盆地基底岩性的综合地球物理预测方法——以松辽盆地滨北地区基底岩性预测为例

预测盆地基岩岩性不仅对于研究盆地的深部地质结构及盆地的形成演化具有重要的意义,而且也对基岩风化壳油气藏的勘探具有一定的指导作用.本文通过对盆地重、磁异常成因的综合分析,提出了一系列盆地基底岩性综合预测研究的综合地球物理资料处理解释方法技术.指出在地震构造界面的约束下采用重力剥皮技术可以较为可靠地获取基底岩性重力异常并分析了界面密度差对剥皮后基底岩性重力异常的影响,给出了等效密度差的求取方法.分析了基底起伏对基岩岩性磁异常的影响,指出采用"平化曲"将磁异常归化到与基底同一高度,可以有效地提高对基底岩性体的刻画能力.通过综合分析认为:应用基底的相对视密度、相对视磁化率及两者的相关系数可以有效地刻画基底岩性的特征.神经网络是基底岩性判别与分类的有效方法技术.通过对松辽盆地北部滨北地区的基底岩性的综合预测显示了本文系列预测基底岩性方法的有效性,预测结果反映了松辽盆地基底岩性的分布特征.该系列方法技术可为其他盆地的基底地质填图提供了可借鉴的综合预测方法技术.     

基于改进的BP神经网络构建区域精密对流层延迟模型

利用神经网络算法挖掘海量数据的规律已成为科技发展的一种趋势,本文针对卫星信号的天顶对流层延迟进行建模.对流层延迟是影响卫星定位精度的重要因素之一,建立精密区域对流层模型对高精度定位有着重要的意义.对区域测站对流层延迟数据的分析,考虑到实时建模中传统BP（Back Propagation）神经网络计算量大,易出现"过拟合"现象、不稳定等因素,通过改进的BP神经网络建立了区域精密对流层模型.详细介绍了新模型的建立过程,并与常用的对流层区域实时模型进行了对比.还讨论了建模测站数目对预报精度的影响.相比现有的其他对流层延迟模型,基于改进的BP神经网络构建的区域精密对流层延迟模型无论在拟合和预报方面都有较好的精度,且随着测站数目的增加模型精度趋于平稳.改进的模型参数较少,可以进行实时的区域精密对流层延迟改正;需要播发的信息量小,适用于连续运行参考站系统（Continuously Operating Reference Stations,CORS）的应用.研究表明：改进的BP神经网络模型能够更好的充分利用大规模历史数据描述卫星信号对流层延迟的空间分布情况,适用于实时大区域精密对流层建模.基于日本地区2005年近1000多个测站的NCAR（National Center Atmospheric Research）对流层数据进行区域对流层延迟建模,结果表明改进的BP神经网络模型在拟合和预报精度上都有较大提升,RMSE（Root Mean Square Error）分别为：7.83 mm和8.52 mm,而四参数模型拟合、预报RMSE分别18.03 mm和16.60 mm.     

耗能－隔震柔性底层钢管混凝土结构的振动台实验和损伤分析

本文采用人工神经元网络理论，对城市公路网络中的单元路段和桥梁的震害预测进行了探讨。在前人研究的基础上，提出了解决这一非确定性问题的一个有效的方法，对于深入研究生命线工程系统震害的规律具有普遍的意义，从而使我们有可能避免地震造成的破坏和最大限度地减小损失，为抗震减灾提供决策依据。     

边坡稳定分析的神经网络改进模糊点估计法

边坡稳定性分析中,模糊点估计法能同时考虑模糊不确定性和随机不确定性因素。针对传统模糊点估计法计算工作量大的缺点,提出一种神经网络改进模糊点估计法。利用拉丁超立方抽样法和径向基函数神经网络（RBF）建立边坡安全系数的预测模型;对黏聚力和内摩擦角等模糊随机变量取λ截集,并在各截集水平对参数进行组合;利用建立的预测模型对各参数组合的安全系数进行预测;最后由统计矩点估计法计算边坡的可靠度指标。实例分析表明：改进模糊点估计法使用方便、结果可靠,且能通过增加λ截集水平的数目来提高计算精度。对于含有2～4个模糊随机变量的边坡,采用改进模糊点估计法计算可靠度时λ截集水平的数目可近似取25。     

基于遗传算法优化的小波神经网络在地下水位预测中的应用

地下水位是衡量生态环境优劣和地下水资源的一个重要指标.地下水位下降,将引发地面沉降、地面塌陷和降落漏斗等.因此,地下水位预测对保护地质生态环境和实现地下水资源严格管理至关重要.由于BP算法存在极易收敛于局部极小点与过拟合等缺点,导致网络泛化能力不足,本文在构建小波神经网络基础上并引入遗传算法加以优化,以解决上述不足,并与BP和WNN对比预测了天津市深层承压水水位.预测结果表明,GA-WNN模型拟合精度较高,模型的预测能力有较大幅度提高.     

水下智能潜器的神经网络运动控制

本文介绍一种基于神经网络的水下智能潜器的运动控制方法，该方法通过在线学习，融控制与滤波为一体。计算机仿真与水池实验验证表明，该方法的控制与滤波性能良好，对环境的学习与适应能力强。该方法事实上可用于一般动力系统的控制。     

海洋平台结构损伤识别与定位新方法及试验验证

基于小波变换的时频局域化特性和BP神经网络的非线性映射特性,结合两者优点提出了基于小波包分析和神经网络方法的海洋平台三步法损伤定位方法。对海洋平台结构加速度响应信号进行小波包分析,提取小波包特征向量,将小波包结点能量变化量指标作为BP网络的输入向量,逐步确定损伤位置。设计一典型导管架式海洋平台试验模型,分别进行岸上脉冲激励及水池中波浪激励下平台结构损伤识别与定位模型试验,对该方法的可行性和适用性进行了验证。     

基于LSTM的海洋表面短期风速预测研究

为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,longshort-termmemory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24 h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radialbasisfunctionneuralnetwork,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。     

基于遗传模拟退火算法的神经网络模型在陕西省需水预测中的应用

神经网络模型是近年来在需水预测方面应用较为广泛的一种方法,在陕西省的需水预测中根据实际情况采用遗传模拟退火算法对其进行优化,预测的结果和其他预测方法进行对比,证明该方法预测的结果较为合理,能够在类似的预测中加以推广应用.