渭河水质遥感反演的人工神经网络模型研究

以渭河陕西段水域为研究对象,在获取了实地监测数据和SPOT5遥感影像的基础上,对遥感数据进行预处理,建立了BP神经网络水质反演模型和RBF神经网络水质反演模型。并对水质参数CODcr、NH3-N、DO、CODmn进行反演。研究结果表明,利用神经网络模型反演水质参数是可行的,由于是非线性模型,其反演结果明显好于线性回归模型的结果。     

渭河水质遥感反演的人工神经网络模型研究

以渭河陕西段水域为研究对象,在获取了实地监测数据和SPOT5遥感影像的基础上,对遥感数据进行预处理,建立了BP神经网络水质反演模型和RBF神经网络水质反演模型.并对水质参数CODcr、NH3-N、DO、CODmn进行反演.研究结果表明,利用神经网络模型反演水质参数是可行的,由于是非线性模型,其反演结果明显好于线性回归模型的结果.     

渭河定量遥感水质反演中的大气校正作用研究

以渭河陕西段为研究对象,在获取了渭河陕西段实地监测数据和相应时间段的SPOT-5遥感影像数据基础上采用黑暗像元法(DOS)、大气辐射传输模型法等7种大气校正方法对SPOT-5遥感影像进行大气校正。结合校正后的遥感数据,使用多元线性回归、支持向量机(SVM)、及BP神经网络3种方法对渭河进行定量遥感水质反演。实验结果表明,通过遥感影像对渭河进行定量水质反演是可行的,大气校正在一定程度上提高了定量遥感水质的精度。对于SPOT-5遥感影像的大气校正,采取对遥感数据辐射定标后消除各波段最暗像元的方法可以达到较好的效果。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

基于知识和遥感图像的神经网络水质反演模型

为进一步提高遥感图像水质反演的精度，提出了一种基于知识和遥感图像相结合的神经网络水质反演模型。该模型利用遥感图像数据以及与水质相关的知识数据作为BP神经网络的输入，经训练后，确定神经网络的结构，在训练好的BP神经网络基础之上对水质进行反演。以中国太湖为例进行实证研究，实验中，使用的知识数据包括太湖的地理信息知识和先对太湖TM图像上的水域解译进而对水质进行分类的知识。实验结果表明，本文提出的水质反演模型较常规的线性回归模型和传统的神经网络模型有更高的反演精度。     

基于GA-LSSVR的渭河水质参数遥感反演研究

针对渭河水质参数遥感反演这一典型的非线性、小样本回归估计问题,引入最小二乘支持向量回归（LSSVR）方法来解决,它将SVR中的二次规划问题转化为线性方程组求解,在保证精度的同时极大地降低了计算复杂性,加快了求解速度;针对其参数难以选择的问题,利用遗传算法(GA)来优选模型参数。采用提出的方法对标准数据集进行了实验,并建模对渭河的4种水质参数CODmn(高锰酸盐指数)、NH₃-N(氨氮)、 DO(溶解氧)、COD(化学需氧量)进行了遥感反演,结果表明GA-LSSVR模型可用于解决复杂的回归问题并具有较好的预测性能。     

Sentinel-2/MSI深度学习超分辨率重建及河湖水质遥感反演

针对Sentinel-2影像低空间分辨率(20 m、60 m)波段混合像元会降低内陆河湖水质反演精度的问题,提出了一种通过深度学习超分辨率重建进行水质反演的方法。首先,引入残差神经网络超分辨率重建算法,结合迁移学习方法与卷积注意模块对该算法进行改进,通过对比评估其他算法的重建精度,发现改进算法主客观评价均为最佳。接着,以上海市内陆河湖为研究区域,使用改进算法对低分辨率波段重建至10 m,结合实测水质参数及影像重建前后的光谱特征波段,利用多种回归算法构建水质反演模型进行对比。结果表明：深度学习超分辨率重建模型可有效提升水质参数的遥感反演精度;深度神经网络模型精度较高(R²>0.67),可实现更精细化制图。     

基于BP神经网络的渭河水质评价方法

讨论了BP神经网络模型的特性和建模条件,并给出建立合理BP神经网络模型的基本原则和步骤.针时实际水质评价问题,建立了渭河地面水环境质量综合评价的BP神经网络模型,并与单因子法、主成分分析法进行了分析比较.实验结果表明,BP神经网络可以较好地实现水质综合评价,且具有较高的实用性和客观性.     

