BP网络模型在灌区地下水位动态模拟中的应用

采用误差反传算法的神经网络模型（简称BP网络）,建立了某井灌区地下水位动态BP网络模型,模拟了不同灌水量条件下地下水位的动态变化,研究结果表明模型具有较高精度,能较好地表征研究区域的地下水水位动态变化特征。     

基于粒子群算法的BP模型在地下水位埋深预测研究中的应用

地下水水位埋深是影响河套灌区生态环境的主要因素,开展地下水位埋深预测研究对灌区远景发展规划与用水管理具有现实指导意义。本文采用基于粒子群算法的BP神经网络模型(PSO-BP),对河套灌区永济灌区地下水位埋深进行了预测模拟,相对于传统BP模型纳什效率系数NSE (0.791), PSO-BP模型NSE(0.887)提高了12%。表明, BP神经网络可以有效处理地下水位埋深与其影响因素之间的复杂非线性问题,同时粒子群算法可以提高模型的预测精度。     

基于BP网络和RBF网络的河道浅滩演变预测模型

利用神经网络BP理论在处理非线性问题上的优势，在分析影响河道浅滩演变因素的基础上，建立了基于MATLAB的河道浅滩演变BP网络模型，实例结果表明，利用BP网络和RBF网络模型对浅滩变化进行预测是可行的，具有很好的应用价值，为河道浅滩演变预测研究提供了新方法。     

应用优化神经网络算法预报地下水位

根据地下水及其影响因素之间存在的映射关系，在BP网络模型的基础上，提出一种Levenberg-Marquart优化神经网络算法，并用于地下水位的预测．与传统的BP算法相比较，该算法的预测精度较高，计算结果稳定性好，收敛速度快．     

基于MATLAB的Elman神经网络在大坝位移预测中的应用

根据MATLAB的Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力，提出了一种利用：Elman神经网络建立大坝位移预报模型的方法。通过实例比较Elman模型与BP模型的预测效果，结果表明，所建立Elman神经网络模型不仅收敛速度快，且其预测精度高于BP网络模型。利用MATLAB神经网络工具箱能使工作者从繁琐的编程中解脱出来，有效的提高工作效率。     

预测济南地下水位的BP神经网络模型及其改进

用BP神经网络预测济南市地下水位，并利用网络“截口”处连接权与阈值的信息，揭示了“过拟合”现象与输入神经元间的多重共线，是导致BP神经网络预测性能降低的主要原因．确定了以当年地下水开采量、前1年地下水位、当年降雨量为输入神经元，拓扑结构为3:3:1的改进的BP神经网络模型，预测了济南地下水位．结果表明，该模型的预测精度较高，相对误差约为6％．     

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。     

人工神经网络在引水隧洞变形监测中的应用

针对引水隧洞围岩变形受地质、施工等因素综合影响的特点，引入人工神经网络理论，建立了隧洞收敛测值终值预测的BP网络模型。该模型将隧洞围岩的5个物性参数容重、弹性模量、泊松比、粘结力、内摩擦角作为BP网络的输入向量，将最终收敛位移作为网络输出向量。应用Matlab进行BP网络设计和程序编制。实例分析表明，利用所建立的BP网络模型进行围岩收敛变形预测。结果合理可行。     

基于遗传算法的BP神经网络模型在地下水埋深预测中的应用——以蒙城县为例

地下水系统是一个高度复杂系统,针对地下水位与其影响因素之间的非线性映射关系,建立遗传算法优化BP神经网络浅层地下水埋深模型,对地下水埋深进行模拟和预测。使用RMSE、MAPE和NSE三种评价指标,将所得结果与BP神经网络和逐步回归模型进行对比。以蒙城县1974—1999年前期降雨量、前期地下水埋深和利辛县前期地下水埋深作为输入层,以当月地下水埋深作为输出层,将蒙城县2000—2010年地下水埋深作为检验样本,计算结果表明:遗传算法优化BP神经网络模型训练阶段和测试阶段RMSE分别为0.22和0.34、MAPE分别为7.6%和9.21%、NSE分别为0.89和0.85,泛化性能良好,有效规避了过拟合现象,且拟合和预测的精度较高。该模型可为地下水研究提供了一种有效浅层地下水埋深的预测方法,具有较好的应用前景。     

自适应BP神经网络在边坡稳定性预测中的应用

边坡工程是一个动态开放、非线性的复杂系统,应用传统的分析方法往往难以确切描述其非线性特性,采用学习率自适应调整和动量法,对BP神经网络存在易陷入局部极小值、收敛速度慢、对神经元个数依赖性大等缺点进行改进,建立了(6-13-2)结构的自适应BP神经网络模型。边坡预测实例表明:自适应BP神经网络的预测精度高于标准BP神经网络;改进后的BP神经网络提高了网络的训练速度,节省了时间,提高了计算精度。     

RBF神经网络在地下水动态预测中的应用

为了动态预测地下水位的变化,采用神经网络模型构建地下水位埋深预测模型。充分发挥径向基函数(RBF)神经网络的逼近收敛能力,通过"径向基函数(RBF)"和"逆向传播(BP)"算法优选模型参数,以长春城区为应用实例,将2006—2012年84组数据作为训练样本,将2013—2015年36组数据作为检验样本,对其实测埋深动态过程进行模拟,对比两种模型性能优劣,并对2016—2018年地下水埋深进行预报。结果表明:RBF神经网络模型和BP神经网络模型的均方根误差分别为0.10和0.43,最大绝对误差分别为0.44 m和0.61 m,最大相对误差分别为14.60%和27.17%;2015年以后,长春城区地下水位动态周期性变化明显,埋深变幅较大,枯水期埋深最大为5.10 m,丰水期埋深最小为1.62 m,呈明显的季节性特征。RBF模型具有更高的非线性映射能力和预测精度,该模型可以用于同类的动态数据的预报。     

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.     

