应用人工神经网络BP模型预测乌江流域年平均含沙量

引入人工神经网络BP模型对流域产沙进行了定量预测。根据石坝子水文站断面以上乌江流域的土壤、地质、地貌在一定时间范围内具有相当稳定的特性，选取植被覆盖率、年降雨量、年平均流量和年汛期径流量共4个代表植被、气候和水流特性的主要因子对流域年平均含沙量进行了建模预测。优化得出的BP网络模型不仅拟合精度高，而且预测效果好，这为泥沙方面的定量研究提供了一条新的途径，也为石坝子水文站停测泥沙测验项目提供了科学依据。     

拟神经网络反演在煤田中应用

Parker快速富氏变换反演单一密度界面存在两方面问题：一是求解目标界面重力异常难度较大;二是受正演速度及反演参量维数的限制,不能对界面进行精细划分.拟神经网络BP算法的引入,首先解决了快速三维正演问题,又突破了反演参量维数的限制,实现快速收敛,有效解决两个或多个密度界面的反演问题.在实际应用中,先用密度“补偿法”正演求取剩余生力异常,然后利用拟神经网络BP算法同时反演两个二维密度界面,拟合求得两个界面的深度异常,在此基础上预测煤田.     

FORECAST OF PREFERRED FAULT BASED ON NEURAL NETWORK

基于优势面区域稳定性评价理论和人工神经网络 (ANN)的原理和方法 ,探讨了基于 ANN的优势断裂预报神经网络算法及模型 ,并结合实例检验表明应用反传 (BP)神经网络模型判定优势断裂的新方法是有效的 ,且取得了理想的结果。     

基于人工神经网络的三峡水库库岸稳定性分级

为避免库岸稳定性评价法的随意性和不确定性,尝试采用具有处理非线性关系功能的人工神经网络方法进行库岸稳定性分级,为此构建了15-31-4结构的三层BP网络。该网络采用BP弹性算法,同时对初始权值和阀值进行了优化,实现了网络的非线性映射,并有着极快的收敛速度。用该BP网络对三峡水库的上游段库岸进行了稳定性等级判断,其结果与常规计算方法所得的结果基本相似。     

改进BP神经网络模型在索塔变形预测中的应用

通过分析温度、风速气压、日照和拉索拉力等因素,建立函数关系模型,结合南京长江五桥钢壳-混凝土索塔变形监测实例,采用基于小波阈值去噪、岭回归、BP神经网络的多算法组合模型,进行不同组合算法的实验,预测索塔监测点的坐标,与全站仪观测的索塔变形数据进行比较,得到小波-岭回归-BP神经网.     

基于神经网络的采空塌陷预测

依据某煤炭开采区的勘察资料, 综合考虑影响采空塌陷的主要因素, 建立了预测采空塌陷的 BP神经网络模型。该模型结构为 7-10-2型。优化学习参数后, 用该模型对采空区塌陷进行了预测分析, 结果与实际情况完全吻合, 表明 BP神经网络模型应用于采空塌陷预测领域是行之有效的。      

BP神经网络-灰色系统联合模型预测软基沉降量

目前软基沉降预测多采用指数曲线和双曲线延伸法,其结果不够理想,神经网络在此方面的运用也存在一定的局限,虽然GM(1,1)模型在软基沉降预测领域已得到运用,但在已有的案例中所使用的等时距模型都没有明确说明所采用的插值方法。以深圳湾西部通道填海软基沉降预测分析为例,建立BP神经网络-灰色系统联合模型来探讨解决这一问题的方法。采用BP神经网络逼近非线性插值方法构建等时距时间序列数据,在此基础上建立沉降变形时间序列的GM模型,并建立相应的时间响应函数,预测沉降量。计算实例表明,该模型短期沉降预测结果比较准确,其最终沉降预测结果具有一定的工程参考价值。     

火山岩岩性识别方法研究

岩性是测井储层评价的基础,在火山岩油藏的测井评价过程中,由于火山岩岩性定名方法的不统一以及岩性识别方法的不完善,使火山岩油藏的测井评价难以开展。采用国际地科联（IUGS）推荐的TAS图方法对火山岩岩样定名,并以此为基础,使用神经网络方法利用测井资料识别火山岩岩性。研究结果表明,利用传统的统计判别方法建立的测井资料与火山岩岩性的判别关系,识别符合率只有65%;而使用神经网络方法建立的判别关系,识别符合率可达81.8%。     

奇异谱分析在地铁沉降预测中的应用

地铁沉降受诸多因素干扰,其监测数据往往表现出非平稳、非线性特征。因此,首先利用奇异谱分析(SSA)方法提取监测数据的趋势项和周期成分,以削弱噪声、提高数据信噪比;然后利用BP神经网络分别对趋势序列与周期序列进行预测并重构,进而得到预测值。实验结果表明,相较于BP神经网络模型,SSA_BP神经网络模型的整体预测精度更高、最大预测长度更优。     

基坑变形小波去噪及BP神经网络组合预测模型研究

以某市轨道交通1号线地铁站基坑观测数据为例,开展了小波及BP神经网络预测模型的研究。首先采用小波阈值去噪方式对纵向观测线实际观测数据进行去噪处理,依据信噪比最高以及均方根最小判别原则进行判别,实验表明,小波1层分解、软阈值方式、sym4小波基函数、rigrsure阈值原则、scal=sln为最佳组合方式。然后,给出基坑变形小波-BP神经网络组合预测模型。最后对小波去噪前后的数据进行BP神经网络预测模型预测处理并与小波变换神经网络预测模型预测数据进行对比分析,结果表明小波变换神经网络预测模型预测精度最高。