结构风险最小混合型神经元网络油气预测

基于统计学习理论中的结构风险最小化原理,从理论上给出了神经网络的结构设计方法和实现过程.该方法能自适应地扩展神经网络的容量,从而完成网络的结构设计,并且在有限样本的情况下,最大限度地提高网络的训练精度和泛化能力,进而提高神经网络预测结果的可靠性.此外,本方法可使神经网络同时具有多种类型的特性函数,增强了网络的信息处理能力.文中给出了该方法在大庆油田某开发区块储层油气检测的应用实例.     

神经网络反演双侧向电阻率测井曲线的物理约束

以一种新型高分辨率双侧向测井仪器在二维轴对称地层模型中的模拟响应为训练集训练BP神经网络，得到了针对该双侧向测井仪的反演网络模型。在训练中，神经网络结构的确定一般采用交叉验证法，但这种验证法经验性的成分偏重，不能完全解决网络结构的范化问题。为此，本文在模型的训练中，在交叉验证的基础上，根据双侧向测井的原理和仪器响应特性，提出了一种新的物理约束方法；反演地层电阻率的误差应随着侵入半径的增加而加大，违反此规律的模型不予采纳。理论研究结果表明，由此得到的神经网络模型具有很好的范化能力。     

基于应变模态的钢结构构件焊缝损伤定位方法的研究

本文探讨了用应变模态对钢结构焊缝损伤进行识别与定位的方法。应变模态对结构局部损作斩反应敏感，是对结构进行微小损伤诊断的较理想的损伤识别指标。文中以一简支工字型梁为研究对象，分别采用基于应变模态差的三种定位准则和神经网络方法，对其进行了单处和两处焊缝损伤定位的研究。结果表明，基于应变模态差的定位准则对于这两种情况的损伤都具有较高的定位识别率，但不能区别出单处和两处损伤；而采用神经网络方法不仅可以区别出单处和两处损伤，而且训练好的网络对受噪声污染的测试样本也具有较好的识别效果。     

BP神经网络在工程岩体质量分级中的应用研究

以GB50218－94岩体质量分级标准为基础，在金川二矿区采准巷道试验段的岩体分级中尝试采用BP神经网络方法进行岩体质量分级，其结果与按国家标准分级是一致的，但该方法简便易行，工作量小。     

广义回归神经网络预测加筋土支挡结构高度

土工合成材料加筋支挡结构（Geosythetics-Reinforced Retaining Wall, 简称GRW）设计方法主要是建立在似粘聚力理论基础之上的半经验设计法。由于土性及加筋机理的复杂性，常常要对它们进行人为假定，导致计算结果差强人意。神经网络方法与传统方法的不同之处在于不需要主观假定，而是模拟人脑思维，通过数据样本的学习来获得预测结果。引入神经网络技术来预测加筋土支挡结构的设计高度是一种新尝试。由于本问题具有样本容量非常有限、影响因素复杂多样的特点。因此，采用适用于稀土样本数据的广义回归网络（General Regression Neural Network)来预测加筋土支挡结构设计高度。基于MATLAB神经网络工具箱及文献[1]的挡墙离心模型试验结果，建立了一个可用于加筋支挡结构设计高度预测的GRNN网络。通过对足尺试验，实际工程及模型试验结果的检验，表明网络的学习是成功的，具有一定指导意义。     

基于贝叶斯时空模型的建设用地扩张格局差异分析——以长三角和中原城市群为例

基于土地利用现状遥感监测数据,采用贝叶斯统计方法对长三角城市群和中原城市群城市建设用地扩张的时空特征及其影响因素进行研究,并探讨两个间差异规律。结果表明:(1)研究期内,两个城市群的建设用地均呈现快速扩张的态势,增长速度均在2000—2005年达到峰值,对应的净增长率分别为36.6%和31.1%。(2)两个城市群城市扩张空间演化过程差异显著,长三角城市群建设用地扩张表现为“点—轴—波式循环”模式,空间异质性较高,出现多个城市扩张热点区域;而中原城市群表现为“点—轴—网”模式,地区间扩张差异较小,温点扩张区域居多。(3)影响两个城市群建设用地扩张的主要因素有经济发展、产业结构、人口规模和居民收入。从影响程度大小的区域对比来看,经济规模、产业结构和居民收入对长三角城市群的影响程度高,人口规模对中原城市群的影响程度高。     

不确定性视角下的中国省际人口迁移机制分析

人口迁移过程具有内在的不确定性。贝叶斯模型平均方法（BMA）为不确定性问题提供了行之有效的解决方案。然而,当前该方法多用于线性回归模型在变量选择时出现的模型不确定性问题,很少用于空间建模。本文以2010—2015年中国省际人口迁移流为例,将BMA方法应用于空间OD模型,在考虑网络空间结构的基础上选取迁出地和迁入地各7个解释变量及距离因素,利用马尔可夫链—蒙特卡罗模型综合方法（MC³）进行模型抽样,以后验模型概率为权重计算相应变量的迁出地、迁入地和网络效应等,定量分析不确定性背景下省际人口迁移影响因素和空间机制。结果表明：① BMA模型估计结果更为稳健可靠。与单一模型相比,BMA中变量效应估计的90%可信区间明显缩小,不确定性程度显著降低,结果更为精确;② 区域经济社会发展对省际迁移至关重要。经模型空间抽样后,迁出地人口规模和GDP、迁入地教育水平和迁移存量等的变量后验包含概率大于90%;③ 网络效应在省际迁移过程中不可忽视。所有变量的网络效应占总体效应的40%以上,其中工资、城镇化率、教育和迁移存量等的网络效应（绝对值）大于各自的迁出地和迁入地效应;④ 若不考虑迁移建模中的不确定性,绝大多数区域经济社会变量对省际迁移的影响会被高估。     

基于Lyapunov指数与神经网络融合的预测模型研究

提出一种基于最大Lyapunov指数法和神经网络融合的预测模型,该模型(Lya-BP)吸取了最大Lyapunov指数预测的优点,同时能够改善对于数据样本不够大时,最大Lyapunov指数预测精度不高的缺点.实例研究表明,Lya-BP模型大大提高了小数据量下Lyapunov指数法预测的精度,与单一的Lyapunov指数预测相比,更具可靠性,应用更为广泛,具有较大的实用价值.     

基于DEBP的GPS高程拟合

针对误差反向传播(BP)算法训练速度慢和易于陷入局部最小值的缺点,利用差分进化算法(DE)的全局寻优性,结合DE和BP的各自优点,分析和建立进化神经网络(DEBP)模型,并将该模型应用于GPS高程拟合。最后以实例数据,进行BP,DE及DEBP模型的对比实验,结果表明,该模型有效克服了传统模型的不足,在收敛速度、预测精度及稳定性等方面均明显提高。     

DFNN及在城市建设用地面积需求预测中应用

建立了数据驱动型的动态自适应非线性回归系统模型,解决了模糊神经网络模型在执行阶段无法动态学习调整参数的问题,以深圳市建设用地面积需求预测为例说明该模型的有效性。