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。     

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。     

GPS高程转换的神经元网络方法分析

GPS高程转换是GPS高程应用的关键问题之一，试图应用神经元网络方法来进行GPS高程的转换，并在网络的拓扑结构与网络结构的改进等方面作了分析，通过GPS高程转换的二次曲面法和神经元网络法进行了比较试验，结果表明了神经元网络转换GPS高程的可行性和可靠性，对于应用神经网络转换GPS高程具有实际的指导意义。     

一种新的温度传感器湿度补偿方法

针对温度传感器测量中易受湿度影响的问题,通过对思维进化算法（Mind Evolutionary Algorithm,MEA）中的趋同操作、异化操作及收敛条件进行研究改进,对趋同操作中的散布权值进行自适应调整,在异化操作中引入差分进化算法的变异操作,并考虑收敛条件中搜索平面平缓的情况,提出了基于改进思维进化算法的BP神经网络湿度补偿方法.由湿度影响检定实验得到的样本数据,利用此补偿方法建立湿度补偿模型,将补偿结果与未经优化的BP神经网络模型的结果进行比较研究.结果表明,基于改进思维进化算法的BP神经网络模型补偿精度较高,收敛速度快,计算量小,可有效提高温度传感器的测量精度和可靠性,便于实际应用.     

改进后灰色神经网络及短期基坑沉降预测研究

在短期基坑沉降监测中,由于数据量少且呈非线性变化,沉降模型很难准确建立。灰色GM(1,1)对数据少、趋势性强、波动小的数据有较高的预测精度,但不能模拟复杂的非线性函数;BP神经网络可以对非线性数据进行学习训练,具有自学习、自适应能力;通过将GM(1,1)与BP神经网络组合,并优化网络部分的学习率、权值和阈值等,建立一种改进的灰色神经网络模型,该模型具有对非线性数据自学习、自适应能力和预测精度更高等优点。通过某基坑沉降监测分析,验证改进的灰色神经网络模型预测精度更高,适合短期建模,具有很好的实用性。     

均生函数与BP神经网络耦合模拟预测模型(MGF-BP-I)的建立与应用

水文气候因子模拟预测对气候变化研究、农业墒情预报、生态环境改善、水资源合理开发利用等具有一定参考意义。均生函数、BP神经网络及其结合改进方式在模拟预测中各有优点,被广泛应用,但仍有进一步改进空间。针对MGF、MGF-OSR、MGF-OSR-BP等方法粗选因子集、粗选集组合筛选、收敛适应性、精度控制等可改进空间,进一步发挥均生函数和BP神经网络优势,建立了MGF-BP-I模拟预测模型。利用MGF-OSR、MGF-OSR-BP、MGF-BP-I对科尔沁沙地区域平均年降水进行了模拟预测。结果表明,建模期MGF-OSR-BP、MGF-BP-I拟合效果均较好,MGF-BP-I建模阶段最优模式精度优于MGF-OSR-BP,MGF-BP-I整体同时最优模式结果也非常好。检验期,MGF-BP-I检验阶段最优及整体同时最优两种模式拟合效果最好,相比其他模式精度有所提高。MGF-BP-I考虑更加全面,充分发挥了均生函数和BP神经网络优势,精度远高于MGF-OSR和MGF-OSR-BP,MGF-BP-I整体同时最优模式更符合实际应用,效果理想,可用于水文气候因子模拟预测。     

基于灵敏度分析的海洋油气资源BP神经网络预测模型的优化

作者针对BP神经网络结构设计中存在的问题,提出利用灵敏度分析方法对BP神经网络预测模型进行优化。通过BP算法与参数灵敏度分析的结合,寻找网络输入属性与输出属性之间的影响因子;在保证精度的前提下优选网络输入属性,简化网络结构,以增强网络的泛化能力,减少人为主观因素对网络设计的影响。最后以海洋油气资源预测为例,结合实测资料建立BP神经网络预测模型并进行了优化及预测精度评价,表明优化后的模型既能有效提高油气资源预测结果的稳定性,又不损失预测精度。     

基于BP神经网络的溶洞规模预测及应用

复杂岩溶地区的溶洞发育规模受地质构造、地区岩性、地下水动力系统等多种因素的影响,具有高度复杂性和非线性的特征。通过对岩溶区溶洞的赋存规律研究,确定影响溶洞发育规模的控制因素进行定量处理,收集已探明溶洞的样本数据。为克服已有研究对溶洞发育规模定性描述的模糊性,文章利用BP（Back Propagation）神经网络对自组织、自适应特性对数据样本的非线性关系揭示的能力,实现对溶洞发育规模的预测,并基于MATLAB实现BP神经网络结构的设计、训练、预测,其结果表明:BP神经网络模型对溶洞规模预测的精度高、收敛性能好。      

汕头市PM2.5的气象要素影响分析及预报研究

利用2014—2017年汕头市PM_2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM_2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM_2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP （Back-Propagation）人工神经网络方法针对汛期和非汛期分别建立了PM_2.5质量浓度预报模型。结果表明：与多数内陆城市不同,汕头市PM_2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM_2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM_2.5日均浓度随着风速的增大呈现减小趋势,PM_2.5日均浓度与08时混合层厚度显著相关（相关系数为-0.143）;汕头市非汛期PM_2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水（暴雨以上除外）对PM_2.5的清除效果无明显差别,而非汛期降水对PM_2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM_2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。