���ڻز�ǿ�ȵĺ��׵��ʷ���ϵͳ�ؼ�����

???????????????????????????????????????????????????ALL????????????????洢????????????????????????ALL???????????????????????????????????????????е???????????γ?????????????????????????????????????????BP?????????????????????к????????????????????????????????Ч????????????????ò??????????????????     

BP�����������Ǽ�������Զ��ָ����ģ�е�Ӧ��

????????????????????????????????????BP???????????????????人???????????????????????????????????BP??????????????????г????????????????????????о??????????BP????????????????????????????????????????????????     

EWT-Elman组合模型短期电离层TEC预报

针对电离层总电子含量(TEC)非线性、高噪声的特点,建立基于经验小波变换(EWT)和Elman神经网络的短期电离层组合预报模型。运用该模型对不同地磁环境的电离层TEC时间序列进行建模预报,结果表明,EWT-Elman组合模型可反映电离层TEC的变化特征,地磁平静期预测平均相对精度为93%,均方根误差为1.04 TECu;地磁扰动期预测平均相对精度为92.4%,均方根误差为2.18 TECu。单一Elman模型、EMD-Elman组合模型以及EWT-BP组合模型在地磁平静期平均相对精度最高为90.7%,均方根误差最小为1.33 TECu;地磁扰动期平均相对精度最高为90.7%,均方根误差最小为2.57 TECu。对比其他模型,本文方法预测效果最优。     

基于神经网络的选址区位评价模型分析应用

针对设施选址区位评价问题,分析了分级评分、回归分析等传统方法的特点和不足,并由此提出基于人工神经网络的选址区位评价模型;系统地分析了利用神经网络模型进行选址区位评价的思路和特点,提出基于遗传算法的网络结构和网络学习优化算法;通过某大型银行网点的选址实例分析,验证了该评价模型的可行性和实用性,同时也总结了其在实际应用中的若干规律。     

青藏高原上中尺度对流系统东移传播成因

运用1998年夏季日本静止气象卫星探测反演出的红外辐射亮温资料,对青藏高原上的中尺度对流系统(MCSs)进行了自动追踪,进而对移出高原的MCSs进行了分类,在此基础上,运用空间数据挖掘中的决策树方法得到了东移出高原的MCSs与其环境物理量场之间的关系,结果表明,在400hPa上,当MCSs的中心位置位于100°E附近时,移出高原且向东南方向移动的MCSs仅与该等压面上的高度和温度有关;而向东北方向移动的MCSs仅与高度和假相当位温有关;此外,移出高原且方向向东的MCSs主要决定于等压面高度、散度、涡度和假相当位温这4个物理量值。在500hPa上,位于东经104°E以西且最终移出高原的MCSs,决定其是否移向东北方向的环境物理量因素为K指数和水汽通量散度,而影响其向东南及东方向移动的因素则较多。     

城镇-农业-生态空间划定的多情景模拟

城镇-农业-生态空间划定(简称"三区"划定)是国土空间规划的核心内容,对于科学合理地规划、利用有限的国土资源具有重要的意义。已有研究主要根据区域内土地利用与社会经济发展现状构建指标体系进行"三区"划定,较少将未来土地利用变化纳入"三区"划定过程中,使得划定结果在指导实践过程中缺乏前瞻性。针对这一问题,本文提出一种基于土地利用情景模拟,结合指标体系评价与决策树特征挖掘的"三区"划定方法,并以武汉市2015年土地利用现状为基础,在土地利用变化情景模拟的基础上进行"三区"划定。通过对比,验证了本文提出方法的合理性。研究发现:①不同情景下的"三区"空间在规模、空间分布上具有明显差异,将未来土地利用变化纳入"三区"划定过程中确有必要;②不同土地利用情景下"三区"空间的差异主要出现在三类空间的交界区域,这些区域是国土空间规划应该关注的重点区域。     

桥梁水平位移混沌特征识别与神经网络预测研究

跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变...     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

Classifier ensembles for land cover mapping using multitemporal SAR imagery

SAR data are almost independent from weather conditions, and thus are well suited for mapping of seasonally changing variables such as land cover. In regard to recent and upcoming missions, multitemporal and multi-frequency approaches become even more attractive. In the present study, classifier ensembles (i.e., boosted decision tree and random forests) are applied to multi-temporal C-band SAR data, from different study sites and years. A detailed accuracy assessment shows that classifier ensembles, in particularly random forests, outperform standard approaches like a single decision tree and a conventional maximum likelihood classifier by more than 10% independently from the site and year. They reach up to almost 84% of overall accuracy in rural areas with large plots. Visual interpretation confirms the statistical accuracy assessment and reveals that also typical random noise is considerably reduced. In addition the results demonstrate that random forests are less sensitive to the number of training samples and perform well even with only a small number. Random forests are computationally highly efficient and are hence considered very well suited for land cover classifications of future multifrequency and multitemporal stacks of SAR imagery.