基于Landsat 8与实测数据的水质参数反演研究

目前遥感技术已成为监测水质参数的重要手段,精度更高的水质参数反演模型是当前水质监测的重点。但由于水环境的复杂性、遥感数据的局限性等多重原因,水质参数遥感反演精度有限,且多集中于水色水质参数反演。为了得到精度更高的水质参数反演模型,以天津市海河下游段为研究区,对Landsat 8 OLI遥感影像进行大气校正、辐射定标等预处理,通过实验室理化分析测定水体的总磷、氮氨、总氮浓度及电导率,建立实测水质参数与Landsat 8 OLI遥感影像数据的统计回归模型及神经网络模型,采用决定系数(R~2)、平均绝对误差(MAE)、均方根误差(RMSE)进行精度检验,神经网络模型反演结果 R~2均大于0.85,MAE分别为0.019、0.09、0.242、0.411,RMSE分别为0.024、0.118、0.286、0.562,反演精度较好。结果表明:基于神经网络建立的水质参数反演模型精度较高。     

基于灰色新陈代谢神经网络的管网末梢水质预测模型研究

针对管网末梢水质环境存在信息不确定、非线性的情况,本文结合灰色预测＂贫信息＂及BP神经网络非线性拟合强的优点,提出了灰色新陈代谢神经网络预测模型。该模型采用灰色新陈代谢GM（1,1）模型对BP网络的输入样本进行预处理,解决了BP网络需要大量学习样本的局限。仿真结果表明,与灰色新陈代谢、BP神经网络相比,灰色新陈代谢神经网络预测精度更高。     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.     

基于灰色G(1,1)和小波神经网络的预测模型及应用

将灰色系统、小波分析和三层BP神经网络各自优点集于一身建立了基于灰色G(1,1)和小波神经网络的预测模型,大幅度提高了模型的预测精度和可靠性。选用我国自1994年至2006年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,将拟合值做小波神经网络的输入进行二次拟合和预测。实验结果及仿真验证表明,本文模型预测效果远优于单一的灰色模型预测。     

基于粒子群优化的灰色神经网络组合预测模型研究

灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型(PSO-GMNN)。仿真实验结果表明,新预测模型的预测精度高于BP神经网络、灰色神经网络和灰色预测模型,同时也表明了该方法的有效性和可行性。     

基于灰色神经网络的航线客流量预测

准确预测航线客流量对于航空公司制定航线销售政策有着重要的作用。现有研究中鲜见考虑民航旅客出行的随机性、客流量表现出的非线性特征以及对航线客流量影响因素的分析。针对以上问题,提出一种基于灰色神经网络的航线客流量预测模型。该模型运用灰色理论弱化数据序列的随机性,再结合非线性处理能力较强的BP神经网络,构建基于灰色神经网络的航线客流量预测模型。同时验证了平均折扣率对航线客流量的影响。实验结果表明,相比于灰色GM(1,2)模型、BP神经网络模型,灰色神经网络模型具有更高的航线客流量预测精度和更强的稳定性。     

矿井提升机钢丝绳张力不平衡预测

在阐述了多绳摩擦提升机钢丝绳张力不平衡的危害问题的严重性后,使用Matlab建立新陈代谢模型、BP模型和灰色BP神经网络模型根据200组实测数据,分别对钢丝绳间张力不平衡最大百分值进行预测.通过对预测结果对比,确定灰色BP神经网络预测方式效果较好.2011.07.11     

基于GWO-BP方法的加速度计动态模型研究

针对高g值加速度计动态模型问题,基于Hopkinson杆的校准系统所测的输入输出数据建立系统模型,提出了GWO-BP神经网络动态建模方法。利用灰狼种群算法优化BP神经网络建立的加速度计动态模型,对模拟输入输出信号进行仿真。最后,利用Hopkinson杆标定系统对加速度计的输入输出进行实测。结果表明,相比于BP神经网络算法,该算法经过优化改进后,求解精度提高了43.6%,证明了该方法的可行性。     

灰色神经网络在粮食产量预测中的应用

研究粮食准确预测优化问题,粮食产量受到多种因素影响,同时具有复杂的非线性和随机性特点,传统单一模型难准确对其变化规律进行准确描述,预测精度较低。为提高粮食产量预测精度,提出一种将灰色理论和BP神经网络相结合的粮食产量预测模型。首先采用灰色GM(1,1)预测模型动态预测粮食产量变化趋势,然后运用BP神经网络对灰色GM(1,1)模型预测结果进行修正,以提高粮食产量预测精度。采用1978-2008年我国粮食产量数据对预测模型性能进行仿真测试,仿真结果表明,组合预测模型提高了粮食产量的预测精度,更能描述粮食产量变化规律,为粮食产量准确预测提供了一种有效研究方法。     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。