随机采样信号重构的快速计算方法

信号的重构有着广泛地应用,探讨和采用有效的方法至关重要。这里讨论了基于神经网络的最大熵信号重构方法和随机采样信号重构常用的两种算法,提出了利用随机采样数据进行信号重构时选点的分条分块方法和映射定点方法。当重构区域为N×M时,分成M条和N块,会使运算量最小;当随机采样点分布不均匀时,先进行点域映射,再进行插值计算,可以克服偏倚效应,得到良好的重构结果。这些方法使得重构效果得到了改善,计算速度提高了几十乃至几百倍,经过实际应用证实,该方法具有一定的先进性和高效率。     

基于主成分分析与K-L变换的双重属性优化方法

利用主成分分析客观赋权原理计算地震属性在预测目标参数时贡献率的大小,通过去除权重系数较小的属性参数,实现了地震属性的敏感性分析,建立储层参数与有效属性之间的匹配关联;在此基础上,利用K-L变换将属性样本空间的高维属性映射为低维属性,去除了属性之间的相关性,有效地解决了属性组合的优化问题,表明了主成分分析和K-L变换相结合的属性双重优化方法克服了单纯使用每种方法时的局限性,充分发挥了各自的优点,有助于属性分析、关联以及组合优化问题的解决,提高了地震储层参数预测的运算速度和精度。     

拟神经网络反演在煤田中应用

Parker快速富氏变换反演单一密度界面存在两方面问题：一是求解目标界面重力异常难度较大;二是受正演速度及反演参量维数的限制,不能对界面进行精细划分.拟神经网络BP算法的引入,首先解决了快速三维正演问题,又突破了反演参量维数的限制,实现快速收敛,有效解决两个或多个密度界面的反演问题.在实际应用中,先用密度“补偿法”正演求取剩余生力异常,然后利用拟神经网络BP算法同时反演两个二维密度界面,拟合求得两个界面的深度异常,在此基础上预测煤田.     

利用遗传算法优化神经网络实现混合像元组分参数的反演

采用热红外多波段遥感数据反演陆面温度(LST),由于波段间信息高度相关,以及难以直接反演混合像元组分温度,使得LST的反演精度和应用价值都受到很大的限制.在建立非同温混合像元热辐射方向性模型基础上指出,热红外多角度遥感提供了反演组分温度的可能性,但是,由于该模型是采用蒙特卡洛方法模拟而建立起来的数值概念模型,采用一般反演方法很难同时提取所有参数信息.为了有效获取各参数信息,使用神经网络模型.由于待反演参数中,组分温度、土壤比辐射率和叶面积指数(LAI)都是多角度辐射亮度的非线性函数,然而,使用经典的误差后传(BP)算法容易陷入局部最优解区域;虽然遗传算法(GA)可以搜索到全局最优解,但在微机上实现算法速度太慢,因此,采用GA训练神经网络,得到网络权重,然后再以GA训练得到的权重作为BP算法的初始权重,继续训练神经网络,直到获得满意结果.这样既可以发挥BP算法快速寻优的特点,又能得到网络权重的最优组合.数值模拟的结果表明,基于非同温混合像元热辐射方向性模型,采用GA优化的神经网络模型反演多维参数效果比较理想.     

人工神经网络在地震中短期预报中的应用

本文将ＢＰ神经网络用于地震中短期预报。作者把一些常用的地震学指标作为神经网络的输入,而将ＢＰ神经网络的输出作为表征地震活动平静的特征参数Ｗｑ,井将其用于华北地区进行空间扫描,结果表明中强地震前１年左右或稍长时间,未来震中周围一般都开始出现Ｗｑ值的中短期异常区,证明本方法具有限好的中短期预报效果。     

新型锚固与注浆技术研究与应用

提出了一种新型的土层锚固与注浆技术,即全孔不排土和钻进,灌浆连续完成的新工艺,该方法施工速度快,支护效果好,采用了深基护坡土层锚杆拉固工程设计的神经网络新方法,提高了设计的科学化和智能化水平,从理论方面进行分析和论证。     

神经网络的任务分解在抽油泵故障诊断系统中的研究

作者通过神经网络的任务分解在抽油泵故障诊断神经网络系统的研究 ,分析了神经网络任务分解的理论依据 ,并通过实验得出了神经网络任务分解时所需遵循的几个结论 ,以及通过实验证明神经网络任务分解对于减少网络的收敛迭代次数是一种行之有效的方法     

BP网络在沉积环境自动识别中的应用

应用BP网络算法,实现了一个基于粒度数据的沉积环境自动识别系统。用它对几个地区不同沉积环境类型的现代沉积物样品进行了细致的粒度母体模式分类,并取得了良好的效果。      

斜坡变形综合评价系统研究

应用系统科学的基本思想,结合研究斜坡变形的各种方法,建立了针对斜坡变形和破坏的工程地质评价系统。该系统由基于人工神经网络法的稳定性计算子系统、可靠性评价子系统和以灰色系统理论为基础的预测子系统3部分组成,可完成对斜坡的稳定性计算、可靠性评价和变形及破坏的预测等功能,通过实例计算表明,该系统具有较好的适用性,可为斜坡灾害的防治提供重要的依据。      

感潮河段水位过程预报探讨

感潮河段水位过程同时受径流、潮流影响,其预报较为困难.将水位过程视为时间序列,用不同的模型进行了预报比较,认为以潮汐作用为主的水位预报可采用神经网络模型,对高水位预报可采用ARMA(2,1)模型,而对洪水作用为主的河道,各模型的预报能力均有待提高