金沙江白格滑坡残留体稳定性分析与防治对策

金沙江白格滑坡在经历了2018年10月和11月的2次滑动堵江后,在其后缘仍存在K1、K2和K3等3处规模较大的残留崩滑体,并有再次失稳堵江的可能。目前关于残留体稳定性的研究还存在较大争议,多从影响因素及成因机制等方面进行定性分析,其结果依赖于评价者的经验,差异较大。在野外调查的基础上,针对白格滑坡所在区工程地质条件及其残留体变形特征,选取坡高、坡度、坡面形态、临空面、地下水出露、裂缝发育和变形等7个因素作为评价因子,基于模糊综合评判模型,运用层次分析法对白格滑坡残留体进行分区稳定性评价,并提出相应的防治对策。评价结果表明:K1与K2残留体稳定性较差;K3残留体基本稳定,与实际调查状况较吻合。研究结果可为同类型滑坡的评价与防治提供参考。     

机器学习模型在滑坡易发性评价中的应用

机器学习在滑坡的易发性评价中面临两个难点,一是评价指标的客观量化,二是训练样本的选择。鉴于此,采用频率比法实现了评价指标的客观量化,利用k均值聚类算法实现了非滑坡样本数据的筛选。结果表明,以k均值聚类算法筛选非滑坡为前提,神经网络的训练精度由73%提升到了97%,支持向量机的训练精度由75%提升到了96%。基于GIS平台,将神经网络和支持向量机模型计算的全区易发性指数按自然断点法分为五个区域,分区图与历史灾害点的叠加分析统计结果显示,神经网络在全局范围内的评价结果优于支持向量机模型,全局精度分别为76%和74%。研究结果可为南江县的防灾减灾工作提供参考。     

安徽六安城市建设用地地质环境适宜性评价

随着国家城市化进程的不断推进,土地资源的开发利用和规划日益增多,开展地质环境适宜性评价研究不容忽视.本文以六安市规划区为例,结合区内地质环境条件,采用"专家打分-层次分析"的方法综合确定各评价因子的权重值,采用敏感因子-模糊综合评价模型进行定量评价,为日后城市建设、土地资源开发和利用提供了良好的理论依据.     

多隐层BP神经网络在模式预报中的简化应用

EC细网格预报效果好,基本满足业务需要,在工作中被广泛应用。为进一步提升预报准确性,做好迪士尼园区的气象服务保障,选取2016年7月至2017年6月1年的2 m温度预报场,24 h预报时效的时间分辨率为3 h,72 h预报时效的时间分辨率为24 h,分别用回归分析法、S型和简化Line型BP神经网络法进行模式释用,与迪士尼气象站观测数据对比。结果表明:阈值为1℃时,对模式结果释用后,均方根误差减少了0.5℃到1.0℃,3—9 h和21—72 h预报时效的准确率由原来的50%和30%分别上升到70%和50%。采用S型多隐层BP神经网络误差最小,不同预报时效释用稳定性最高,同时该释用方法对t_(min)的预报特征把握更精准,释用效果明显优于对t_(max)的预报释用,但迭代计算耗费时间大幅增多,与预报效果的提升不成正比。简化Line型的BP神经网络通过8个半月的数据量和简单的网络模式,捕获了EC预报的特征,不但减小了计算量,大幅缩短了计算时间,而且预报结果也有显著提升,预报稳定性较好,具有广泛的业务应用空间。     

汕头市PM2.5的气象要素影响分析及预报研究

利用2014—2017年汕头市PM_2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM_2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP （Back-Propagation）人工神经网络方法针对汛期和非汛期分别建立了PM_2.5质量浓度预报模型。结果表明：与多数内陆城市不同,汕头市PM_2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM_2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM_2.5日均浓度随着风速的增大呈现减小趋势,PM_2.5日均浓度与08时混合层厚度显著相关（相关系数为-0.143）;汕头市非汛期PM_2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水（暴雨以上除外）对PM_2.5的清除效果无明显差别,而非汛期降水对PM_2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM_2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。     

基于模糊熵的GLLE熵阈值分割方法

图像分割是计算机视觉中基础且重要的一个问题.熵阈值图像分割作为一种有效的分割方法,被广泛应用于模式识别和图像处理中.传统的图像分割方法并不能获得足够有效的图像特征.为解决这个问题且进一步探究熵阈值在图像分割中的应用,引入一种GLLE（Gray Level and Local Entropy）二维直方图改进熵阈值图像分割模型,并提出了基于模糊熵的方法计算所建立的二维直方图模型.通过标准实验数据集上的对比实验表明,基于模糊熵的GLLE熵阈值分割方法可以得到更加准确的阈值,提高了分割精度.同时在处理不同类型图像的表现上优于往常的算法,具有更强的鲁棒性.     

具有遗忘时滞的静态神经网络的H∞状态估计

本文研究了具有遗忘时滞的静态神经网络的H_∞状态估计问题.首先降低了时变时滞可微的条件,然后通过构造合适的Lyapunov-Krasovskii泛函,设计保H_∞性能的状态估计器,使得误差系统实现全局渐近稳定.最后,借助Matlab中线性矩阵不等式工具箱进行数值仿真,验证了结论的有效性.     

基于循环神经网络的单站能见度短临预报试验

由于能见度具有局地性和复杂的非线性变化特征,一直是精细化预报的难点。人工神经网络对复杂变化过程的模拟能力较高,为解决这一难题提供了可能性。本文采用循环神经网络,利用福州气象观测站地面观测数据,建立了福州单站能见度短临预报模型,并就预报能力进行了评估。随机检验结果表明,在1 h、3 h、6 h时效上,循环神经网络的预报与观测的变化趋势一致性较好;均方根误差比基于实况的预报分别减小15.75%、31.66%、41.26%,说明具备较好的预报能力;平均绝对值误差比传统BP神经网络分别减小12.90%、24.45%、 38.99%,表明循环神经网络对能见度预报具有优势,为能见度的精细化短临预报提供了新途径。     

基于机器学习的海表温度对中国降水的预测研究

利用K-means聚类算法将36a的中国周降水数据聚类为7个区域,其中非季风区的中国西北和青藏高原的大部分地区聚类为两个区域,其余区域聚类为5个区域.将各区域的降水量数据经过指数平滑之后,输入聚焦时延神经网络(FTDNN),求解其与经过主成分分析降维处理的SST之间的关系.结果表明:季风区的降水量最佳延迟时间比远离海洋...     

基于神经网络的滑移隔震结构智能半主动控制

考虑上部结构的刚度和阻尼,使用神经网络控制算法计算基底摩擦力的大小,研究了滑移隔震结构的半主动控制。对计算实例的分析表明,通过半主动控制的滑移隔震结构不但具有较好的隔震效果,且能有效地减小基底的最大滑移量及残余位移。为对比各种控制方法的控制效果,文中还利用Bang-Bang控制和瞬时最优控制算法对滑移隔震结构进行了半主动控制。对比分析表明,基于神经网络控制算法的控制效果优于其它控制算法,具有反馈量少,稳健性强等特点。