法.利用过程神经网络对动态系统的非线性映射机制和直接辨识建模能力,面向系统状态参数预测,建立一种反映系统过程模态特征变化的过程神经网络模型,分析模型的预测机制,给出相应学习算法.为弥补实际采样数据不足及提高数据信息利用率,利用...     

基于BP神经网络的对流层延迟预测研究

将Levenberg Marquart 算法改进的BP神经网络技术用于GPS对流层延迟的预测,以南加州GPS网数据为例的实验表明：76％的预测值与实际值之间的偏差在3 cm以内;利用BP神经网络进行预测对流层延迟的精度达到厘米级,部分站点达到毫米级。对部分预测效果不佳的站点进行分析,站点空间位置选取不合理、站点海拔与周边训练样本的站点海拔差异较大是造成预测效果不佳的原因。     

基于SSA-Adam-BP神经网络模型的堰塞坝稳定性预测

现有的堰塞坝稳定性预测模型多为线性模型,无法充分考虑堰塞坝稳定性与其形态特征和水域条件之间的复杂非线性关系。鉴于此,结合反向传播神经网络模型和樽海鞘优化算法,提出了一种新型的堰塞坝稳定性预测模型SSA-Adam-BP。该模型通过网格搜索法选取确定模型结构的最佳超参数组合,进而利用交叉验证和绘制ROC曲线的方式分别对采用不同优化算法的模型进行评估。使用开源数据库中的全球153例堰塞坝数据对模型的实际应用进行了说明及验证。与传统线性模型的对比表明神经网络模型预测准确率较高,具有较低的误报率。将SSA与Adam优化算法结合提高了BP模型的全局搜索能力,其平均交叉验证准确率达到了91.73%,能够使用较少的参数实现对堰塞坝稳定性快速准确的预测。SSA-Adam-BP模型对近年来典型工程的稳定性能够准确预测,具有一定的实用性和系统平台推广应用价值。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...