共查询到19条相似文献,搜索用时 125 毫秒
1.
基于BP和Elman神经网络的福建省汛期旱涝预测模型 总被引:3,自引:1,他引:3
建立了福建汛期旱涝BP和Elman神经网络预测模型,并对两种模型的性能和差异进行了比较,结果表明:动量BP网络模型,特别是具有局部反馈特性的Elman网络模型具有较好的拟合精度和预报效果。此外两种模型对旱涝等级为2和4的预测偏差较大,而对旱涝等级为3的预测较为准确。 相似文献
2.
3.
4.
改进BP神经网络在城市环境大气污染分季节预报中的应用 总被引:4,自引:0,他引:4
用泛化改进后的BP神经网络模型,选用2001、2002、2003年的气象因子和环境监测浓度资料按年度、季节分别建立预报模型,对贵阳市城市大气污染浓度进行预报。该方法除弥补了统计方法的预报精度不高和数值预报模式的方法复杂难实现的不足之处外,还很好地解决了未改进的BP网络训练误差很小时,一个新的输入与对应的目标输出具有较大误差的问题。 相似文献
5.
BP神经网络法在大气污染预报中的应用研究 总被引:2,自引:2,他引:2
近年来将BP网络模型应用到大气污染浓度预报中 ,并建立了大气污染物浓度的神经网络预报模型。将计算结果与监测值进行了验证 ,结果表明 :TSP的计算值与观测值之间的绝对误差为 4× 1 0 - 3~ 3× 1 0 - 2 mg·m- 3,NOX 的计算值与观测值之间的绝对误差为 5× 1 0 - 3~ 2× 1 0 - 2 mg·m- 3;且具有较好的相关性。BP模型是目前最为广泛应用的神经网络模型之一 ,它是一种简单而又非常有效的算法 ,BP神经网络法为城市空气污染预报工作提供了一种全新的思路和方法。 相似文献
6.
提出了一种Li Hopfield网络,解决了Hopfield神经网络能量函数存在积分项、振荡收敛、计算复杂等问题,并继承了Hopfield网络的结构与Li网络的优点.同时发现基于部首拆分的汉字字符识别可以忽视甚至利用该网络的虚假稳定点,从而使样本存储量降为传统Hopfield网络的144%,表明该算法有效且快速. 相似文献
7.
为了提高紫外线预报准确率,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machines,简称SVM)回归方法建立重庆市主城区紫外线辐射强度客观预报模型。统计相关分析结果显示,不同季节影响紫外线辐射强度的主要因素并不相同。对所有相关分析因子用逐步回归方法,按方差贡献大小筛选出预报因子,以每日紫外线平均辐射量为预报对象,分季节建立预报模型。比较用不同方法建立的预报模型发现,两种非线性模型(BP模型和SVM模型)的拟合能力优于线性逐步回归模型,但独立样本检验结果表明,3种模型的预报准确率基本相当。将3种方法所建预报模型应用T213数值预报资料进行业务试报,得到较好预报效果。 相似文献
8.
利用2005年4次降雨过程的多普勒雷达体扫的回波强度资料及相应的雨量计观测资料, 通过BP神经网络方法来估测临沂地区的降雨量, 同时以改进的最佳窗概率配对法建立的Z-R关系估测的降雨量为对照, 进一步验证BP神经网络方法的优越性。根据各个站点的平均相对误差、 均方根差、 相关系数和相关曲线斜率4个指标的比较, 小时雨量和累计降雨量估测结果表明: BP神经网络估测精度要明显优于Z-R关系式, 训练样本的精度高于检验样本的精度, BP神经网络估测的降雨量与站点实测雨量吻合性较好, 能够较真实地反映地面降雨情况; Z-R关系式估测的降雨量随着雨强的不同表现为不同程度的低估现象。 相似文献
9.
BP神经网络在油菜花期预报中的应用 总被引:1,自引:0,他引:1
建立花期预报模型,发布观赏性植物的精准花期预报,为旅游活动提供重要参考依据,已经成为气象服务领域一个新的发展方向。为了解高淳旅游区油菜花期的变化规律,探索其预报方法,指导高淳油菜花节旅游活动,根据1985—2010年高淳站日最高气温、日最低气温、日平均气温、日降水量、日日照时数、日平均5 cm地温、日平均相对湿度和日小型蒸发量等气象观测数据,利用主成分分析法,得到其与油菜花期相关系数较大的3个主成分,即温度因子、天气因子和辐射因子,以此为输入因子,建立基于BP神经网络的油菜花期预报模型,探讨BP神经网络在花期预报领域的应用。结果表明,传统的有效积温方法预报结果与实际开花期平均相差4.25天,BP神经网络方法预报结果与实际开花期平均相差1.5天,与有效积温预报油菜花期的方法相比,BP神经网络技术具有预测结果准确率高和操作简单等特点,在花期预报领域具有广阔的应用前景。 相似文献
10.
11.
针对厦门集美大桥建设过程中的高程传递问题,提出了基于BP神经网络的方法,并构建了沿桥梁径向布设的GPS水准网,通过BP神经网络的设计与解算,得到了较好的结果. 相似文献
12.
