基于不同神经网络模型的水环境承载力评价

以保定市为例,选择了BP、RBF和Elman神经网络3种具有代表性的神经网络来分别构建保定市水环境承载力评价模型,并进行对比分析,最后应用评价模型进行评价。结果表明,BP和Elman神经网络的网络性能相近,且均明显优于RBF神经网络,更适合作为水环境承载力评价模型;2001～2016年保定市水环境承载力呈现提高趋势,但仍处于较弱承载水平。     

几种神经网络模型在湖库富营养化程度评价中的应用

基于我国湖库富营养化评价标准和RBF、GRNN、BP、Elman神经网络算法原理,分别构建RBF等4种神经网络湖库富营养化等级评价模型,采用内插法构造网络训练样本,把我国湖库富营养化评价等级临界值作为评价样本进行“预测”,将“预测”结果作为湖库富营养化程度评价等级的划分依据,对全国24个主要湖库富营养化程度进行评价。结果表明：RBF、GRNN、BP、Elman神经网络模型对全国24个主要湖库富营养化程度评价结果基本相同,表明研究建立的RBF等4种神经网络湖库富营养化程度评价模型和评价方法均是合理可行的,其评价精度高,可为湖库富营养化程度评价提供新的途径和方法。同BP和Elman网络算法相比,RBF与GRNN神经网络模型不仅对湖库富营养化程度评价结果完全相同,且模型具有收敛速度快、预测精度高、调整参数少(只有SPREAD参数),不易陷入局部极小值等优点,可以更快地预测评价网络,具有较大的计算优势。     

多重组合神经网络模型在年径流预测中的应用

针对线性组合预测模型预测精度不高、单一预测模型权重较难确定和非线性组合预测模型组合函数难以构造等问题,为最大限度地挖掘输入向量间的有用信息以及充分发挥神经网络模型的高度非线性映射能力,提出一种基于BP、Elman、RBF、GRNN这4种神经网络算法原理的多重组合年径流预测模型。以4种单一预测模型的预测结果作为一次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的一次组合预测模型;再以一次组合预测模型预测结果作为二次组合预测模型的输入向量,实测流量作为输出向量,构建4输入1输出的二次组合预测模型;依次类推,构建12种多重组合预测模型。以新疆伊犁河雅马渡站年径流预测为例,将预测结果与4种单一预测模型及IEA-BP模型的预测结果进行比较,结果表明:多重组合预测模型的预测精度和泛化能力较单一预测模型均有较大提高,随着模型组合重数的增加,预测精度呈提高趋势,是提高预测精度的有效方法。     

几种人工神经网络法的水质预测比较

人工神经网络是现如今被广泛应用于预测方面的方法,运用BP神经网络、RBF神经网络、Elman神经网络分别对大伙房水库的2006年的TN、TP进行预测,比较3种网络的训练误差和预测误差得到:RBF神经网络训练速度最快且训练误差最小,RBF神经网络和Elman神经网络的预测误差明显小于BP神经网络,RBF神经网络和Elman神经网络应用于水质预测是可行的。     

基于小波神经网络的朝阳降水预测模型研究

本研究立足于朝阳地区1970—2010年的降水资料,利用MATLAB平台运用小波神经网络降水预测模型对朝阳地区降水量进行预测研究,并将该结果分别与真实值、BP神经网络预测结果对比分析,结果发现:基于小波神经网络的降水量预测模型取得了较高的预测精度,弥补了神经网络预测模型的缺点,减少了迭代次数,能够客观的反应朝阳地区降水情况且方法直观,为朝阳地区的降水量预测提供了较为有效的方法。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

土石坝观测数据的云神经网络分析

提出了一种基于云理论与神经网络混合集成的模型,该模型能够利用神经网络的自学习自适应能力对云参数进行调整和优化,使得该模型在知识推理过程中更具有说服力。针对某土石坝渗流观测资料建立了云神经网络预报模型,其预报精度优于常规的统计回归模型。     

基于小波神经网络的GPS高程异常拟合模型探究

利用GPS进行高程测量具有很多优越性,高精度地确定高程异常对于用GPS高程测量部分代替普通几何水准测量具有重要意义。依据BP神经网络和小波神经网络的基本原理,利用实验数据证实了小波神经网络模型比BP神经网络模型和文献[6]模型在GPS高程异常拟合中具有更高的精度,说明小波神经网络在GPS高程异常拟合中具有较强的实用性。     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

