具有遗忘时滞的静态神经网络的H∞状态估计

本文研究了具有遗忘时滞的静态神经网络的H_∞状态估计问题.首先降低了时变时滞可微的条件,然后通过构造合适的Lyapunov-Krasovskii泛函,设计保H_∞性能的状态估计器,使得误差系统实现全局渐近稳定.最后,借助Matlab中线性矩阵不等式工具箱进行数值仿真,验证了结论的有效性.     

基于循环神经网络的单站能见度短临预报试验

由于能见度具有局地性和复杂的非线性变化特征,一直是精细化预报的难点。人工神经网络对复杂变化过程的模拟能力较高,为解决这一难题提供了可能性。本文采用循环神经网络,利用福州气象观测站地面观测数据,建立了福州单站能见度短临预报模型,并就预报能力进行了评估。随机检验结果表明,在1 h、3 h、6 h时效上,循环神经网络的预报与观测的变化趋势一致性较好;均方根误差比基于实况的预报分别减小15.75%、31.66%、41.26%,说明具备较好的预报能力;平均绝对值误差比传统BP神经网络分别减小12.90%、24.45%、 38.99%,表明循环神经网络对能见度预报具有优势,为能见度的精细化短临预报提供了新途径。     

基于机器学习的海表温度对中国降水的预测研究

利用K-means聚类算法将36a的中国周降水数据聚类为7个区域,其中非季风区的中国西北和青藏高原的大部分地区聚类为两个区域,其余区域聚类为5个区域.将各区域的降水量数据经过指数平滑之后,输入聚焦时延神经网络(FTDNN),求解其与经过主成分分析降维处理的SST之间的关系.结果表明:季风区的降水量最佳延迟时间比远离海洋...     

基于神经网络的滑移隔震结构智能半主动控制

考虑上部结构的刚度和阻尼,使用神经网络控制算法计算基底摩擦力的大小,研究了滑移隔震结构的半主动控制。对计算实例的分析表明,通过半主动控制的滑移隔震结构不但具有较好的隔震效果,且能有效地减小基底的最大滑移量及残余位移。为对比各种控制方法的控制效果,文中还利用Bang-Bang控制和瞬时最优控制算法对滑移隔震结构进行了半主动控制。对比分析表明,基于神经网络控制算法的控制效果优于其它控制算法,具有反馈量少,稳健性强等特点。     

BP人工神经网络在青藏铁路南段地壳稳定性定量评价中的应用

将BP人工神经网络方法引入区域构造活动性、区域地壳稳定性研究领域,对青藏铁路南段沿线的构造活动性进行定量分析.选用断层运动速率、地震震级、温泉温度及剪切应变4个关键影响因子作为BP人工神经网络的输入向量,构造活动强度(α)作为输出向量,以α为定量判据,将全区划分为相对稳定区(α＜0.22)、较不稳定区(α≈0.22～0.38)、不稳定区(α≈0.38～0.69)、极不稳定区或强烈构造活动区(α≥0.69).在青藏铁路南段沿线划分出格仁错、崩错、当雄-羊八井、错那湖、唐古拉山口南、聂荣东北、聂荣西北、雅鲁藏布江断裂沿线、萨迦等不稳定区,在不稳定区内部进一步划分出申扎、蓬错、尼木、桑雄、羊八井5个极不稳定区.     

Elman神经网络在低渗储层敏感性预测中的应用

油气储层敏感性是制约低渗储层有效开发的重要因素之一,但在勘探开发早期储层敏感性预测及分布规律的研究受到资料不足的限制.从实验敏感性分析结果入手,对Elman神经网络预测储层敏感性的过程及方法进行了系统的分析,并提出了通过设置虚拟井来预测储层敏感性平面分布的方法.结果表明:①影响低渗储层敏感性的主要因素有蒙皂石、伊利石、高岭石、绿泥石、伊-蒙混层、石英、长石的体积分数,孔隙度和渗透率;②Elman神经网络能够很好地预测低渗储层的敏感性,预测结果与实测结果绝对误差的平均值均低于0.04,水敏性样品的预测结果与实测结果绝对误差的平均值为0.001;③通过设置虚拟井位,能够很好地预测储层敏感性的平面分布规律.     

侧扫声呐识别沉船影像的迁移学习卷积神经网络法

侧扫声呐海底沉船图像识别是水下障碍物核查和失事船只搜救中的一项重要工作.针对传统侧扫声呐图像人工判读存在效率低、耗时长、资源消耗大及主观不确定性强和过分依赖经验等问题,本文尝试引入卷积神经网络的方法,同时考虑到侧扫声呐沉船图像属于小样本数据集,提出一种基于迁移学习的卷积神经网络侧扫声呐沉船图像自动识别方法.通过归一化处...     

融合气象要素时空特征的深度学习水文模型

针对现有深度学习水文模型未能充分刻画气象要素空间特征的问题,本文基于主成分分析(PCA)方法提取气象要素空间特征,利用长短时记忆神经网络(LSTM)学习长时序过程规律,构建融合气象要素时空特性的深度学习水文模型PCA-LSTM。以黄河源区为研究区域,利用LSTM模型和物理水文模型THREW作为比对模型,基于高斯噪音法系统评估PCA-LSTM模型的适用性和鲁棒性。结果显示：PCA-LSTM模型径流模拟纳什效率系数为0.92,高于比对模型LSTM和THREW,表明模型具有较高的精度。研究结果可为流域高精度水文模拟提供参考。     

基于深度学习的海温观测数据质量控制应用研究

基于国家海洋信息中心质量控制后的西太平洋10度方区约100万站次温盐实测历史调查资料,对经过26种严格质量控制方法的综合海温质量符进行分类分析,首次将深度学习技术应用于海洋数据质量控制多分类(multiclass classification)算法与应用研究.通过人工合成少数类样本和加权损失函数方法减少多数类的频率来降...     

基于深度卷积神经网络的频高图分类研究

本文提出了一种利用深度卷积神经网络的频高图分类方法,在频高图分类标记的基础上,通过对深度学习经典网络结构的网络层迁移的方式,构建频高图类型识别网络模型,实现基于传播模式分布的频高图自动分类.利用试验获取的大量频高图数据,依据频高图中电离层传播模式分布情况,结合频高图度量基本规则,人工对频高图数据分类标记,生成网络模型样本数据;然后以随机方式,选取样本数据85%的数据作为训练数据,其余数据作为测试数据;经验证训练后的网络模型能够将测试频高图数据自动分为七种类型,频高图类型识别综合准确率高于97%.该方法可为频高图特征参数的自动、精确提取提供重要技术和高质量数据支撑,对电离层结构信息有效获取具有重要意义.