敏感型人工神经网络及其在水文预报中的应用

为充分挖掘资料信息、加快收敛速度,采用一种具有敏感功能的神经网络预报模型。该模型在构造时序样本时引入遗忘因子和期望因子,以体现对前期资料的遗忘和近期预测的期望。在权值调整过程中采用指数型能量函数,以加快网络的学习收敛速度。应用实例证明:该方法可以提高当前的预测精度,并避免网络学习过程中的振荡现象。     

测量数据处理的实时序贯算法

为突出最新观测数据对未知参数估计的影响及减弱陈旧观测数据对参数估计的影响，须考虑时变参数的变动而进行未知参数的估计，即实时估计。文中基于序贯算法，针对新观测值对未知参数估计的影响比陈旧观测值要大和用固定数目的最新观测值来确定未知参数的估计，导出了渐消记忆与限定记忆的实时序贯算法的主要公式，以达到快速计算的目的。     

用心理学规律指导练习题的设计

著名德国心理学家艾宾浩斯对记忆与遗忘的研究表明，对于所学知识，在第一天遗忘得最快，其保留哟34％，以后遗忘速度逐渐减慢．第二天遗忘约28％，第四天以后基本不再遗忘；但及时多次复习又可提高最终保持记忆内容的比例。据此，教师布置练习题应分为两种类型：1．及时练习题，即当堂课内容当堂布置练习，并要求在一天内或更短的时间内完成，使所学内容在短时间得到复习巩固。2．间时练习题，即问隔一两天后再布置一些作业题，包括前一节课内容也包括以前所学内容。通过这种练习，可引导学生边学习边复习，从而减少遗忘，提高教与学的效果。     

利用联想思维来加强理解记忆

地理教学的课时少，而要记忆的地理概念和地理事象多，如何通过复习强化学生的记忆痕迹，避免遗忘；又无枯燥无味的“抄冷饭”之感，根据教材内容我常采用联想思维来加强学生的理解记忆。     

非洲遗产:被遗忘的角落

说起非洲,大家的印象恐怕多数都是炎热、疾病、战乱、热带雨林和自由自在的野生动物,其实,当你真正踏上这片大陆或者真正去了解她时,你会发现非洲和其他大洲一样,也有着勤劳的人民、古老的文明、丰富的遗产。     

史前巨人 被时间遗忘的恒星

在2007年4月初一个柔和的夜晚,当一个微小的光点刺穿美国南加州的天空时,一切看上去都没什么大不了。只有帕洛马天文台“近距超新星工厂”的机器眼发现了它。     

平时地理教学中的复习

地理复习是巩固地理信息暂时联系的形式，而遗忘则是识记中形成的地理信息的消退。随着学习的不断深入，新知识的不断增多，学生对旧知识的遗忘也随之增加，如果不及时加以复习巩固，受其他信息干扰越来越强，最后的复习就等于授新课。为避免这种情况的产生，我将地理复习寓于平时教学之中，收到了较好的教学效果。     

隆里，时光遗忘的大明古堡

隆里古城位于贵州省黔东南苗族侗族自治州的锦屏县,“隆里”两字的意思是“隆盛之理所”。这座瑰丽的古城堡始建于明洪武十九年（1386年）,古城居民的祖上来自江苏、江西、安徽等地,因此保留着江南一带的文化特色。600多年来,隆里居民很少与城外的少数民族交往,形成了“文化孤岛”现象。在以苗侗文化为主流的黔东南地区,隆里古城一直默默坚守、传承着汉文化。     

沉降预测的非等步长灰色时变参数模型

根据灰色系统理论的信息处理原则,在灰色模型中引入时变参数,建立了沉降预测的非等步长灰色时变参数模型。模型充分考虑了预测系统的时变性和灰色性,在求解过程中,引入遗忘因子以修正预测结果,并根据后验方差比C确定遗忘因子λ的最优值,以提高预测精度。沉降预测实例表明：沉降预测的非等步长灰色时变参数模型具有较强的适用性,可降低沉降量的预测误差和提高沉降的预测精度。     

煤矿井下动态环境下的改进OSELM定位算法

在复杂多变的煤矿井下环境及时并准确地获取井下作业人员位置非常重要,井下通信环境高动态变化导致模型定位精度降低。本文将在线顺序极限学习机（OSELM）算法用于井下定位,与批量式定位算法GA-BP和ELM相比,OSELM算法能更有效地维持原模型定位精度。但OSELM算法存在病态矩阵求逆和平等对待所有新增数据的不足,导致该算法的稳定性和对动态环境的适应能力较差。本文在OSELM算法的基础上分别提出正则化OSELM算法、遗忘因子OSELM算法,以及融合正则化技术和遗忘因子机制的OSELM算法。试验表明,试验环境变化后,OSELM算法的定位精度比GA-BP和ELM算法的定位精度分别高1.428 2和1.162 2 m;在3 m误差距离范围内,所提正则化和遗忘因子的OSELM算法的定位精度均比OSELM算法高,融合两种机制的OSELM算法的定位准确率最高,比OSELM算法高5%左右。OSELM及其改进算法均能有效提高模型定位精度。