利用模糊理论估算自然衰减率常数

模糊理论方法提供了量化主观信息和体现决策人在最小化条件下优先选择的便利工具。利用Buschek和Alcantar(1995)的理论估算自然衰减和降解率，在实际上，由于数学简化和场点复杂性造成明显的不精确。在本篇文章中，两种模糊方法一模糊算法和模糊回归，常被用于刻画在降解和衰减率估算中的可变性。输入参数的可变性能够利用体现决策者对可能值感知的隶属关系函数进行刻画。隶属关系函数临界输入值的选择明显影响了估计输出值的可变性。同样的，与决策者信念有关的稳定状态模型与描绘场点监察流状态的一致性，也能够通过一致性判据进行量化。利用基于模糊评价方法进行灵敏度检验是相当有用的，可以评估决策者的优先选择对估计率常数和相关可变性的影响程度。同样，上面提到的方法在涉及自然衰减监测的安排中也是很有意义的。     

基于模糊-集对分析理论的泥石流危险性评价

集对分析理论是一种处理确定性和不确定性的定量系统分析方法。本文通过模糊联系度对集对分析理论中的差异度系数做进一步挖掘和分析,建立了模糊-集对分析算法,即通过模糊联系度挖掘样本数据讨论类别与相邻类别间的接近程度,得出该类别与相邻类别之间的同异反信息。为了验证模型的适用性,通过实测北京房山区和门头沟区6条泥石流小流域基础数据,进行了危险性评价,并将评价结果与传统评价理论进行对比分析。得出结论：模糊-集对分析理论可以深度挖掘样本类别与相邻类别之间的同异反关系,通过对比现场调查数据发现模糊-集对分析法对泥石流小流域的评价结果更切合实际,且评价结果与可拓学等评价结果基本一致,该方法具有较高的准确性和严密性。     

A unified C-band and Ku-band geophysical model function determined by neural network approach

The geophysical model function （GMF） describes the relationship between backscattering and sea surface wind, so that wind vec- tors can be retrieved from backscattering measurement. The GMF plays an important role in ocean wind vector retrievals, its performance will directly influence the accuracy of the retrieved wind vector. Neural network （NN） approach is used to develop a unified GMF for C-band and Ku-band （NN-GMF）. Empirical GMF CMOIM and QSCAT-1 are used to generate the simulated training data-set, and Gaussian noise at a signal noise ratio of 30 dB is added to the data-set to simulate the noise in the backscat- tering measurement. The NN-GMF employs radio frequency as an additional parameter, so it can be applied for both C-band and Ku-band. Analyses show that the %predicted by the NN-GMF is comparable with the σpredicted by CMOIM and QSCAT-1. Also the wind vectors retrieved from the NN-GMF and empirical GMF CMOIM and QSCAT-1 are comparable, indicating that the NN-GMF is as effective as the empirical GMF, and has the advantages of the universal form.     

GA-BP神经网络在罗源湾口波浪模拟研究中的应用

由于BP神经网络存在收敛速度慢和易于陷入极小值等缺点,引入遗传算法(GA)对网络的权值和阈值加以优化,并采用不同组合的输入因子和样本数,对福建省罗源湾口的波浪进行模拟研究.对输入因子的分析结果表明,研究区域的波浪主要受台湾海峡波浪传播影响,与局地气象因子(风速、风向、海气温差)的相关性较弱.训练样本试验表明,30 d以上的波浪历史数据可使GA-BP神经网络充分学习研究区域的波浪特征,从而实现对波浪要素的高精度模拟.模拟结果显示,对春、夏季实测波浪数据的模拟效果均很好,其中相关性分别为0.967和0.938,均方根误差分别为0.112 m和0.107 m,表明GA-BP神经网络在近岸波浪模拟预报中有较广阔的应用前景.     

