回归-Elman网络在矿坝变形预测中的应用

金矿开展矿坝的变形监测工作,引入多层递阶回归分析模型,有较高的预测精度,但方法较繁琐,计算较复杂。由于变形数据可分离成趋势项与随机项,趋势项可用多元线性回归良好地拟合;随机项的预测,文中采用Elman网络建模计算,最后利用矿坝的实测高程位移数据进行验证,并与多层递阶回归进行比较。结果表明:回归-Elman网络模型比多层递阶回归的预测精度更高,效果更好,且方法简洁实用性强。     

基于遗传Elman神经网络进行矿区GPS高程拟合

目前,城市、平原地区的似大地水准面建立精度已经达到厘米级,但在矿区进行高程拟合时,由于地面高低起伏没有规则,其似大地水准面的拟合精度并不理想。针对此问题,本文提出利用遗传算法优化Elman神经网络的方法精化似大地水准面,采用移去-恢复法对残差进行建模,使用EGM 2008地球重力场模型和地形起伏信息来精化求解似大地水准面和参考椭球面之间的高程异常,同时着重分析了地球重力场模型以及地形变化信息对高程异常求解的重要性,并使用某矿区实测数据(GPS、水准)对所提方法进行验证,实验结果表明:文中所提方法的精度要优于二次曲面拟合模型和单一Elman模型,其外符合精度达到了1.14 cm,可以代替四等水准测量。     

Elman神经网络在低渗储层敏感性预测中的应用

油气储层敏感性是制约低渗储层有效开发的重要因素之一,但在勘探开发早期储层敏感性预测及分布规律的研究受到资料不足的限制.从实验敏感性分析结果入手,对Elman神经网络预测储层敏感性的过程及方法进行了系统的分析,并提出了通过设置虚拟井来预测储层敏感性平面分布的方法.结果表明:①影响低渗储层敏感性的主要因素有蒙皂石、伊利石、高岭石、绿泥石、伊-蒙混层、石英、长石的体积分数,孔隙度和渗透率;②Elman神经网络能够很好地预测低渗储层的敏感性,预测结果与实测结果绝对误差的平均值均低于0.04,水敏性样品的预测结果与实测结果绝对误差的平均值为0.001;③通过设置虚拟井位,能够很好地预测储层敏感性的平面分布规律.     

Verifying Fossil-Fuel Carbon Dioxide Emissions Forecasted by an Artificial Neural Network with the GEOS-Chem Model

In this study, the authors developed an en- semble of Elman neural networks to forecast the spatial and temporal distribution of fossil-fuel emissions （ff） in 2009. The authors built and trained 29 Elman neural net- works based on the monthly average grid emission data （1979-2008） from different geographical regions. A three-dimensional global chemical transport model, God- dard Earth Observing System （GEOS）-Chem, was applied to verify the effectiveness of the networks. The results showed that the networks captured the annual increasing trend and interannual variation of ff well. The difference between the simulations with the original and predicted ff ranged from -1 ppmv to 1 ppmv globally. Meanwhile, the authors evaluated the observed and simulated north-south gradient of the atmospheric CO2 concentrations near the surface. The two simulated gradients appeared to have a similar changing pattern to the observations, with a slightly higher background CO2 concentration, - 1 ppmv. The results indicate that the Elman neural network is a useful tool for better understanding the spatial and tem- poral distribution of the atmospheric C02 concentration and ft.     

基于Elman神经网络算法的地震经济损失快速评估研究

地震经济损失快速评估是应急救灾的重要决策依据。本文选取了震级、极震区烈度、极震区烈度和抗震设防烈度之差ΔI、人口密度、人均GDP等5个指标作为输入层节点,将地震灾害的直接经济损失作为输出层节点,通过对1996—2013年的地震灾害损失资料进行训练和仿真分析,构建了Elman神经网络地震经济损失快速估计模型。运用该模型,对近年来的7个破坏性地震的直接经济损失进行评估分析,评估结果和实际直接经济损失有较好的一致性,该方法为地震经济损失快速评估提供了一种新思路。     

MEEMD-Elman神经网络的电离层TEC预报模型

利用IGS中心提供的不同纬度的电离层TEC值,建立基于改进的集总平均经验模态分解(MEEMD)算法和Elman回归神经网络(ERNN)模型相结合的电离层TEC预报模型。实验结果表明,在低、中、高不同纬度采用本文方法预报5 d电离层TEC的预测值的均方根误差最优可达到0.96 TECu,相对精度最优达到95.4%,精度较EMD-ERNN模型及单一ERNN模型有显著提高。     

导航卫星钟差预报的Elman神经网络算法研究

针对卫星钟差不能被精确模型化的问题,将具有较强记忆功能和强大计算能力的Elman神经网络运用到卫星钟差预报中,提出适用于卫星钟差预报的Elman模型。首先对原始钟差数据进行一次差处理,然后选择合适的神经网络结构建立预报效果最佳的Elman钟差预报模型,最后选用国际GNSS服务（IGS）提供的精密钟差数据进行GPS卫星钟差预报,并与二次多项式模型、附加周期项的多项式模型和灰色系统模型进行对比分析。结果表明,Elman模型进行1 d、7 d和30 d钟差预报的精度得到显著提高,分别达到亚ns、ns和μs级,表明该模型的钟差预报性能优于3种常用模型,在卫星钟差预报中具有可行性。     

EWT-Elman组合模型短期电离层TEC预报

针对电离层总电子含量(TEC)非线性、高噪声的特点,建立基于经验小波变换(EWT)和Elman神经网络的短期电离层组合预报模型。运用该模型对不同地磁环境的电离层TEC时间序列进行建模预报,结果表明,EWT-Elman组合模型可反映电离层TEC的变化特征,地磁平静期预测平均相对精度为93%,均方根误差为1.04 TECu;地磁扰动期预测平均相对精度为92.4%,均方根误差为2.18 TECu。单一Elman模型、EMD-Elman组合模型以及EWT-BP组合模型在地磁平静期平均相对精度最高为90.7%,均方根误差最小为1.33 TECu;地磁扰动期平均相对精度最高为90.7%,均方根误差最小为2.57 TECu。对比其他模型,本文方法预测效果最优。     

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。     

基于机械学习理论的海冰风险短期预报研究

海冰管理是抵御寒区海洋资源开发海冰威胁的有效手段,海冰风险的准确、快速预测是海冰管理系统的关键组成部分。文中面向海冰管理中的冰情短时预测需求,明确了基于现场监测的海冰风险预测模式,开展了应用机械学习理论的海冰风险短时预测方法研究,并以渤海辽东湾海冰管理为例,讨论了神经网络与小波分解等非线性预测方法在冰情短时预测中的适用性。结果表明,时间序列小波神经网络在短时(6 h)冰厚预测中的预测精度与Elman神经网络相仿,而在24~48 h预测中的精度偏差较大;Elman神经网络在6 h、24 h与48 h的冰厚预测中均能保持较好的预测精度,在冰流速与来冰方向预测中,模型预测精度达到80%左右。