粒子群优化广义回归神经网络与HHT样本熵结合的地震辨识研究

天然地震与人工爆破信号具有许多相似的特性,为实现地震类型的准确辨识,提出一种基于粒子群优化广义回归神经网络和HHT样本熵的地震类型辨识新方法．该方法先通过经验模态分解（EMD）将初始信号分解成6个本征模态函数（IMF）及1个残余向量,对前三个IMF进行Hilbert变换得到瞬时频率和瞬时能量,进而提取出样本熵并构造神经网络训练集与测试集;利用粒子群算法和训练集优化广义回归神经网络的光滑因子参数值,建立PSO-GRNN分类模型．将该模型结果与BPNN模型、GRNN模型、PNN模型及RBFNN模型等神经网络模型进行性能对照,得到该模型单次识别的准确率、MAE、MAPE、RMSE R2及MSE分别为95%、0.1604、0.1204、0.2381、0.7123、0.0567,绝大多数性能评价指标优于其他4种神经网络模型．该研究建立的PSO-GRNN模型性能较稳健,在100次循环随机试验中辨识效果仍然较突出,计算得到的上述评价指标均值为97.42、0.04、0.04、0.12、0.89、0.02,其对应的标准差为3.53、0.05、0.04、0.08、0.11、0.02,将PSO-GRNN模型...     

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。     

基于模糊神经网络的义县萤石成矿预测

成矿预测的模糊综合评判方法中评价因素权重确定时具有较强的人为因素,模糊神经网络方法可以建立在无模型基础上,自动获取输入与输出的关系,在专家确定权重初始值的情况下,通过网络训练确定出最优权重值,这在一定程度上减少了人为因素的影响.应用该方法对义县萤石成矿远景区进行了评价,其评价结果与实际一致.表明该方法可推广到其他区域、其他矿种的预测,但应根据预测对象的实际情况建立控矿因素集和相应的隶属度函数.     

改进BP神经网络在岩质边坡稳定性分析中的应用

使用MATLAB软件中的NNtool工具箱建立了一个通过添加动量改进的BP神经网络模型,用以分析岩质边坡的稳定性。通过对天津某工程的边坡进行分析来检验这个模型的可靠度。根据现场调查的实际情况分析,该边坡岩体比较破碎,因此文中选择了几个有代表性的岩石完整性参数作为输入层参数,通过收集的一些类似边坡的参数对所建立的神经网络模型进行训练,以保证此模型适合被用来分析该工程。结果证明,所建立的模型是可靠的,此种方法在分析岩质边坡稳定性的的实践中具有广泛的使用性。     

一种新的可靠度计算方法及其在工程中的应用

利用神经网络拟合极限状态方程、几何法计算结构可靠度,并推导了基于神经网络的几何法计算公式。最后比较了该法与其他可靠度计算方法的精度以及计算效率,并将该法应用于实际工程当中。     

基于SPSS和GIS的BP神经网络农用地适宜性评价

以中原城市群为研究区,在应用GIS基础上运用SPSS软件进行主成分分析,根据因子贡献率提取主导性强的综合因子,利用提取的主导因子进行系统聚类选择典型样本;依据因子的贡献率调整BP神经网络初始权值,建立评价模型,进行农用地适宜性评价方法的探讨。通过检验,改变初始权值建立的BP模型预测合格率为50%,相对误差最大值为18.9%;为了进一步改进BP网络,把第一次调整权值训练得到的网络权值作为下一次建模的初始权值,训练得到的BP模型预测合格率为100%,相对误差最大值为9.5%。其后运用层次分析法、主成分聚类法作为对照,验证了这种BP模型在农用地适宜性评价中的可靠性与精确性。最后根据所建立的BP模型预测获得中原城市群农用地适宜性分区图,各土地类型适宜性从西往东呈现由低到高的分带性,其中高度适宜区占总面积的32.4%;中度适宜、勉强适宜、不适宜区分别占总面积的28.9%、22.1%、16.6%。     

基于地震反演方法的奥陶系顶部含隔水层探测

在山西阳泉泊里矿区,太原组K₂灰岩是15号煤层上部主要的含水层,查明其富水分布特征对上下组煤层安全开采至关重要。为了准确得到K₂灰岩的富水分布区域,首先,利用常规的波阻抗反演获取精确的K₂灰岩空间展布特征。然后,结合皮尔逊相关系数法与交叉验证−逐步回归法优选出9种地震属性,构成网络的训练数据。此外,引入适合于时序数据处理且能够捕捉测井曲线前后相关性的长短期记忆神经网络(LSTM),构建智能化、多变量LSTM视电阻率预测模型,以精确地预测研究区视电阻率进而得到地层富水性分布特征。同时,分别利用常规多属性回归算法与多变量LSTM模型在井点位置建立电阻率测井曲线与地震属性井旁道之间的映射关系。最后,将井点处训练好的网络模型推广至无井区得到全区视电阻率体,根据视电阻率值的高低、矿区地质构造与陷落柱发育情况圈定灰岩富水区。实际数据的测试结果表明：与常规多属性回归算法相比,多变量LSTM模型预测误差小,与测井相关系数高,说明多变量LSTM模型可以更加精确地预测出工区视电阻率,在含煤地层的富水性预测中有较好的应用价值。\t\t\t\t

     

融合相空间重构和深度学习的径流模拟预测

发展对数据依赖程度低、快捷实用和精准的模拟预报技术,可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度,提出一种融合相空间重构(PSR)和长短期记忆神经网络(LSTM)的径流预测复合模型PSR-LSTM,在国内外不同气候分区的10个流域(站点)进行验证。结果表明：PSR-LSTM能够提取水文变量的多维子空间特征,并较好预测不同时间尺度的径流变化过程;相较于LSTM,PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%～9.77%,均方根误差平均降低17.01%～19.72%,对训练数据量的依赖程度相比LSTM降低25%～33%。研究成果可为广大资料短缺流域水文过程模拟和预测提供参考。     

基于卷积神经网络的磁异常反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。     

测井资料在碳酸盐岩洞—裂缝型储层产能评价中的应用

介绍了一种基于测井资料来预测双孔结构碳酸盐岩储层产能的新方法。首先根据碳酸盐岩剖面中双孔结构储层的地质和测井特征,提取与储层产能密切相关的多个测井和地质参数,考虑到这些参数与产能的非线性相关关系以及产能数据的变化特点,采用BP神经网络技术建立其储层产能的预测模型,由此处理了轮南地区的多口井测井资料。所预测的储层段产能与试油产能较为一致,效果良好。