基于神经网络在路面基层压实参数中的应用

石灰工业废渣稳定类半刚性材料是高等级公路路面基层材料常见形式之一,根据规范和设计要求可分为含骨料类和不含骨料类。当骨料含量超过50％时,室内重型击实试验劳动量大,并且干密度和含水率睦线不稳定。在已知不含骨料的石灰工业废渣稳定类半刚性材料（即结合料）的最大干密度和最优含水率的基础上,通过结合人工神经网络理论,基于Matlab的BP人工神经网络,建立并编制了含骨料的石灰工业废渣稳定类半刚性材料压实参数（最大干密度和最优含水率）的预测网络模型,经过对网络模型的大量训练、训练函数和传递函数的调整及初始训练数据的规一化,最后建立了6→15→2的网络模型,其网络模型预测结果稳定准确,有一定实际应用价值。     

基于 BP 人工神经网络算法的临沂市土地利用集约状况探析

通过对2009—2012年度临沂市9县3区统计年鉴和变更调查中11个相关指标数据的搜集,借助 MATLAB7．0软件平台,利用 BP 人工神经网络算法,算出2009—2012年度各县区土地利用集约度,并利用 BP 人工神经网络的预测功能,预测了2013年和2014年度土地利用集约度值,结果表明临沂市平均土地利用集约度水平正逐步从粗放利用发展到中度集约,兰山区土地利用集约度水平一直为高度集约,集约度居全市之首,罗庄区一直为中度集约,稳中有进。预计到2014年底,大部分县区在中度集约或以上,仅有费县、蒙阴2县为粗放利用。。     

基于在线惯序极限学习机的瞬变电磁非线性反演

基于梯度下降法的传统人工神经网络瞬变电磁反演方法计算效率低,不能保证全局收敛。为了解决上述问题,提出一种在线惯序极限学习机(online sequential extreme learning machine, OSELM)的瞬变电磁反演方法。该方法针对瞬变电磁法所获取的高维勘探数据进行建模反演,首先,通过随机设定隐层参数(输入权值和偏差)来简化模型的学习过程;然后,将测试得到的预测样本加入训练样本中,作为下一次的更新信息,建立在线贯序极限学习机预测模型,从而最大限度提高反演精度;最后,设计了两个经典的瞬变电磁层状地电模型并进行了拟二维地电模型的反演。反演结果表明,该方法能够较好地解决瞬变电磁法高维数据非线性建模的反演问题,同时相较极限学习机(extreme learning machine, ELM),非线性反演方法具有更加准确的反演结果、更好的泛化能力以及更高的计算效率,为神经网络在地球物理反演中的应用提供了新思路。     

基于深度学习的中心回线瞬变电磁全区视电阻率计算

深度学习是人工神经网络算法的扩展,对复杂函数有很好的逼近能力,本文将其引入用于瞬变电磁视电阻率计算.首先,建立归一化感应电动势与瞬变场参数单一映射关系的5层深度神经网络,通过对单一隐含层不同神经元个数所训练的误差情况进行分析,确定5层深度神经网络各隐含层神经元个数为13,8,5,8,13.训练算法选择了改进的具有自适应学习率的Nadam算法,该算法可加速训练过程.对训练好的深度神经网络模型进行仿真实验,采用典型地电模型加以验证,发现其对不同的地电模型均具有较好的反映,证明本文采用的基于深度学习计算视电阻率的可行性.应用结果表明训练好的深度神经网络模型可快速准确计算视电阻率.     

高陡山区开采自然坡失稳分析的神经网络方法

针对山区地下开采自然边坡稳定性分析问题,根据大量工程实测资料,建立了人工神经网络预测模型。通过对人工神经网络算法的改进,选取适当的动量项系数及变步长方法,对已有的实测资料进行了训练和测试,并对丁家河磷矿自然边坡稳定性进行了具体的预测分析,理论计算结果与工程实际情况一致。分析结果表明,所建立的理论模型可用于山区磷矿开采自然边坡稳定性预测分析。     

基于遗传算法的神经网络短期气候预测模型

用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,进行短期气候预测建模研究。该方法克服了由于神经网络初始权值的随机性和网络结构确定过程中所带来的网络振荡,以及网络极易陷入局部解问题。作为应用实例,以广西全区4月份平均降水作为预报量及前期500hPa月平均高度场,海温场高相关区作为预报因子,建立基于遗传算法的神经网络短期气候预测模型。将这种方法与传统的逐步回归方法作对比分析,结果表明,该方法具有预报精度高,稳定性好的特点。     

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。     

基于ART理论的自组织神经网络模型在水资源分类中的应用

BP和RBF神经网络技术以其强大的学习功能应用于水资源分类 ,取得了很好的效果。但当不具备已知样本时 ,以上技术很难应用。提出了可塑性较强、无监督的A -K网络模型 ,阐述了其基本原理和算法 ,并将其用于水文水资源研究领域中。实例表明 ,该方法能较理想地解决已知样本的分类问题 ,具有良好的应用前景     

利用人工神经网络方法对牙形石鉴定中若干“模糊特征”的数字化研究

牙形石是一类在地层学研究中具有重要意义的古生物化石。但由于牙形石鉴定中存在诸多重要、却难以定量分析的“模糊特征”,使得牙形石的鉴定和分类工作长期依赖于古生物工作者的经验。利用数学中的非线性方程将这些“模糊特征”进行数学描述,并利用人工神经网络中的反向传播算法设计出一套多隐含层的前馈网络分类器,对这些“模糊特征”进行分类尝试,取得了良好的效果,为牙形石的进一步数值化研究奠定了基础。     

投影寻踪学习网络的遥感影像分类

采用投影寻踪(projection pursuit,PP)学习网络方法建立了一种新的遥感影像分类模型。该方法结合了统计学中投影寻踪算法节点函数灵活的非参数估计特点和人工神经网络的自学习功能,具有简捷的网络结构和良好的鲁棒性能。利用苏州市TM影像进行了分类实验,将分类结果与BP神经网络和最大似然法的分类结果相比较,投影寻踪学习网络的分类精度较高,具有一定的实用性。