遗传神经网络在烈度评估中的研究与应用

准确判定极震区烈度是震后应急工作高效开展的重要基础。收集1966—2017年发生在中国大陆地区M_S 5.0以上有详细烈度记录的地震事件322例，选取与极震区烈度有关的7个因子进行主成分分析，将提取的主成分确定为BP神经网络的输入，极震区烈度为输出，在遗传算法优化的基础上，构建用于极震区烈度预测的BP神经网络模型。结果显示，与传统模型相比，神经网络模型在预测误差分布、精度和预测结果正确率等方面都具有明显的优越性。     

BP神经网络算法考虑激活函数后对强震路基塌陷变形预测研究

当前强震后铁路路基变形预测中,相关算法未能考虑激活函数的非线性属性,造成非线性变形特征数据提取不完整,且其特征数据存在偏差,陷入局部最优解。文章提出BP神经网络算法考虑激活函数后对强震路基塌陷变形预测方法,采用双极S因子补偿ReLU非线性激活函数,优化BP神经网络算法,解决非线性路基变形特征数提取问题。利用数据标准化归一方法,对已修正提取的全部变形特征数据进行偏差数据归一,得到路基变形特征数据集合,结合强震后路基变形连接权值计算路基变形预测值,完成强震路基塌陷变形预测。结合实测结果,在matlab下进行预测实验,结果表明所提混合方法可以有效地对水平地震作用下铁路路基塌陷变形程度进行预测,且预测值在误差允许范围内,为铁路的安全运行以及实时维护提供重要依据。     

岩溶地质条件下建筑变形数据的分析与预测

通过对岩溶区与非岩溶区两栋高层A、B塔沉降观测数据的分析,得出:封顶前的建筑变形可以达到最终稳定时累计变形量的80%~83%,大部分地基沉降发生在封顶前的加载过程中;在封顶前随着荷载的增加沉降基本呈线性增长,封顶后荷载不变,沉降缓慢增加,曲线趋于收敛;应用BP神经网络对A塔观测数据进行预测分析,得到了当隐层神经元数为3时预测精度较高;BP神经网络预测模型预测结果曲线相对误差最小值为1%,最大值为2.08%,拟合程度较高,说明该模型的适用性较好。     

基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法

针对如何选取合适的影响因素进行砖木结构房屋地震破坏合理评估的问题,提出了一种基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法,通过灰色关联度模型剔除对砖木结构房屋发生地震破坏影响较小的因素得到关键因子,采用主成分分析法从关键因子中提取主要成分,最后利用BP神经网络模型对处理后的主要成分进行训练,建立砖木结构房屋地震破坏比例预测模型,并利用实际震例进行验证。结果表明：本文方法相较于传统脆弱性曲线拟合方法和BP神经网络模型,其预测的砖木结构房屋地震破坏比例的预测精度更高、普适性更好。     

基于PS-InSAR技术和遗传神经网络算法的矿区地表沉降监测与预计

针对传统雷达干涉测量技术(D-InSAR)易受大气相位延迟和失相关的影响以及传统BP算法依赖于初始权值和阈值问题.本文采用了(PS-InSAR)技术对矿区地表沉降进行了监测,并提出采用遗传算法(GA)对神经网络(BP)算法的初始权值和阈值进行筛选.首先利用PS-InSAR技术获取矿区地表沉降范围和沉降值,然后将其部分结果作为遗传神经网络(GA-BP)算法的训练样本建立预测模型参数.选取宿州市矿区19景Sentinel-1A雷达数据进行实验分析,结果表明,PS-InSAR技术能够很好监测矿区地表沉降,最大沉降速率为45 mm/a.分别取训练样本数为1000、2000、3000和4000利用GA-BP算法对矿区地表沉降进行预测,得到最大残差分别为6.8 mm、0.44 mm、0.36 mm、0.28 mm;均方误差分别为3.85 mm、3.26 mm、2.98 mm、1.61 mm,表明本文提出的GA-BP算法能有效预测矿区地表沉降,并且在训练样本数量较多时预测效果和预测性能较好.     

基于BP神经网络的储层渗透率预测及质量评价方法

储层渗透率预测和评价是油气藏勘探与开发急需突破的瓶颈技术之一,BP神经网络预测储层渗透率的研究在行业中已有一定的应用,但受限于数据规模、参数调整及模型评价方法,该方法预测结果不稳定,且不能准确给出全井段储层的连续渗透率的预测质量,在油田现场并未大规模推广应用.本文针对传统BP神经网络预测储层渗透率方法中存在的问题,在对机器学习的数据处理、参数选择系统考察的基础上,定量分析了不同输入曲线、网络结构、样本大小对渗透率预测模型精度的影响,总结了BP神经网络预测渗透率模型的参数优选方案;并提出了一种基于模型森林的预测曲线质量逐点评价方法,实现了对全井段渗透率预测的质量评价.实际应用表明,本研究提出的储层渗透率预测及质量评价方法与实际岩心渗透率吻合度高,推广应用前景良好.     

