利用地基微波辐射计资料反演0-10km大气温湿廓线试验研究

实测与模拟的微波辐射计亮温存在偏差,导致基于BP神经网络模型的大气温湿廓线反演精度的降低。研究了一种基于资料订正后的BP神经网络反演大气温湿廓线的方法。首先,基于2014年6月南京江宁探空资料,利用MonoRTM模式,模拟中心频率在22.2GHz~58.8GHz范围内22通道亮温;对比模拟和实测南京站微波辐射计资料,建立实测微波辐射计资料订正模型。然后,以南京地区2011-2013年探空资料为输入,模拟22通道亮温数据,并基于模拟的22通道亮温数据和当地探空资料,利用BP神经网络算法,建立大气温度、水汽密度、相对湿度廓线反演模型。最后,利用构建的订正模型,对2014年7月试验获取的微波辐射计资料进行订正,并将订正后的微波辐射计资料输入BP神经网络反演模型,反演0-10km高度58层的大气温度、水汽密度和相对湿度,对比实际探空资料以及微波辐射计二级产品,评估分析反演效果。实验结果表明：所建的反演模型提高了大气温湿廓线反演精度,大气温度、水汽密度和相对湿度均方根误差范围分别为1.0~2.0K、0.20 ~1.93g/m3和2.5%~18.6%。     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。     

一种裸露土壤湿度反演方法

针对目前土壤湿度反演方法研究较少且缺少实时性的现状,该文提出一种土壤湿度反演方法——最小二乘支持向量机技术。以积分方程模型为正向算法,数值模拟不同雷达参数(频率、入射角及极化)下后向散射系数随土壤含水量和地表粗糙度的变化情况。经过数据敏感性分析,选取C-波段和X-波段、小入射角下的同极化后向散射系数作为支持向量回归的训练样本信息;经过适当的训练,利用支持向量回归技术对土壤含水量进行了反演研究;并考虑通过多频率、多极化、多入射角数据的组合,消除地表粗糙度的影响,提高反演精度。模拟结果表明,该方法反演土壤湿度具有较高的精度和较好的实时性;同时,与人工神经网络方法的结果比较,证明了该方法的有效性,为土壤湿度的反演研究提供了一种方法。     

均生函数与BP神经网络耦合模拟预测模型(MGF-BP-I)的建立与应用

水文气候因子模拟预测对气候变化研究、农业墒情预报、生态环境改善、水资源合理开发利用等具有一定参考意义。均生函数、BP神经网络及其结合改进方式在模拟预测中各有优点,被广泛应用,但仍有进一步改进空间。针对MGF、MGF-OSR、MGF-OSR-BP等方法粗选因子集、粗选集组合筛选、收敛适应性、精度控制等可改进空间,进一步发挥均生函数和BP神经网络优势,建立了MGF-BP-I模拟预测模型。利用MGF-OSR、MGF-OSR-BP、MGF-BP-I对科尔沁沙地区域平均年降水进行了模拟预测。结果表明,建模期MGF-OSR-BP、MGF-BP-I拟合效果均较好,MGF-BP-I建模阶段最优模式精度优于MGF-OSR-BP,MGF-BP-I整体同时最优模式结果也非常好。检验期,MGF-BP-I检验阶段最优及整体同时最优两种模式拟合效果最好,相比其他模式精度有所提高。MGF-BP-I考虑更加全面,充分发挥了均生函数和BP神经网络优势,精度远高于MGF-OSR和MGF-OSR-BP,MGF-BP-I整体同时最优模式更符合实际应用,效果理想,可用于水文气候因子模拟预测。     

基于灵敏度分析的海洋油气资源BP神经网络预测模型的优化

作者针对BP神经网络结构设计中存在的问题,提出利用灵敏度分析方法对BP神经网络预测模型进行优化。通过BP算法与参数灵敏度分析的结合,寻找网络输入属性与输出属性之间的影响因子;在保证精度的前提下优选网络输入属性,简化网络结构,以增强网络的泛化能力,减少人为主观因素对网络设计的影响。最后以海洋油气资源预测为例,结合实测资料建立BP神经网络预测模型并进行了优化及预测精度评价,表明优化后的模型既能有效提高油气资源预测结果的稳定性,又不损失预测精度。     

基于BP神经网络的海洋监测数据等级划分

数据的分类是数据处理和应用的重要环节和前提。在海洋领域中,海洋数据呈现多元、多类等的复杂多样性,给数据的分类带来一定的技术挑战。主要针对海洋数据分类难这一问题,首先利用BP神经网络技术对海洋环境监测数据进行分类,且通过对获取的海洋环境监测数据进行分类预测,最后,实验验证了海洋环境监测数据分类方法的正确性和可行性,给海洋监测数据根据秘密等级进行数据分类提供了支持。     

基于BP神经网络的溶洞规模预测及应用

复杂岩溶地区的溶洞发育规模受地质构造、地区岩性、地下水动力系统等多种因素的影响,具有高度复杂性和非线性的特征。通过对岩溶区溶洞的赋存规律研究,确定影响溶洞发育规模的控制因素进行定量处理,收集已探明溶洞的样本数据。为克服已有研究对溶洞发育规模定性描述的模糊性,文章利用BP（Back Propagation）神经网络对自组织、自适应特性对数据样本的非线性关系揭示的能力,实现对溶洞发育规模的预测,并基于MATLAB实现BP神经网络结构的设计、训练、预测,其结果表明:BP神经网络模型对溶洞规模预测的精度高、收敛性能好。      

轨道误差对InSAR相位影响的BP神经网络去除法

针对用二次多项式法去除轨道误差对InSAR相位影响时,须对干涉相位其他项分布性质作假设,且自身存在一定的模型缺陷的问题,该文提出用BP神经网络去除轨道误差对InSAR相位影响的方法。研究表明:BP神经网络法在使用时无须对干涉相位其他项分布性质作假设,模型更优。模拟实验中,轨道误差相位拟合残差更小;真实数据实验中,纠正后非形变区相位集中在零值附近,且波动趋势更为平稳。该方法一定程度上降低了传统二次多项式法的应用局限性。     

地表粗糙度影响下的GNSS-R土壤湿度反演仿真分析

基于双天线全球导航卫星系统反射技术（global navigation satellite system reflectometry,GNSS-R）,建立了两个修正地表粗糙度影响的土壤湿度反演模型——解析模型和人工神经网络模型,并以GPS L1 C/A码为例建立了GNSS-R土壤湿度仿真平台,仿真分析了地表粗糙度对两个模型反演精确度的影响。结果表明,当地表均方根高度大于0.010 m时,必须对解析模型进行粗糙度修正。粗糙度影响修正结果显示,小粗糙度情况下修正的解析模型取得了良好的结果,但对于大粗糙度有一定局限性。在均方根高度大于0.025 m时,进行土壤粗糙度修正前,人工神经网络模型精度比解析模型提高了36.83%~72.36%。进行修正后,人工神经网络模型的精度比解析模型提高了42.86%~54.40%。人工神经网络模型在修正前后取得了相近的精度,无修正的人工神经网络模型精度比有修正的解析模型精度仍提高了35.83%~53.48%。