结构风险最小混合型神经元网络油气预测

基于统计学习理论中的结构风险最小化原理,从理论上给出了神经网络的结构设计方法和实现过程.该方法能自适应地扩展神经网络的容量,从而完成网络的结构设计,并且在有限样本的情况下,最大限度地提高网络的训练精度和泛化能力,进而提高神经网络预测结果的可靠性.此外,本方法可使神经网络同时具有多种类型的特性函数,增强了网络的信息处理能力.文中给出了该方法在大庆油田某开发区块储层油气检测的应用实例.     

三峡地区降水神经元方法预报系统

介绍了神经元方法降水预报系统及其在１９９９年汛期中对三峡地区的强降水预报试用情况,分析了该系统对强降水过程的预报能力,结果表明：该系统对降水过程有一定的预报能力,特别是对转折性天气及强降水过程的预报,其效果更好。     

基于整合-激发神经元的自组织映射网络

选取与生物神经元的工作过程较为相似的整合-激发(IF)神经元模型作为传递函数,建立了一个基于整合-激发(IF)神经元的新型自组织特征映射(SOM)网络。通过仿真验证了IF神经元网络的自组织功能,实现对传统自组织网的改进。     

用BP网络预测GPS最佳外业观测时间

本文在简述影响GPS外业观测时间的因素和BP网络误差反向传播算法后,着重讲述了如何建立预测GPS外业观测时间的BP网络模型。实际数据表明该网络在实践中具有一定的可行性,能提高工作效率。     

利用胶囊网络实现高光谱影像空谱联合分类

卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果.然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果.通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特...     

基于BP人工神经网络的潜在震灾预测系统

结合人工神经网络自身的特性和地震灾害预测研究的特点,应用BP人工神经网络模型,建立了潜在地震灾害预测系统。利用大样本数据对网络进行了训练,形成了有识别和记忆功能的非线性预测系统。通过对网络的测试和检验,论证了该系统在预测潜在地震灾害上的可行性和有效性。同时,从测试精度出发,探讨了这种预测网络存在的不足,并给出了相应的改进建议。虽然提出的神经网络模型预测精度还有待提高,但其量化指标仍可为地震灾区政府抗震减灾工作提供参考。     

具有线性功能函数的神经元在矿井水质类型识别中的应用

正确识别矿井水质类型对于判断突水水源具有重要的意义。本文以华北某矿井为例,采用具有线性功能函数的神经元（AdaptiveLinearElement）方法对来自煤层顶、底板含水层的两种不同水质类型矿井水进行了有效的识别。实际输入的4个未知水样中,经识别两个为顶板水,两个为底板水。神经元学习训练时,其收敛性、收敛速度与步长参数α的选取密切相关。此外,神经元本身也具有一定的抗噪性,这使得神经元在较小噪声背景下仍能正常工作。      

BP神经网络在建模中的参数优化问题研究

神经网络方法已经在过去很多年中得到了大量研究,特别是基于误差反向传播算法的人工神经网络(简称BP-ANN)在很多天气预报业务上发挥了重要作用.对于BP-ANN训练有这样的一个问题,在同一个样本模型、同样的网络结构和同样的输入参数情况下,每次训练得到的权重和最终的误差结果几乎都是不一样的,有的会很好,有的会较差.在利用BP-ANN建模训练中,希望都寻找到因子模型的局部最优解,使它具有较好的泛化能力.为了提高BP-ANN在业务预报中的建模和预测能力,将对BP-ANN进行改进试验.利用2009-2010年每年5月15日至9月15日的T639模式预测数据和北京地区4个站点的最高温度实况资料作为建模样本数据,对4个站点进行数值模拟试验.通过对4个模型样本的拟合建模试验发现:BP-ANN的随机初始权重场服从高斯分布,或者初始权重场进行多次初始化,或者采用动态的隐层神经元网络结构都能让BP-ANN对样本的拟合命中率有一定的提高.最后选择2011年5月15日至9月15日115天的资料作为预报测试数据,集成3种改进方法于一个BP-ANN中,和未改进前的BP-ANN进行比较,对比后发现优化后的BP-ANN训练出的模型预测得到的验证样本预测命中率要高于未优化的BP-ANN训练出的模型得到的验证样本预测命中率,优化后的BP-ANN具有更好的泛化能力.     

一种过程支持向量机模型及其若干理论性质

针对时变信号模式分类问题,建立一种过程支持向量机模型.该模型的输入为时变函数,通过核函数变换将动态模式映射到高维特征空间,经过学习训练集中函数样本类别特性,自适应提取动态模式的过程特征,直接分类辨识时变信号.证明过程支持向量机与单隐层前馈过程神经元网络的二分类能力等价;将复杂的动态模式集合非线性地映射到高维特征空间,提...     

利用BP网络识别点状地图符号的研究

在利用BP网络识别点状地图符号的过程中,提出了三项改进措施,简化了数据获取,提高了网络收敛速度。通过对训练样本图像的格式分析,实现了输入神经元的简单获取;对神经元、权值数组采取堆内存动态分配的方式,减少了内存占用,极大地提高了权收敛速度;通过对网络拓扑的分析,调整了节点的输出方式,加快了权值改正。