一种神经网络改进小波的地震数据随机噪声去除方法

地震资料的有效信号反射弱,且易受多次波的影响,不可避免地存在随机噪声干扰。提出一种基于神经网络改进小波的地震数据随机噪声去除方法,采用神经网络模型,识别出随机噪声信号,对该信号进行小波包分解,获取多类别随机噪声信号,采用级联BP神经网络模型提取出多类别随机噪声信号,实现地震数据的随机信号压制。实验结果显示,这种改进小波方法对地震数据随机噪声信号的去噪效果较好,在复杂沉积地质结构被探测介质的地震数据随机噪声压制方面具有较强的适用性。     

融合GNSS气象参数的BP神经网络雾霾预测研究

结合IGS中心获取的BJFS站气象参数（气温（T）、气压（P）、大气可降水量（PWV））及同期PM_2.5数据,建立一种融合时序网络和回归网络的雾霾预测模型,对PM_2.5浓度进行预测。研究表明,引入GNSS气象参数的融合网络模型较单一网络模型适应性强、准确度高,在一定精度范围内可准确预测PM_2.5的变化,时效性达3 h。本文结论验证了卫星导航技术应用于雾霾天气监测及预报的可行性。     

基于多种神经网络的风暴潮增水预测方法的比较分析

简要介绍了利用BP神经网络、小波神经网络、递归神经网络进行风暴潮增水值预测的原理。选取广东省珠江口以南的阳江站2017年风暴潮增水数据进行测试。结果表明,三种神经网络方法针对阳江地区风暴潮增水的预测均具有可靠性和实用性。以当前增水值为输入量的单因子模型更能反映真实风暴潮增水趋势,而从增水极值预测的准确性来看,以台风风力、气压、风向等相关参数为输入量的多因子模型优于单因子模型。BP神经网络更适用于多因子长时间预测,小波神经网络在单因子短时间预测上准确性更高,递归神经网络预测值与实测值相关性更强。在工程运用中,需根据地域时空特点、数据资料的丰富度与预测值评估指标选择合适的方法。     

BP神经网络精度估计及其在海洋油气资源预测中的应用

在对BP算法进行深入分析的基础上,将测量数据处理与误差理论中的精度评定方法应用到BP神经网络的精度估计中,通过分别计算BP神经网络学习训练过程及预测过程的输出层中误差,实现对神经网络模型的精度评定。最后以海洋油气资源预测为例,结合实测资料建立了BP神经网络预测模型并分别进行了学习训练过程及预测过程的精度评定,以期为神经网络模型结构的优化设计提供有效参考,为提高神经网络模型的适用性提供科学依据。     

内蒙古锡林郭勒盟牧区雪灾风险评估研究

选取内蒙古锡林郭勒盟与积雪有关的雪灾致灾指标, 以气温、 风速为气象条件孕灾环境指标, 坡度、 植被盖度为下垫面孕灾环境指标, 人口密度、 牧民纯收入、 人均GDP、 牲畜超载率等数据为承灾体脆弱性指标, 基于BP方法、 层次分析法、 建立了内蒙古锡林郭勒盟白灾综合风险评价体系, 并对其进行了风险评价与区划。为提高灾害评估的准确率, 白灾的灾害等级是以月为尺度进行评定, 选取的气象指标多数都是以月为尺度的指标。研究表明： 白灾与积雪因子高度相关, 是气候灾害, 积雪、 低温、 大风等气象因子长期作用的结果。对白灾尝试用BP神经网络法进行风险评估, 评估的灾害等级和实际灾害等级十分吻合, 用训练好的神经网络对各个旗县（1980 - 2015年）的白灾进行了风险评估, 评估效果理想。因此, 可以通过数值预报产品、 气候预测产品获取相关评价因子, 采用BP方法形成白灾风险预评估产品, 进而应用于雪灾风险评估业务中, 为相关部门提供决策依据。     

基于BP神经网络和FEFLOW模型模拟预测多年冻土活动层温度

土壤温度是陆面过程中地-气系统间能量与物质交换的重要参数, 它的动态变化及其对气候变化的响应也是研究陆面过程的关键问题之一。在全球变暖背景下, 研究青藏高原多年冻土活动层土壤热状况动态变化, 对深入了解高原活动层厚度的变化特征及下垫面的热力作用均有重要意义。利用BP神经网络模型, 对青藏高原风火山地区的地表温度进行了模拟, 并利用输出的地表温度驱动FEFLOW模型对研究区活动层不同深度土壤温度进行了模拟。与各深度土壤温度观测值对比发现, 均方根误差介于0.09 ~ 1.78 ℃, 纳什效率系数介于0.86 ~ 0.98, 模拟效果良好。结合BP神经网络模型和FEFLOW模型预测了研究区未来50年活动层热状况的动态变化过程, 结果表明： 在0.02、 0.048、 0.07 ℃·a^-1三种升温情景下, 50年后研究区活动层厚度将分别增加19.4、 51.8、 64.7 cm, 土壤升温幅度随着深度的增加逐渐减小。同时发现, 随着气温不同程度的升高, 土壤开始融化的时间在不断提前, 开始冻结的时间则不断延迟, 这种规律随着土壤深度的增加而减弱, 但不同深度土壤冻融过程对气温升高的响应差异却随着增温速率的增大而逐渐减小。     

基于BP人工神经网络平潭海域赤潮叶绿素a浓度模型演算研究

以福建平潭海域为研究对象、以叶绿素a浓度为输出指标,根据2009-2018年赤潮期数据规律及2013-2017年海洋监测数据主成分分析结果,对拟构建的BP模型进行输入指标筛选,选定结果包括4个气象因子和4个水质因子。基于此结果,对2013-2017年的698组海洋监测数据中叶绿素a浓度进行归一化处理并进行模型演算,随机选取80%数据作为演算模型的训练样本,其余进行模型验证。通过交叉变换输入指标,寻求最优的输入节点组合,以气温、溶解氧浓度、日照时长指标为输入参数时,BP模型误差较小(均方根误差为0.05μg/L,平均绝对误差为0.03μg/L),演算结果精度较高(可决系数R~2=0.81)。以上结果表明,气温、溶解氧浓度和日照时长对叶绿素a浓度表征效果较好,可为平潭海域以叶绿素a浓度作为判定指标的赤潮预警研究提供参考。     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状,提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值,结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明,该模型和单因子评价、传统的BP神经网络评价相比较,具有训练时间短、预测精度高的特点,在海水水质评价中具有良好的应用价值。     

SA算法优化BP神经网络应用于GPS高程拟合

BP神经网络算法用于高程拟合有训练速度慢和易于陷入局部最小值的缺点,基于BP算法学习特点,模拟退火算法（SA）在局部极小处的概率突变性,本文作者有效结合BP和SA算法,提出一种SA优化BP神经网络算法的BPSA混合学习策略,并以实例验证了该算法的有效性。     

基于改进BP神经网络的遥感影像混合像元分解

提出了一种基于改进BP神经网络的混合像元分解模型,通过加入动量项和变步长法对标准BP算法进行改进。利用该模型对多光谱遥感影像进行了处理分析,与一般BP分解模型进行比较后证明：改进的BP神经网络模型具有正确率高,自适应能力强的优点。