基于环境因子的东南太平洋茎柔鱼资源补充量预报模型研究

东南太平洋茎柔鱼(Dosidicus gigas)是短生命周期种类,其资源量极易受到海洋环境变化的影响。根据2003—2012年我国鱿钓船在东南太平洋的生产统计数据,以及茎柔鱼栖息地的海表温度(SST)、海面高度(SSH)、叶绿素a浓度(chl a)数据,利用相关性分析法分析茎柔鱼资源丰度和补充量(以单位捕捞努力量渔获量为指标,t/d)与栖息海域20°S—20°N、110°W—70°W的SST、SSH、chl a浓度的相关性,获取相关系数大的关键海区位置,同时加入茎柔鱼产卵场、索饵场最适表层水温范围占总面积的比例(分别用PS、PF表示)两个参数,建立三种基于主要环境因子的误差反向传播(EBP)神经网络资源补充量预报模型,进行了比较。结果表明:茎柔鱼资源丰度与SST、SSH、chl a浓度的相关系数最大值海域为7月份的Point1(13°N,102°W)海区、9月份的Point3(11°N,102°W)海区和3月份的Point5(8°S,107°W)海区;资源补充量与SST、SSH、chl a浓度的相关系数最大值海域为6月份的Point2(8°N,103.5°W)海区、2月份的Point4(12°N,97.5°W)海区和10月份的Point6(10°S,93.5°W)海区。EBP神经网络预报模型结果认为:基于产卵环境关键影响因子的方案2(以Point2的SST、Point4的SSH、Point6的chl a浓度、PS作为模型输入因子)和基于全部环境关键影响因子的方案3(以Point1与Point2的SST、Point3与Point4的SSH、Point5与Point6的chl a浓度、PS、PF作为模型输入因子)的两种神经网络预报模型均方误差较小,其准确率可达90%左右。     

基于主成分和BP神经网络的智利竹筴鱼渔场预报模型研究

东南太平洋智利竹筴鱼Trachurus murphyi是我国大型拖网渔船队的重要捕捞对象。准确预报中心渔场是提高渔业生产能力的重要工作。本文根据2003—2009年我国船队在东南太平洋海域捕捞智利竹筴鱼的渔捞日志数据,结合海洋遥感获得的海表温度(SST)和海面高度(SSH)等海洋环境因子,利用主成分和BP神经网络方法对智利竹筴鱼中心渔场预报模型进行了研究。研究利用主成分分析法(PCA)得到累计贡献率在90%以上样本的主成分,综合考虑模型测试的精度与速度,基于原始样本和经PCA处理后的主成分分别建立了BP模型,其最优BP模型结构分别为5∶10∶1和3∶7∶1。研究结果表明,经PCA处理后的主成分所建立的BP神经网络模型在训练结果和测试结果上均要优于用原始样本建立的BP神经网络模型,两者的预报准确率分别为67%和60%。     

分布参数高阶随机时滞Hopfield神经网络的指数稳定性

利用Lyapunov稳定性理论,积分不等式和Halanay不等式,研究了具分布参数的高阶随机时滞 Hopfield神经网络的均方指数稳定性,得到了保证系统指数稳定且与扩散项相关的充分性条件,并给出了指数收敛率,同时放松了现有文献中对变时滞的要求,因而在一定程度上了改进了现有文献的结果.最后给出了数值算例验证所得结果的有效性.     

基于元胞自动机的遗传神经网络在土地利用变化模拟分析中的应用

元胞自动机模型在土地扩展的转换规则设计上具有随机性,受周围环境影响较大。文中建立基于BP神经网络和遗传神经网络算法优化的元胞自动机土地扩张模型,对广州市2009—2011年进行城市扩张模拟分析。实验结果显示:BP神经网络能够较好地模拟分布较集中的耕地和林地等区域,精度可达到70%以上,而对于面积较零碎的建筑用地区域,模拟效果较差;而遗传神经网络优化算法能够总体提高模拟精度约5%,部分精度能提高至20%。同时,该算法还能充分考虑影响土地变化的各种扰动因素,优化选择驱动因子和缩短迭代次数,对于城市土地扩张研究具有可行性。     

径向基函数神经网络在GPS卫星钟差预报中的应用

GPS卫星钟在空中很容易受到诸多因素的影响,导致其钟差行为很难用线性模型,二次多项式模型,灰色模型等现有模型进行描述和实现可靠的高精度预报。本文利用径向基函数神经网络对几颗GPS卫星钟差连续进行了五分钟、一小时和一天的预报,分别取得了均方根误差优于0.4ns,0.5ns和1ns的预报精度,证明了文中径向基网络结构在钟差预报方面的可靠性。     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

RBF神经网络一半参数优化模型在滑坡预报中的应用

将RBF神经网络模型与基于补偿最小二乘准则的半参数模型相结合,首先进行RBF神经网络模型的预报,在此基础上进行半参数模型改正,非参数利用补偿最小二乘法求出,建立优化的RBF神经网络——半参数模型.结合某边坡的GPS高程观测数据进行建模预测,与单一采用RBF神经网络预报模型相比,结果显示精度较好,该方法有效可行.     

基于神经网络的GPS高程拟合算法探析

随着GPS定位技术的发展,人们已经能够获得控制点的高精度平面位置,但一直未能以相应精度求解控制点的正常高程。为提高GPS高程测量的精度,以某工程控制网为例,针对BP神经网络方法应用于GPS高程拟合进行比较研究,可见,遗传神经网络应用于GPS高程拟合,其精度优于BP神经网络,且收敛速度加快;退火神经网络应用于GPS高程拟合,拟合效果也优于BP神经网络。     

基于HJ-1数据和V-I-S模型的城市不透水层变化分析

选择2008年和2010年徐州市城区的HJ- 1A/1B多光谱遥感图像,利用线性光谱混合模型(LSMM)、多层感知器(MLP)神经网络和自组织映射(SOM)神经网络3种混合像元分解方法,基于V-I-S(植被-不透水层-土壤)模型提取城市不透水层.对3种方法的精度分析对比表明,MLP方法优于其他两种方法,能够比较清晰地反...     

地图数字打样完全取代传统打样关键技术研究

目前在国内地图生产领域,地图数字打样仍然不能完全取代传统打样.为了解决这个问题,本文立足国内现有的地图数字打样条件,有针对性地提出了一套可行、有效的解决方案,并重点就某些关键技术展开了深入研究,提出的解决方案以及取得的研究成果已在具体实践中得到验证,基本上达到了地图数字打样完全取代传统打样的目的.