神经网络在岩体力学参数和地应力场反演中的应用

BP神经网络已广泛地应用于岩体力学参数和初始应力场的反演分析,但在实际应用中,BP网络存在着网络训练易于过度、收敛速度慢、易陷入局部极小以及隐层节点数难于确定等缺点。采用RBF网络和改进的BP网络,利用基于有限差分格式的快速拉格朗日算法进行正分析计算,依据若干测点的正应力数据,反演了计算区域的岩体力学参数以及初始应力场。算例表明,RBF神经网络与快速拉格朗日算法相结合,在样本容量相同的情况下,反演分析的精度、网络的拓扑结构以及学习、收敛速度,均优于采用BP网络的反演算法。     

基于PSONN的大坝监控实时预报模型

将粒子群算法（PSO）引入大坝监测领域,提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。     

BP模型在区域滑坡灾害风险预测中的应用

滑坡灾害具有整体性、动态性、开放性和随机性的特点,而人工神经网络属于非线性动态系统,具有符合区域滑坡灾害风险预测的研究特点。应用BP模型,建立了区域滑坡灾害风险的预测流程,并与GIS技术相结合,对三峡水库蓄水条件下巴东新县城的滑坡灾害进行了危险性、易损性、风险性综合预测研究,证明了BP模型在区域滑坡灾害风险预测中的应用可行性,同时指出了所存在的问题及可能解决的途径。     

不同方法在感潮河段ADCP在线测流系统中应用的比较分析

在水力因素多变的长江下游感潮河段建立ADCP在线测流系统实时采集指标流速,可选用合适的方法推求断面平均流速,从而实现流量的实时报汛和整编。多元线性回归分析和BP神经网络具有原理明晰、实现便捷等特点,为比较以上两种方法在断面平均流速计算中的优劣,以南京水文实验站2014年以来实测数据为例,分析不同情况下两种模型的拟合精度和预测精度。结果表明,两种模型均具有较好的有效性、精确性和稳定性,且拟合精度与模型选用的监测指标有关;对于只采用单一指标流速而言,BP神经网络模型的结果明显优于多元线性回归模型。同时,两种模型都能较好的预测断面平均流速,其中BP神经网络适应更好。     

基于BP神经网络的网格结构损伤识别与试验研究

针对网格结构中杆件数量众多,但节点数总是远远小于杆件数的特点,损伤识别中采用了基于BP神经网络技术和面向节点的损伤初步定位方法的网格结构损伤识别的三步法。对双层柱面网壳结构模型在不同杆件去掉时的四种损伤情况下的振动特性进行了实测,并以实测低阶模态的频率变化率和少数测点的振型分量作为神经网络输入参数,对模型的各种损伤情况进行了识别。结果表明,所用的方法可以精简神经网络的结构,并提高其模式识别的能力。该方法可用于对大型复杂结构的损伤识别。     

基于BP神经网络方法的矿井涌水量预测

鉴于矿井涌水威胁煤矿安全生产及其影响因素的复杂性,提出基于BP神经网络的矿井涌水量预测方法.在充分分析新安煤矿＋25m开采水平的涌水影响因素的基础上,选取大气降水、采空区面积和底板构造断裂和采动裂隙三个影响因子,建立了非线性人工神经网络预测模型,对＋25m开采水平的正常涌水量进行了预计.其结果和实际观测数据能够较好地相吻合,表明采用人工神经网络预计矿井涌水量是可行的.     

人工神经网络遥感影像分类模型及其与知识集成方法研究

以多层感知器（MLP）为例，探讨了地学知识与ANN融合进行遥感影像分类的方法。首先对MLP网络结构、学习算法及其改进进行分析；然后总结了MLP进行遥感影像分类的一般方法和存在的缺陷；发展了基于知识的MLP神经网络遥感影像分类模型，并具体利用基于规则的MLP方法进行了遥感土地覆盖分类的实验，把获得的结果与传统统计方法与一般ANN方法进行了综合比较，获得了有意义的结果。     

基于数值预报产品的地面气温BP-MOS预报方法

在山东省临沂市气象局开发的"中尺度数值预报业务系统"的基础上,利用高分辨率的数值预报产品和地面气温观测资料,建立了地面气温的BP神经网络方法预报模型。检验结果表明BP神经网络模型的气温预报准确率高于逐步回归模型和MM5模式输出的气温预报准确率,可应用于实际预报业务中来制作气温的精细化预报。     

A short-range quantitative precipitation forecast algorithm using back-propagation neural network approach

A back-propagation neural network （BPNN） was used to establish relationships between the shortrange （0-3-h） rainfall and the predictors ranging from extrapolative forecasts of radar reflectivity, satelliteestimated cloud-top temperature, lightning strike rates, and Nested Grid Model （NGM） outputs. Quan- titative precipitation forecasts （QPF） and the probabilities of categorical precipitation were obtained. Results of the BPNN algorithm were compared to the results obtained from the multiple linear regression algorithm for an independent dataset from the 1999 warm season over the continental United States. A sample forecast was made over the southeastern United States. Results showed that the BPNN categorical rainfall forecasts agreed well with Stage Ⅲ observations in terms of the size and shape of the area of rainfall. The BPNN tended to over-forecast the spatial extent of heavier rainfall amounts, but the positioning of the areas with rainfall ≥25.4 mm was still generally accurate. It appeared that the BPNN and linear regression approaches produce forecasts of very similar quality, although in some respects BPNN slightly outperformed the regression.     

基于K-L变换的BP神经网络遥感图像分类

为了提高多光谱遥感图像的分类正确,提出了一种基于主成分分析(K-L变换)的分类方法。该方法先应用K-L变换对多波段遥感图像进行降维,提取最主要的三个成分合成假彩色图,然后利用BP神经网络对假彩色图进行监督分类。由于主成分之间是不相关的,增强了图象信息,降低了神经网络的计算量,提高了分类精度。实验结果证明,该算法分类精度优于传统分类方法,总正确率为88.5%,Kappa系数为0.862,因而具有实用价值。