基于神经网络参数优化的岩体边坡稳定性评价

高陡岩体边坡的稳定性是一个内部存在多种相互联系、相互影响因素的复杂系统,而BP人工神经网络属于非线性动态系统,较适合用于评价高陡岩体边坡稳定性。分析了BP网络模型参数对高陡岩体边坡稳定性评价精度的影响,并提出了对模型参数进行优化,以提高预测精度的若干办法。用一工程实例对参数优化后的BP神经网络在高陡岩体边坡稳定性评价中的应用效果进行了检验。研究表明,用经参数优化的BP人工神经网络模型预测高陡岩体边坡稳定性是可行的,预测结果虽然与实际状态存在一定的误差,但仍可以相对准确地反映边坡稳定状况。     

基于神经网络参数优化的岩体边坡稳定性评价

高陡岩体边坡的稳定性是一个内部存在多种相互联系、相互影响因素的复杂系统,而BP人工神经网络属于非线性动态系统,较适合用于评价高陡岩体边坡稳定性.分析了BP网络模型参数对高陡岩体边坡稳定性评价精度的影响,并提出了对模型参数进行优化,以提高预测精度的若干办法.用一工程实例对参数优化后的BP神经网络在高陡岩体边坡稳定性评价中的应用效果进行了检验.研究表明,用经参数优化的BP人工神经网络模型预测高陡岩体边坡稳定性是可行的,预测结果虽然与实际状态存在一定的误差,但仍可以相对准确地反映边坡稳定状况.     

基于BP神经网络的河道径流变化量预测

河道径流变化是一种复杂的非线性函数关系的过程,BP神经网络具有表达任意非线性映射的特性。本文基于BP神经网络建立的河道径流变化量预测模型,结合水资源调查分析评价,定量地将人类活动影响期径流相对于基准期径流的变化量分解为降水量、涉水工程、下垫面变化影响量,并分别建立3种因素的影响量模型,从而实现预测未来径流变化量及径流变化量控制的目的。     

沈阳市地下水位与水面率的关系研究

以沈阳市水系、地下水资源现状及水资源人口承载力为基础,分析地下水位与各种补给因素之间的关系,结果表明:降雨量、水面面积、蒸发量等因素均对地下水位变化有影响.运用回归分析以降雨量和水面面积作为输入因子对地下水位进行预测.运用BP神经网络以降雨量、蒸发量、地下水开采量及水面面积为输入因子对地下水位进行预测.结果表明,两种方法的计算结果相接近.水面面积变化对地下水水位变化确实影响显著.     

坡面产流模式的神经网络模拟

坡面产流是土壤本身特性与外界影响因素相互作用的结果，它们之间具有明显的非线性输入输出关系。在分析坡面产流和神经网络模型具有某些相似的基础上，利用径流站观测资料，建立了小流域坡面产流量的三层前向网络模型（BP算法），并显示了具有较好的模拟预测效果。     

坡面产流模式的神经网络模拟

坡面产流是土壤本身特性与外界影响因素相互作用的结果，它们之间具有明显的非线性输入输出关系。在分析坡面产流和神经网络模型具有某些相似的基础上，利用径流站观测资料，建立了小流域坡面产流量的三层前向网络模型(BP算法)，并显示了具有较好的模拟预测效果。     

基于神经网络的河道浅滩演变预测模型

河道浅滩演变是一个复杂的非线性动力学过程, 作者借助神经网络处理非线性问题的优势, 在分析影响河道浅滩演变因素的基础上, 建立了预测河道浅淮演变的BP网络模型, 并对模型中的输入因子和样本的提取进行了探讨. 以闽江竹岐至侯官河段为实例,用“试控法”给出了BP网络模型的建模方案, 用正交设计原理选取相应的训练样本集, 利用该样本集对网络进行学习和训练, 并用训练好的BP网络模型预测浅滩上年内最小水深和年平均淤积厚度. 计算结果表明: 模型预测结果与实际值吻合良好. 这为河道浅滩演变预测研究提供了新方法.     

基于BP神经网络工具箱的城市短期用水量预测

城市用水量预测受众多因素影响,具有非线性的特点。将气温、天气状况、节假日因素引入城市短期用水量预测,建立了面向MATLAB神经网络工具箱的BP神经网络预测模型。根据历史数据训练预测模型和进行仿真实验,并生成了预测数据与实际数据的拟合曲线。结果表明,BP神经网络模型在城市用水量预测中具有可靠性。