研究了一种常用的模式分类器——BP神经网络,分析了BP网络的训练及识别过程,提取了能体现声调特性的特征数据组成分类特征向量,设计了具有一个隐含层的3层前馈网络作为分类器,对普通话声调样本库做了分类识别实验,分析了不同隐含层节点数的识别实验结果.实验结果表明,提取的音频特征基本有效,分类效果良好,具有一定的应用价值. 相似文献
13.
基于肌电信号的手部动作识别中,肌电信号测量位置的选择直接关系到动作识别的准确率.本文以使用最少的肌电传感器和获得较高的动作识别率为目标,提出一种基于ANOVA (方差分析)和BP神经网络的肌电信号测量位置优选方法.使用4个肌电传感器采集受试者做出指定动作时的肌电信号,提取肌电信号的时域特征,并按测量位置组合构成15个不同的样本进行BP神经网络的训练和测试.采用单因素ANOVA分析测量位置对动作识别结果影响的显著性,采用Tukey HSD将测量位置进行归类,并从动作识别率最高的子集中选择测量位置最少但识别准确率最高的测量位置组合作为最优的肌电信号测量位置.实验结果表明,测量位置对动作识别的结果具有显著的影响,随着测量位置数的增加,动作识别准确率呈上升趋势,最优的测量位置组合为P1+P3+P4,其动作识别准确率为94.6%. 相似文献
14.
选取1949—2015年间对宁波市影响较大、灾情记录完整的58个台风样本,基于灾损数据,采用灰色关联分析法建立台风灾情关联度,选取台风灾害致灾因子、台风灾情综合关联度,利用BP神经网络建立台风灾情预估模型。结果表明,利用台风灾情关联度评估台风灾情大小合理可用,台风灾害致灾因子与灾情评价指标及台风灾情综合关联度间均存在一定的相关性,利用BP神经网络预估模型对台风灾情预估效果较好,其中训练样本、测试样本的模拟值与实际值相关系数分别达到0. 94、0. 865,均通过了0. 01信度的显著性检验,训练集、测试集灾情级别预报一致率为85. 3%、77. 8%,相关研究成果可为政府决策部门的抗台减灾工作提供科学依据。 相似文献
15.
基于TIGGE资料集中的ECMWF、CMA和JMA的数值预报产品,利用加权集成、回归集成和消除偏差集成等线性集成方式与遗传算法优化的BP神经网络(GABP)集成,对我国大部开展地面2 m温度在24 h、48 h和72 h预报时效的多模式集成预报试验。通过对2013年1—6月的预报检验,结果表明:GABP集成预报效果有较大提升,均方误差明显小于各单一模式预报。GABP集成的误差分布在新疆和华北均方误差较大,但是在预报效果改进上GABP集成在西部地区相对单一模式的误差减小更加明显。在进行几种多模式集成方式时,GABP集成相比线性方法预报结果更加精准。对于天气过程个例的预报,GABP集成预报出预报量的变化趋势,预报效果优于单一模式和线性集成预报。无论是较长时间段还是短时间的天气过程,在改进预报效果上GABP集成都起到了最佳的作用。 相似文献
16.
基于误差平方和最小化准则的BP神经网络(ANN-MSE)并不适合解决小概率天气事件的预报问题,引进一种改进的以交叉熵函数为目标函数的神经网络方法(ANN-CE),该法是一个三层反向传播神经网络,其输出层只用一个节点.利用2003-2008年的ECMWF预报场资料,把该法用于福建省南平市4-6月部分大雨或以上降水96h预报中,分别用原始因子和PCA降维后的主因子建立了ANN-CE预报模型和ANN-MSE预报模型,用这些模型对2009-2010年独立样本进行了试报.测试结果显示主因子预报模型TS评分比原始因子预报模型高且漏报次数少,其中,主因子ANN-CE预报模型的TS评分和漏报率分别是0.51和0.17,其性能是所有模型中最好且最为稳定的,是一种适合于小概率事件预报的方法. 相似文献
17.
基于采集的近20000张茶园图像,分别筛选出1000张茶园结霜和1000张未结霜图像作为训练样本,利用百度AI开放平台的EasyDL经典版图像识别功能,应用卷积神经网络算法,建立茶园结霜识别模型,进行茶树结霜图像智能判别。茶树结霜智能识别模型的准确率、F1评分、精确率、召回率分别为99.2%、99.2%、99.3%、99.1%。模型检验结果为:样本地20张结霜图像的平均识别置信度为95.51%,20张非结霜图像的平均识别置信度为99.99%;非样本地(江南茶区)80张结霜图像的平均识别置信度为97.53%,80张非结霜图像的平均识别置信度为95.11%。 相似文献
18.
藻类叶绿素a浓度是反映太湖水体富营养化程度的重要参数指标。以太湖2010—2011年5—10月旬平均叶绿素a浓度和气象资料数据作为建模样本, 通过对气象资料进行主成分分析, 得到4种主要气象因子作为输入, 建立时间序列ARMA预测模型与BP神经网络预测模型, 并对2012年数据进行预测。利用两种模型在线性空间和非线性空间的预测优势, 将叶绿素a数据结构分解为线性自相关主体和非线性残差两部分。首先用ARMA模型预测序列的线性主体, 然后用BP模型对其非线性残差进行估计, 最终集成整个序列的预测结果, 建立了ARMA-BP预测模型。3种模型的预测效果为ARMA-BP>BP>ARMA。 相似文献