遗传神经网络在GPS高程转换中的应用研究

针对神经网络在GPS高程转换过程中易陷入局部极小解等问题,提出了将遗传算法和神经网络相结合的方法,并讨论了遗传神经网络模型结构及算法,通过实例分析,验证了该方法不仅能克服神经网络收敛速度慢、易陷入局部极小解等缺陷,且具有较高的精度和计算效率.     

考虑欧拉矢量的BP神经网络模型建立区域地壳运动速率场

讨论了常用的欧拉矢量模型和函数拟合模型的优缺点,提出了基于欧拉矢量的BP神经网络模型。该模型运用欧拉矢量的地学性质,结合BP神经网络在处理需要同时考虑许多因素和条件的、不确定和模糊的信息时的优势,可以较好地区分块体整体的刚性旋转及内部的弹性形变。经实例验证,取得较好的精度。     

基于神经网络的LAI遥感反演影响因素分析

基于BP神经网络和植被冠层辐射传输模型PROSAIL对LAI进行反演,针对BP神经网络中网络结构设计的关键问题,从网络隐含层层数、隐含层节点数和学习速率等3个方面进行分析与讨论,确定了最佳的BP网络结构,取得了较好的反演结果。     

基于粒子群优化的BP神经网络在GPS高程拟合中的应用

讨论了利用粒子群优化(PSO)算法来训练BP神经网络的权值和阀值的原理,分析了三种GPS高程拟合实例,结果表明PSO-BP模型可以应用于GPS高程拟合中。     

基于广义回归神经网络的电离层VTEC建模

提出一种基于广义回归神经网络的电离层电子总含量建模的新方法。依据电子总含量的时空变化特性建立基于广义回归神经网络的区域电子总含量模型。结合实例,详细讨论训练样本的采样策略对网络模型性能的影响,并确定较优的模型光滑参数和采样策略。分别从理论和实例上与常用的多项式模型进行对比分析。结果表明在数据样本密集区域两者的精度相当,而在外推的空白区域内网络模型的精度优于多项式模型,验证网络模型的可行性和有效性。     

基于小波分析的神经网络基坑变形预测模型

运用小波理论和神经网络理论不同结合方法建立地表变形预测模型。文中先建立了较为普遍的松散型的小波去噪神经网络模型和紧致型的小波神经网络模型,分析了小波去噪和BP神经网络的隐含层节点数选取过程。基于实测数据分析可得:三种模型的预测效果较单一的BP神经网络预测效果更好;基于小波变换的神经网络预测模型的平均绝对百分比误差为0.15,优于另两种模型的预测精度。     

利用一种新的神经网络模型识别点状地图符号

着重讨论了用一种新的神经网络模型识别点状地图符号的过程，主要包括网络的结构特点和学习算法以及学习训练过程，并验证了用该网络进行点状地图符号识别的有效性。     

利用一种新的神经网络模型识别点状地图符号

着重讨论了用一种新的神经网络模型识别点状地图符号的过程，主要包括网络的结构特点和学习算法以及学习训练过程，并验证了用该网络进行点状网答识别的有效性。     

GA-BP神经网络的GPS可降水量预测

针对传统BP神经网络模型存在的学习速度慢、易陷入局部极值以及网络结构参数取值的不确定性等问题,该文研究了一种基于遗传算法与BP神经网络相结合的GPS可降水量预测的新方法。该方法利用遗传算法对BP神经网络的初始权值和阈值进行优化,并对该模型进行训练,以提高预测模型的性能。实验结果证明了遗传BP神经网络模型用于GPS可降水量预测的可行性,其预测结果的均方根误差为0.16 mm、平均绝对百分误差为0.23%。相对于BP神经网络和小波神经网络模型,均方根误差分别降低了0.37和0.19 mm,平均绝对百分误差分别降低了0.62%和0.33%。同时遗传BP神经网络模型亦显示了很好的非线性拟合能力,能更好地预测GPS可降水量,对实际工作具有较强的参考价值。     

BP小波神经网络在地铁隧道变形分析中的应用

利用小波分析能够逼近非线性连续函数和良好的局部化特性对BP神经网络模型进行改进。结合BP神经网络的非线性映射和容错性等优点,将小波分析和BP神经网络相结合,并将其应用于变形监测的数据分析处理。本文通过BP神经网络模型和BP小波神经网络模型分别对样本数据进行分析处理,并对结果进行对比,验证BP小波神经网络模型的优越性。     

