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。     

基于改进BP算法的Elman网络在软基沉降预测中的应用

E lm an网络具有动态特性好,逼近速度快,精度高等特点,本文结合软基沉降的基本特征,建立了E lm an网络软基沉降预测模型。考虑到经典BP算法的缺陷,采用改进BP算法对网络进行训练学习。实例分析表明,本文所建立的E lm an网络模型具有一定的可靠性和实用性。     

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。     

利用BP神经网络标准化东南太平洋茎柔鱼(Dosidicus gigas)资源丰度

东南太平洋茎柔鱼(Dosidicus gigas)是短生命周期大洋性经济鱼类,其资源量受环境因素变化的影响较大。根据我国鱿钓船队2013~2017年在东南太平洋的生产统计数据,结合海洋环境数据包括海表面温度(SST)、海表面盐度(SSS)、叶绿素a浓度(chl a),运用BP神经网络(back propagation network)模型来标准化单位捕捞努力量渔获量(catch per unit effort, CPUE,也称名义CPUE)。以均方误差(mean square errors, MSE)和平均相对变动值(average relative variances, ARV)为最优模型判断依据,比较隐含层节点3-10的神经网络模型,发现6-9-1结构为最优模型。用Garson算法解释模型结果,发现各输入层因子对东南太平洋茎柔鱼资源丰度影响重要度排序为chl a、SST、经度(Lon)、SSS、纬度(Lat)、月份(Month)。并作名义CPUE和标准化CPUE资源丰度对比分布图,结果显示CPUE与标准化CPUE总体分布状况基本一致,但局部区域存在明显差异, 80°~85°W及10°~20°S海域适宜鱿钓生产,表明BP神经网络模型可以适用于东南太平洋茎柔鱼的CPUE标准化,从而为鱿钓渔业生产提供一定参考依据。     

基于神经网络的混沌时间序列预测

为了提高了RBF神经网络对于混沌时间序列的预测性能,从相空间重构理论出发,建立RBF神经网络,并且改变RBF神经网络训练参数及训练样本数,以Logistic及Lorenz混沌时间序列进行预测仿真,取得了不错的预测效果。