Integrated assessment on sea water quality based on the fuzzy neural network

根据俚岛镇海湾22个海洋观测点的水质监测数据,依据人工神经网络与模糊理论,建立模糊神经网络模型,对研究区海水水质进行了综合评价.结果表明,区域内40.91％的采样点属于Ⅰ类海水水质标准,其余为Ⅱ类海水水质.其中,水质Ⅱ类区位于临络湾与俚岛湾的半封闭海域,因该区造船业对水体造成污染且海水对流强度较弱,不利于污染物的扩散;而海水水质Ⅰ类区域靠近黄海,工业活动较少,水体对流较强,利于污染物扩散.     

岬间海湾岸线平衡形态神经网络模型

讨论了目前海湾岸线平衡形态经验模型存在的不足之处。从沿岸输沙公式入手,阐述了平衡岸线的机理模式,重新定义了平衡海湾的“下岬角”,给出了模型参数与主波向的具体计算方法,并以华南典型海湾为学习样本,建立了岸线平衡形态的神经网络模型。通过模拟海湾与实际稳定海湾——乌场湾间的对比分析,表明所建神经网络模型是较抛物模型更为理想的平衡岸线模型。     

一种基于BP算法学习的小波神经网络

为发展 Szu的基于信号表示的小波神经网络 ,提出一种多输入多输出的小波网络模型 ,网络隐层采用框架小波函数、输出层采用 Sigmoid激励函数 ,并选用“熵误差函数”以加速网络的学习速度。奇偶判别和混沌时间序列预测例子的实验结果表明了它具有良好的函数逼近能力和推广能力 ,收敛速度和均方误差均优于相同结构的多层感知器模型。     

地震地质灾害综合评价的PSO-BP神经网络方法及应用

结合汶川8.0级地震资料,利用神经网络原理和粒子群优化算法,提出了基于PSO-BP神经网络的地震地质灾害综合评价模型.该模型选取地震灾害、斜坡灾害、地面变形、斜坡分布特征4个指标作为输入,选用地质灾害危险度和分级2个指标为输出,引入粒子群算法对BP网络的权值和阈值进行优化,获得了BP网络模型参数.研究结果表明,PSO-BP网络模型不但能克服BP算法收敛速度慢和易陷于局部极小的缺陷,而且计算精度高,泛化能力强;对地质灾害的评价、防范和灾后重建具有一定的参考作用.     

盆地基底岩性的综合地球物理预测方法——以松辽盆地滨北地区基底岩性预测为例

预测盆地基岩岩性不仅对于研究盆地的深部地质结构及盆地的形成演化具有重要的意义,而且也对基岩风化壳油气藏的勘探具有一定的指导作用.本文通过对盆地重、磁异常成因的综合分析,提出了一系列盆地基底岩性综合预测研究的综合地球物理资料处理解释方法技术.指出在地震构造界面的约束下采用重力剥皮技术可以较为可靠地获取基底岩性重力异常并分析了界面密度差对剥皮后基底岩性重力异常的影响,给出了等效密度差的求取方法.分析了基底起伏对基岩岩性磁异常的影响,指出采用"平化曲"将磁异常归化到与基底同一高度,可以有效地提高对基底岩性体的刻画能力.通过综合分析认为:应用基底的相对视密度、相对视磁化率及两者的相关系数可以有效地刻画基底岩性的特征.神经网络是基底岩性判别与分类的有效方法技术.通过对松辽盆地北部滨北地区的基底岩性的综合预测显示了本文系列预测基底岩性方法的有效性,预测结果反映了松辽盆地基底岩性的分布特征.该系列方法技术可为其他盆地的基底地质填图提供了可借鉴的综合预测方法技术.     

低孔渗砂岩孔隙结构分类方法研究

低孔渗砂岩储层孔隙结构复杂,在二维与三维空间中具有较强非均质性,对储集空间的测井响应有极大影响。而压汞曲线、核磁T₂谱、铸体薄片3种资料在一定程度上各自反映了孔隙结构的不同特征,本文分别提取3种资料的微观孔隙结构参数进行相关性分析,最终分别利用主成分分析-模糊均值聚类方法实现孔隙结构分类,其分类结果压汞曲线分形法所得一致。