用TM图象估算海表面叶绿素浓度的神经网络模型

叶绿素浓度是衡量海洋水体质量的重要参数之一。本文以大连湾为示范区于1999年5月10日进行了现场卫星同步实验，采用神经网络模型技术模拟了TM1、TM2两个波段的辐射亮度值与在该湾海域现场获得的叶绿素浓度数据之间的传递机理。结果表明，使用TM图象的两人可见光波段作为输入，采用两层神经网络结构能建立比多回归分析更高的海水表层叶绿素浓度模型。回归分析的相关系数为0.49，神经网络分析的相关系数为0.87.     

IPSO-BP神经网络在渭河天水段水质评价中的应用

水质评价是进行水环境容量计算和实施水污染控制规划的重要基础,能为改善河流水资源污染程度,保护河流水资源提供方向性、原则性的方案和依据。文章通过改进的PSO算法优化BP神经网络的权值和阈值,获得最优权值和阈值后建立IPSO-BP神经网络水质评价模型,针对关中-天水经济区中天水段地表水质,利用2003-2009年渭河天水段4个控制断面的监测数据,选取BOD5、DO、氨氮、总磷、高锰酸盐指数5个指标进行综合评价,并分析了污染现状及时空变化规律。结果表明,改进的PSO-BP神经网络泛化能力强,评价更客观;7年间水质有一定程度的改善,但总体变化不大,水质类别主要为Ⅱ类和Ⅲ类,其中北道桥断面污染最为严重。研究旨在有效控制渭河流域天水段污染,为渭河水资源的保护提供科学依据。     

基于多元统计分析和RBFNNs的水质评价方法

提出了一种基于多元统计分析和RBFNNs的水质评价方法,其可适用于大尺度、多断面、长时间的水质评价工作,旨在补充以往相关研究工作.其主要程序为:利用方差分析对各断面多年水质监测样本进行时间与空间尺度上的显著差异性分析,识别出具有显著差异的样本,然后通过层次聚类分析把上述样本进行聚类分组,最后应用径向基神经网络对各组样本进行水质评价,并把此评价结果再分解到各断面各时段,此方法的特点为在不损失信息的前提下能大大减轻水质评价工作量,且客观可信、分辨率高,并能综合反映总体与个别特征.以辽宁省太子河为例,通过方差分析将2001～2003年6个断面的144个样本归纳为存在显著差异的74个样本,再通过聚类分析得到9个相似组,相应的水质评价结果为2.7394、4.4306、4.0994、2.777、4.2192、4.1214、4.4129、4.4259、4.4359,与传统单项指数法的结果基本一致.具体落实到各断面,结果表明,2001～2003 年间太子河大部分断面的水质处于Ⅳ类以上.     

基于机器视觉和深度学习的自动驾驶方法研究

随着深度学习算法的不断提升,其在机器视觉和地图导航等领域均取得了较为丰硕的成果.面对传统方法无法解决或效果不好的问题,深度学习可以通过其强大的特征学习、掌握问题的规律达到较为理想的效果.以此为基础,本文针对计算机视觉的自动驾驶中的环境目标及运动轨迹识别问题,调研了深度学习在自动驾驶领域的发展状况,构建了SceneNet...     

基于DE-BPNN模型的含腐蚀缺陷管道失效压力预测

为提升含腐蚀缺陷管道失效压力预测精度,准确把控管道状态,建立基于DE-BPNN的含腐蚀缺陷管道失效压力预测模型,有效避免BPNN模型陷入局部最优问题,提升预测精度.基于61组管道爆破实验数据,分别用DE-BPNN与BPNN模型进行仿真计算.结果表明:DE-BPNN预测结果平均相对误差为3.26％,R2为0.98585,...     

神经网络模型在黄河水质预报中的应用分析

为提高黄河水质预测的精度和实用性,引入神经网络技术建立黄河水质预测模型,采用LM(Levenberg-Marquardt)算法提高预测精度,并将模型应用于黄河小花段(小浪底-花园口段)的水质预测.预测结果表明,在建立黄河入河污染物和功能区水质的输入响应关系模型的实际应用中,神经网络模型和LM算法可以取得较好的预测效果.     

BP神经网络改进算法预测水质浓度的应用

探讨了黄河兰州段地表水水质浓度预测的BP神经网络法，建立了一种动态的、及时的、超前的BP神经网络预测模型。并在标准算法的基础上用2种改进算法同时进行比较。结果表明，改进的BP算法在水质浓度预测中更能胜任，时间短、准确度高。     

基于随机森林与神经网络的高光谱土壤重金属Zn含量反演

在河北省保定市白洋淀区域采集115个土壤样品进行重金属含量分析和室内光谱测量,分别将BP神经网络、随机森林、决策树、多元线性回归、K近邻回归、AdaBoost回归和偏最小二乘回归法应用于全部原始波谱数据和基于双层随机森林选择后的波段数据。结果表明,基于原始波谱数据的土壤重金属Zn元素含量的反演模型精度较低,而通过双层随机森林选择出光谱数据中与土壤重金属Zn信息相关的波段,减轻了网络模型的过拟合问题,提高了模型预测精度;与其他模型比较,结合双层随机森林和BP神经网络构建的反演模型对研究区土壤重金属Zn含量预测效果最佳。     

基于神经网络的黄草坝古滑坡稳定性评价

根据神经网络的基本原理,结合35个实际滑坡工程实例,分别采用RBF神经网络和BP神经网络建立滑坡稳定性评价模型,利用MATLAB编程求解,并对比了两种模型的计算结果,表明采用RBF网络模型计算出的结果精度高、误差小,更适合于对滑坡的稳定性评价;同时,运用RBF网络模型计算了黄草坝古滑坡的稳定性系数,对其稳定性进行了预测,以验证该方法的有效性。     

多元线性回归和Bp神经网络预测水资源承载力--以济南市为例

水资源承载力的预测对发展地区经济具有重要意义，利用主成分分析方法对济南市水资源承载力变化的驱动力进行了分析，人口和GDP是影响水资源承载力变化的最主要的驱动因素。通过水资源承载变化驱动因子的多元线性回归模型和人工神经网络模型，分别预测出2010年和2020年济南市水资源的需求状况，并探讨了将线性和非线性相结合的方法用于水资源预测。