基于遗传BP神经网络的海底沉积物声速预报

在海底沉积物声速预报中,针对传统经验公式存在预测精度差、适用范围窄、缺乏物理意义等问题,在已有BP神经网络预测的基础上,运用遗传算法优化其初始权值和阈值的方法,构建出基于含水量、孔隙度的声速预报模型。将南沙海域采集得到的海底沉积物样品分为两部分,抽取120组涵盖陆架、陆坡、海槽等地貌单元的样品作为训练数据,另外剩余6组作为测试数据。经试验对比后发现,在对本区域进行声速预报时,宜采用遗传算法优化的BP神经网络,其要优于传统的单参数、双参数回归拟合预报方法和国内外其他学者所得到的经验公式。此种预报方法具有一定的科学依据和广泛的应用前景,可在今后为建立明确、统一的声速预报模型提供参考。     

基于遗传算法的相位差法波前检测piston误差

光学综合孔径望远镜常常因为子望远镜间的失调大于1λ产生相位差,影响望远镜的分辨能力。基于相位差法的检测技术,可以检测出子望远镜间的微小失调误差。提出了相位差波前检测方法与遗传算法相结合,设计了一个相位差波前传感器,进行综合孔径望远系统的piston误差检测。在计算机模拟成像系统的基础上,仿真结果证明,基于遗传算法的相位差波前检测方法可以较准确地恢复波前相位,检测piston误差。     

基于遥感数据的江苏省水稻收获期时空分析研究

本研究基于2001—2020年中分辨率成像光谱仪遥感产品,使用谐波分析重建完整作物生长过程植被指数变化曲线,对江苏省范围内水稻种植区域的收获期进行提取。同时利用Sen趋势分析与相关分析方法,研究水稻收获期时空动态变化趋势与影响因子。结果表明:利用谐波分析方法能够较好地重建作物生长期生理参数变化曲线,滤波值与原始值线性相关系数达到0.8;水稻收获期分布在9月中旬到12月上旬之间,2010年之后,10月中下旬之后占比增加,达到50%以上;部分地区水稻收获期呈现延迟趋势,南京北部、扬州、盐城北部地区为3 d·a^-1及以上,泰州、南通等地区保持稳定,趋势绝对值低于1 d·a^-1;9—11月降水日数与降水量均对水稻收获期有影响,10月降水量与收获期存在负相关,10、11月降水日数与收获期存在正相关。本研究的基于遥感的水稻收获期提取方法为大范围的水稻农业物候信息提取提供参考。     

改进遗传算法及其在抗差估计中的应用

针对抗差估计的选权迭代法(IRLS)对迭代初值敏感的问题,提出了将抗差估计问题看作求全局最优化问题,利用具有全局收敛性和局部搜索能力的遗传算法(GA)进行求解;并对遗传算法的变异算子步长进行改进。最后通过实例验算,证明了GA抗差估计法的有效性和优越性。     

基于异向波速模型的微震定位改进

针对波速分层的区域岩体,在异向波速模型的基础上,对垂向上的应力波按岩体波速值大小作分段区别,推导震源应力波走时关系式,建立分层速度定位目标函数,基于此提出一种由参数准备、层速度反演、微震定位三个模块组成的分层速度定位模型SV,并采用遗传算法进行优化求解.然后,对分层速度定位模型在已构建微震监测系统的白鹤滩水电站左岸岩质边坡进行验证.微震事件重定位结果表明,分层速度定位模型定位微震事件的最大、最小和平均偏离层内错动带程度指标较单一速度模型分别降低了57.17%、36.51%和57.35%,证明了定位模型在波速分层的区域岩体微震定位应用中比单一速度定位模型更加合理可靠.     

地月系L1点低能耗探月轨道设计

利用三体问题平动点附近存在的流形实现低能耗轨道转移是当前飞行动力学研究中的热点。由于三体问题没有严格的解析解,因此往往采用数值算法来设计轨道。这种方法计算量大,耗费大量的时间和资源。在已有理论的基础上,这里提出了一种基于二体模型和三体模型相结合的轨道设计方法,在相空间中实现轨道的加速匹配与搜索,提高整个设计过程的效率。最后,利用该方法实现了一条从月球驻留轨道到地月系L1点Halo轨道的低能耗转移轨道。仿真结果表明,该方法是高效和可靠的。     

电测深曲线的遗传算法反演

电测深曲线作为地下介质电阻率和深度的非线性函数，其解具有高度的非唯一性．常规的基于局部线性化的最优化反演方法易使解估计陷入局部极大值中，而且严重地依赖初始模型的选择．遗传算法作为一种全局最优化方法，对初始模型的依赖性大为减弱，且不易陷人局部极大值之中，从而能有效地解决这类非线性最优化问题．本文首次将遗传算法用于电测深解释并对实测曲线进行反演，效果很好，显示了遗传算法独特的优越性．     

遗传算法在管网优化设计中的应用

介绍了一种较新的工程优化算法遗传算法，将其引入管网优化设计计算，增强了管网设计方案的经济合理性。     

遗传BP算法在洛带气田测井物性解释中的应用

应用遗传算法(GA)对BP网络进行了改进，并在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率等参数的神经网络模型为例，通过网络的学习、训练，建立了神经网络模型．应用此模型计算物性参数值，解释结果及精度均令人满意．