变形分析的神经网络技术应用实例

大型工程施工过程中的变形监测、分析与预报极为重要。变形分析建模的方法很多,神经网络技术的应用是其中之一。文中结合某深基坑工程的监测资料和工作经验,运用神经网络BP算法进行预测分析。简述BP神经网络的基本概念,介绍基坑变形分析的BP神经网络的具体模型结构,将神经网络方法预报结果与实测数据对比效果较好。该成果对生产实践具有参考价值。     

神经网络在卫星钟差短期预报中的应用研究

本文针对卫星钟差的特点,提出了基于神经网络的卫星钟差短期预报模型,给出了基于径向基函数(RBF)网络进行卫星钟差预测的基本思想、预测模型和实施步骤,并对比分析了神经网络模型与灰色系统理论模型的区别.为验证本文提出的预报模型的可行性和有效性,利用GPS卫星钟差数据进行钟差预报精度分析,并与灰色系统模型进行对比分析.仿真结...     

Neural Networks: A General Framework for Non-Linear Function Approximation

The focus of this paper is on the neural network modelling approach that has gained increasing recognition in GIScience in recent years. The novelty about neural networks lies in their ability to model non‐linear processes with few, if any, a priori assumptions about the nature of the data‐generating process. The paper discusses some important issues that are central for successful application development. The scope is limited to feedforward neural networks, the leading example of neural networks. It is argued that failures in applications can usually be attributed to inadequate learning and/or inadequate complexity of the network model. Parameter estimation and a suitably chosen number of hidden units are, thus, of crucial importance for the success of real world neural network applications. The paper views network learning as an optimization problem, reviews two alternative approaches to network learning, and provides insights into current best practice to optimize complexity so to perform well on generalization tasks.     

BP神经网络在区域似大地水准面精化中的应用

研究BP神经网络算法在区域似大地水准面精化中的应用,阐述了神经网络的结构及其算法,根据焦作市D级GPS网控制点的数据,利用MATLAB进行编程计算,拟舍得到厘米级的似大地水准面模型,并得到了有益的结论。     

动态预测软土路基沉降的神经网络模型研究

人工神经网络具有较强的非线性映射能力。本文介绍了神经网络BP算法的一些改进措施。这些措施可以提高BP算法的学习收敛速度,同时也可以提高BP网络性能的稳定性。为避免软土路基沉降传统计算方法中各种人为因素的干扰,本方法利用实测资料直接建模。基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法。本文所建立的BP算法模型比较独特,利用该模型预测软土路基沉降精度高,预测结果的稳定性好。     

The Application of BP Networks to Land Suitability Evaluation

The back propagation (BP) model of artificial neural networks (ANN) has many good qualities comparing with ordinary methods in land suitability evaluation.Through analyzing ordinary methods‘ limitations,some sticking points of BP model used in land evaluation,such as network structure,learning algorithm,etc.,are discussed in detail,The land evaluation of Qionghai city is used as a case study.Fuzzy comprehensive assessment method was also employed in this evaluation for validating and comparing.     

多结构卷积神经网络特征级联的高分影像土地利用分类

高分辨率遥感影像包含丰富的土地利用类型信息,针对单一卷积神经网络提取图像特征信息不足的问题,提出了一种多结构卷积神经网络（convolutional neural network,CNN）特征级联的分类方法。首先,选择CaffeNet（convolutional architecture for fast feature embedding）、VGG-S（visual geometry group-slow）、VGG-F（visual geometry group-fast）为实验初始模型,对网络全连接层进行参数微调,采用随机梯度下降法（stochasticgradient descent,SGD）更新网络的权重;然后以微调后的网络分别作为特征提取器对图像提取特征,级联上述3种网络的第二个全连接层输出特征作为图像表达;最后,以多类最优边界分配机（multi-class optimal margindistribution machine,mcODM）获得最终分类结果。实验采用UC Merced land-use数据集进行分类效果检验,结果表明,多结构卷积神经网络级联的方法能够达到97.55%的总体分类精度,相较于CaffeNet、VGG-S和VGG-F等,分类精度分别提升了5.71%、2.72%和5.1%。因此多结构卷积神经网络特征级联的方法能够有效提取目标特征信息,提升土地利用分类精度。     

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法（GA）与基于误差反向传播算法（BP）相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型（GA-BP模型）。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限人局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。     

利用BP神经网络的动态精密单点定位故障诊断算法

针对动态精密单点定位中可能出现的观测信息故障,提出了基于两级神经网络的故障诊断算法。该算法首先采用一级神经网络在线修正Kalman滤波的动力学模型信息,然后基于二级神经网络自动对观测信息进行故障检测、定位和剔除。利用机载实测数据进行了实验,结果表明该方法能够正确地诊断观测信息中存在的故障,提高了诊断正确率。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。