两种神经网络模型在边坡稳定性分析中的应用

简要分析了BP神经网络和RBF神经网络的特点及算法.用两种方法对边坡实例进行分析比较,结论是两种模型都能比较好地分析边坡稳定性情况.相比之下,RBF神经网络较BP神经网络学习速度快且不存在局部极小问题和学习算法收敛慢等问题.因此RBF神经网络在边坡稳定性分析中更加具有推广性.     

基于RBF神经网络的日发电量预测

在水电站生产过程中,每天都要向调度上报次日的发电计划。文章采用RBF神经网络对历史数据进行样本训练,再对次日发电量进行仿真,所得预测值能为制定日发电计划提供依据。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

结合灰色理论的人工神经网络方法 在水质预测中的应用

针对现阶段水质监测中存在的水质变化响应滞后问题,提出了采用灰色预测法、人工神经网络(BP神经网络、径向基神经网络、广义回归神经网络)以及两者组合的方法对水质动态预测进行研究。以太湖流域嘉兴斜路港监测断面为例,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。结果表明,对年内预测,通过广义回归神经网络的动态预测值平均相对误差为0.61%,后验差检验比值小于0.65,小误差概率大于0.7;采用灰色结合广义回归神经网络的方法对水质pH值进行预测,平均相对误差仅有0.85%,后验差检验比值小于0.65,小误差概率等于1。研究结果还表明,对年际预测,灰色结合BP神经网络和灰色结合径向基函数神经网络的动态预测值平均相对误差分别为0.57%和0.80%,其后验差比值都小于0.5,小概率误差都为0.9,大于0.8。     

基于RBF神经网络的降雨量预测

文章论述了鉴于降雨量受众多因素的影响和具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高。并且与BP神经网络模型对比结果表明,该方法避免了BP神经网络的局部极小及收敛速度慢等缺点,在精度,训练速度等方面优于BP神经网络。     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

基于机器学习模型的河道水位预测

结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测。结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至0.999 2和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测。     

神经网络在继电保护及故障诊断中的应用

采用人工神经网络是实现自适应继电保护和智能故障诊断的一条新途径。文中对国内外这方 面的研究现状进行了综述，提出了一些新的观点，并指出了需要进一步研究的方向和主要内 容。     

棉花适宜地下水埋深神经网络分析

江苏省的棉产区主要分布在沿江、沿海和淮北沙性土壤地带及里下河等偏粘性土壤地区。棉花枝多叶茂,营养生产和生殖生长并进时间长,腾发量大(550～750mm);同时,棉花又是一种“喜高燥、怕低湿”的植物,棉花水环境对棉花优质高产起着举足轻重的作用。本文以棉花皮棉亩产量Q为指标,运用人工神经网络方法对棉花的适宜地下水埋深进行了研究。     

基于BP神经网络和RBF神经网络的砂土基础液化判别

结合河北唐山地区土样样本,以地下水位埋深(hw)、地下水头(h)、标准贯入锤击数(N63.5)、土的动强度(R)及地震力(L)为评价指标建立了BP神经网络和RBF神经网络的预测模型。通过实例结果比较分析,表明RBF神经网络和BP神经网络判断砂土液化的精度都较高,但对于用埋深hs,地下水位深度h,标准贯入锤击数N63.5,土的动强度R和地震力L作为参数指标时,RBF神经网络在砂土液化的判别方面优于BP神经网络。通过对金坛石桥枢纽进行建模预测,进一步证明了以上结论,并说明了BP神经网络和RBF神经网络对于砂土基础液化的预测是普遍适用的。     

GRNN神经网络在坝基渗流预测中的应用

人工神经网络在大坝监测资料分析及预测中应用效果良好,而广义回归神经网络具有柔性网络结构、很强的非线性映射能力及高度的容错性,非常适合解决非线性问题。实例分析结果表明:与BP神经网络相比,广义回归神经网络在预测能力及学习速度上具有明显优势,且样本较少时其预测效果也较好。