神经网络方法在地表高程预测中的应用研究

从地表高程预测的研究现状出发,基于Matlab神经网络工具箱构建了广义回归神经网络(GRNN),建立了能够预测地表高程的神经网络预测模型,并与反距离加权法(IDW)的预测结果进行了比较分析。结果表明,GRNN方法计算简单,在相同的样本数据条件下,GRNN的预测精度较高,表明神经网络方法在地表高程预测中的应用是可行的。     

基于粗糙集-神经网络的矿山地质环境影响评价模型及应用

采用衡山白果地区石膏矿山的11个评价指标,综合运用粗糙集和神经网络理论,构建了基于粗糙集-神经网络(RS-ANN)的矿山地质环境影响评价模型,对RSES软件约简的数据和无约简的数据采用EasyNN-plus软件进行预测评价。神经网络模型的输入属性为8个,而粗糙集-神经网络模型的输入属性为6个,训练样本均为13个,预测样本均为4个,前者的平均预测精度为1.85%～24.86%,后者为1.23%～15.28%。研究发现,粗糙集在保留关键信息的前提下可有效地对数据表进行约简,约简后的神经网络预测结果与实际情况吻合,并比无约简时总体精度有较大幅度提高。     

基于混沌理论和模糊控制理论的深基坑变形预测研究

深基坑开挖引起的基坑侧移、基底隆起、坡顶沉降、相邻建筑物倾斜等的各种变形直接影响着建筑现场施工人员的生命财产安全,以及其周围建筑物、构筑物的安危.随着城市地下交通运输网和高层建筑物的大量兴建,使得城市建筑密集地区的大型深基坑工程越来越多,因此对其变形的监测与预报等相关课题的研究受到越来越多的重视.     

聚驱采出水对蚕豆根尖细胞的遗传毒性分析

为探索聚合物驱采出水对生物体的遗传毒性,从而对油田聚合物驱采出水的污染程度进行判定,从2007年2月到2009年12月,采集油田聚合物区块联合站的来水、一沉水、二沉水、外输水、杀菌水的水样,用双蒸水稀释至100%(母液)、75%、50%、25%,以0.5%的甲基磺酸乙酯(Ethyl Methane Sulfonate,EMS)溶液为阳性对照,双蒸水为阴性对照,利用蚕豆根尖细胞微核技术,对聚合物驱油采出水的遗传毒性进行跟踪分析.结果表明,大庆油田某聚驱采油区块的采出水,100%(母液)污染指数为3.9～5.1,75%的稀释液污染指数为3.6～5.4,50%稀释液污染指数为2.5～4.7,25%稀释液污染指数为2.2～3.9.聚驱采出水普遍具有中度到重度的遗传毒性效应,对油田周边环境构成较严重威胁.     

基于人工蜂群算法与BP神经网络的水质评价模型

针对BP网络水质评价模型的不足,引入人工蜂群(ABC)算法,将求解BP神经网络各层权值、阀值的过程转化为蜜蜂寻找最佳蜜源的过程,提出了一种新的结合人工蜂群算法的BP网络水质评价方法(ABC-BP)。并以2000—2006年渭河监测断面的10组实测数据作为测试样本对其水质进行了评价,实验结果表明该方法得到的水质评价结果准确,并具有很强的稳定性和鲁棒性。     

火电厂干灰湿排系统结垢影响因素与结垢预测的人工神经网络方…

通过对几个电厂灰水试验研究，导出了干灰湿排灰水系统结垢主要影响因素，本文以试验研究为基础，提出了联合梯度算法，首次用人工神经网络方法对灰管结垢预测进行了探讨，为水质预测提供了一条新途径。     

煤体注水湿润半径预测的神经网络模型

合理的注水半径一直是煤体注水防尘技术中难以确定的参数。笔者基于对影响煤体注水半径因素的分析和神经网络理论的原理之上 ,设计网络模型为 3层 ,输入层为 7个节点 ,应用BP网络算法 ,建立了煤体注水湿润半径的预测模型 ,并对其参数进行了讨论。然后 ,用平顶山矿务局和水城矿务局 13个矿 19个回采工作面的统计资料对BP网络进行自适应学习 ,并取η =0 .9,α =0 .82 ,控制网络总误差E≤ 10 6。经过 2 12 34次迭代后 ,网络趋于稳定。用训练好的网络对平顶山矿务局的某矿的 3层煤的注水湿润半径进行预测 ,预测结果与实测值很接近。其误差分别为 0 .5 %,0 .6 %和 0 .7%。     

提高交通安全——实现智能汽车的研究

主要介绍了通过智能汽车的研究 ,提高城市交通安全的必要性 ;综述了发达国家关于智能汽车研究的现状与趋势 ,并通过国外智能汽车发展的趋势 ;进一步论证智能汽车的研究是汽车工业发展的方向 ,也是提高交通安全的重要手段之一。此外 ,论文提出利用模式识别技术的智能汽车的结构框架 ;指出神经网络方法应用与模式识别技术结合的优势。最后 ,论文在阐述我国需要发展智能汽车的同时 ,提出应结合中国国情相应研究相关理论 ,为今后的实施奠定基础的近期目标 ,并提出展望     

两种定性天气预报模型的对比分析

以南京１９６５～１９９４ 年４ 月平均气温作为预报量, 选取前期５００ ｈ Ｐａ 月平均高度场相关因子, 分别建立了事件概率回归预报模型和神经网络预报模型。通过对比分析发现, 在同等条件下,由于神经网络方法能更好地反映预报量与预报因子间的非线性关系, 并能有效避免采用事件概率回归方法预报建模时, 对预报因子分级造成信息损失的缺点。因此, 其拟合和预报效果明显优于传统的概率回归预报方法