基于神经网络的区域生态环境分类方法研究

如何利用智能化信息提取技术,进行区域生态环境自动分类,一直是一种前沿性研究。该文在分析研究区自然景观特征的基础上,总结了影响区域生态环境的建模要素,基于神经网络技术,并根据生态环境的遥感探测机理,利用TM卫星遥感数据中的可见光、热红外、植被指数(NDVI)以及DEM数据,建立了基于BP神经网络的区域生态环境信息自动提取模型,形成了一种新的生态环境分类方法,其分类结果与实际情况完全一致。     

济南市岩溶水动态变化的神经网络模拟及泉水喷涌趋势预测

本文根据影响岩溶水位的因素,利用改进的BP神经网络建立一个能够反映济南市泉域岩溶地下水动态变化的随机模型,并进行检验,与运用多元回归模型预测的结果相比较,结果表明:BP神经网络模型进行岩溶地下水动态变化预测是可行的,该模型具有较强的学习、容错和联想功能,对岩溶地下水动态变化的预测精度大大的提高。最后在模拟的基础上,又对泉水喷涌的宏观趋势作了进一步的预测和分析。     

BP人工神经网络法在大同市日极大风速预报中的应用

文章利用2010年1月1日—2013年12月31日逐日NCEP再分析资料(1°×1°)和大同地区地面常规观测资料,采用BP人工神经网络法建立大同市分站点、分季节日极大风速人工神经网络预报模型并且在对T639数值预报产品和EC细网格数值预报产品释用基础上建立了台站日极大风速的客观预报系统,对2015年9月1日—2016年7月31日进行了24h预报,试用结果显示,各季模式平均绝对误差在3.2~5.7m·s^-1之间,因此,该系统可以为预报员快速做出日极大风速的预报提供客观参考依据。     

BP模型双样本训练方法

根据气象预报应用情况，分析ＢＰ模型训练人工神经元网络中存在的问题，并提出双样本训练方案。试验表明，采用双样本训练的网络，实际预报能力较高。     

ARTIFICIAL NEURAL NETWORK CORRECTION OF ROUGH ERRORS OF OBSERVATIONS

In the context of tower measured radiation datasets.following the correction principle meetinga diagnostic equation in data quality control and in terms of a technique for model construction ondata and ANN(artificial neural network)retrieval for BP correction of radiation measurementswith rough errors available,a BP model is presented.Evidence suggests that the developed modelworks well and is superior to a convenient multivariate linear regression model,indicating its wideapplications.     

一种基于MEA BP的太阳辐射反演算法

基于光电原理的日照计即将在全国推广应用,以光照度观测数据为主反演太阳辐射数据可以有效弥补太阳辐射观测站数量不足的现状。针对现有的太阳辐射反演方法的不足,提出一种融合主成分分析(PCA)、思维进化算法(MEA)和BP神经网络的复合模型,利用太阳光照度、太阳高度角、温度和湿度观测分钟数据反演太阳辐照度。首先,以晴空指数为依据,基于概率神经网络(PNN)分类法,将天气类型分为晴、云、阴3类,分类准确率达到96.6948%。再利用PCA降维后的4个影响因子,对3类天气分别采用BP、GA-BP和MEA-BP法反演太阳辐照度,与标准辐射表的实测数据对比。结果表明:晴、云、阴的MEA-BP模型的决定系数最高达到0.9958,与单一BP模型相比,RMSE分别降低了49%、32.45%和10.64%;相比于GA-BP模型误差,MAPE最高减少了42.54%。本文所提出的MEA-BP复合模型的泛化能力得到了有效提高。     

基于MATLAB工具箱的BP神经网络年径流量预测模型研究——以塔城地区乌拉斯台河为例

塔城地区独特的地形为西来水汽的输送提供了条件,从而形成了众多中小河流,而中低山带季节性积雪的消融又使河流呈现出春汛汛的特点,使得径流年内分配不均,对塔城地区水资源配置极为不利,开展径流量的预测研究,将为水资源的优化配置提供科学的理论基础.文章以塔城地区乌拉斯台河为例,根据其年径流量(1966-1995年)序列的长期变化特征,利用MATLAB的神经网络工具箱提供的许多有关神经网络设计、训练以及仿真的函数,实现BP网络对年径流量的预测研究.从模型的检验来看,所建模型具有较好的适应性和预报精度,并且拟合效果较好,说明这种预测方法有一定的实用性.     

露天矿边坡变形监测中BP神经网络模型优化设计

提出了一种提升露天矿边坡位移量预测精度和收敛速度的基于自适应混合跳跃粒子群算法(AHJPSO)改进的BP(Back Propagation)神经网络模型。传统的BP神经网络模型在位移量预测过程中存在收敛速度慢、预测精度低、易陷入局部极小值的问题,而自适应混合跳跃粒子群算法具有快速寻优能力以及能够在迭代计算的过程中有效避免陷入局部极小值的能力,所以采用自适应混合跳跃粒子群算法优化后的BP神经网络模型,能够使BP神经网络模型对露天矿边坡位移量的预测精度更高、算法收敛速度更快,并有效跳出局部极小值。     

GM-BP组合模型在地表变形预测中的应用

灰色模型具有计算简便、所需数据量小等优点,在短期预测中有较高的精度,但对波动性较大的数据预测效果较差;神经网络具有较强的非线性映射能力以及自学习能力,对波动性数据的处理效果良好。本文结合二者的优点,建立了GM-BP组合模型。实例证明,组合模型相对单一的模型在地表变形预测中具有明显的优势。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。