非等步长GM(1,1)模型在建筑物变形监测中的应用研究

将灰色系统理论应用于建筑物变形监测数据分析,针对观测周期的不确定性因素,提出使用非等步长GM(1,1)模型进行监测,并用最小二乘法求解模型参数,给出模型精度的检验方法,并以实际的建筑物的沉降观测数据为例说明应用此方法的全部过程,将分析和预测结果与传统GM模型进行比对,获得了更好的拟合数据和预测数据,且精度更高。     

基于RS-PCA-GA-SVM的砂土液化预测方法研究

砂土液化是一种危害性比较大的自然灾害,对砂土液化进行判定预测在地质灾害防治领域中有重要的研究意义。通过粗糙集理论(Rough Set,RS)对影响砂土液化的6个初始评价指标(包括震级、土深、震中距、地下水位、标贯击数和地震持续时间)进行属性约简,去掉冗余或干扰信息,得到基于4个核心预测指标的数据集。通过主成分分析法(Principal Component Analysis,PCA)从核心评价指标中提取出主成分,采用支持向量机(Support Vector Machine,SVM)对数据集进行训练,用遗传算法(Genetic Algorithm,GA)优化参数,建立砂土液化的RS-PCA-GA-SVM预测模型。并结合砂土液化实际数据将预测结果与基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做比较。实例计算表明:基于RS-PCA-GA-SVM模型得到的砂土液化预测结果精度较LM-BP神经网络有很大的提高,判别结果与实际情况比较吻合,可在实际工程中应用。     

基于卷积神经网络的断层预测方法

针对传统相干体属性在预测断层时存在断层假象以及易受噪声影响等缺点,本文提出一种利用卷积神经网络进行断层预测的方法。首先构建适合实际工区断层特征的卷积神经网络模型,然后利用部分分频地震数据和人工解释出的断层标签进行网络模型训练,最后把训练好的模型应用到整个三维地震数据中进行断层预测。实际地震数据预测结果表明基于卷积神经网络断层预测结果与地震数据吻合较好,并且在断层细节刻画上要优于传统地震相干体属性方法。      

基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究

岩石矿物组分含量是地球物理勘探开发中的重点关注对象.在岩心与地层元素测井资料较少的情况下,如何提高矿物组分含量参数的预测精度显得尤为关键.本文采用深度学习方法,利用常规测井曲线对来自于地层元素测井获得的矿物组分含量进行预测.首先基于残差网络(ResNet)框架,利用一维卷积核和池化核构建了卷积神经网络模型.模型采用自然伽马、自然电位、井径、阵列感应电阻率、三孔隙度以及光电吸收截面指数测井参数作为输入,地层元素测井获得的矿物组分含量作为输出.随后对所搭建卷积神经网络进行了训练,建立了输入与输出之间的实际映射关系.最后,利用测试数据集和真实地层资料,对所建立的卷积神经网络进行了精度检验,并与人工神经网络和多元线性回归的评价结果进行了比较.结果显示,卷积神经网络在测试数据集上的总体预测数值相关性为0.90,明显优于人工神经网络的0.68与多元线性回归的0.51.通过处理实际测井资料,进一步验证了该方法的预测优越性和鲁棒性,以及其在地层参数评价方向的良好应用前景．     

New fuzzy neural network–Markov model and application in mid- to long-term runoff forecast

ABSTRACT

In this paper, a mid- to long-term runoff forecast model is developed using an ideal point fuzzy neural network–Markov (NFNN-MKV) hybrid algorithm to improve the forecasting precision. Combining the advantages of the new fuzzy neural network and the Markov prediction model, this model can solve the problem of stationary or volatile strong random processes. Defined error statistics algorithms are used to evaluate the performance of models. A runoff prediction for the Si Quan Reservoir is made by utilizing the modelling method and the historical runoff data, with a comprehensive consideration of various runoff-impacting factors such as rainfall. Compared with the traditional fuzzy neural networks and Markov prediction models, the results show that the NFNN-MKV hybrid algorithm has good performance in faster convergence, better forecasting accuracy and significant improvement of neural network generalization. The absolute percentage error of the NFNN-MKV hybrid algorithm is less than 7.0%, MSE is less than 3.9, and qualification rate reaches 100%. For further comparison of the proposed model, the NFNN-MKV model is employed to estimate (training and testing for 120-month-ahead prediction) and predict river discharge for 156 months at Weijiabao on the Weihe River in China. Comparisons among the results of the NFNN-MKV model, the WNN model and the SVR model indicate that the NFNN-MKV model is able to significantly increase prediction accuracy.

Editor D. Koutsoyiannis; Associate editor Y. Gyasi-Agyei     

基于改进的BP神经网络构建区域精密对流层延迟模型

利用神经网络算法挖掘海量数据的规律已成为科技发展的一种趋势,本文针对卫星信号的天顶对流层延迟进行建模.对流层延迟是影响卫星定位精度的重要因素之一,建立精密区域对流层模型对高精度定位有着重要的意义.对区域测站对流层延迟数据的分析,考虑到实时建模中传统BP（Back Propagation）神经网络计算量大,易出现"过拟合"现象、不稳定等因素,通过改进的BP神经网络建立了区域精密对流层模型.详细介绍了新模型的建立过程,并与常用的对流层区域实时模型进行了对比.还讨论了建模测站数目对预报精度的影响.相比现有的其他对流层延迟模型,基于改进的BP神经网络构建的区域精密对流层延迟模型无论在拟合和预报方面都有较好的精度,且随着测站数目的增加模型精度趋于平稳.改进的模型参数较少,可以进行实时的区域精密对流层延迟改正;需要播发的信息量小,适用于连续运行参考站系统（Continuously Operating Reference Stations,CORS）的应用.研究表明：改进的BP神经网络模型能够更好的充分利用大规模历史数据描述卫星信号对流层延迟的空间分布情况,适用于实时大区域精密对流层建模.基于日本地区2005年近1000多个测站的NCAR（National Center Atmospheric Research）对流层数据进行区域对流层延迟建模,结果表明改进的BP神经网络模型在拟合和预报精度上都有较大提升,RMSE（Root Mean Square Error）分别为：7.83 mm和8.52 mm,而四参数模型拟合、预报RMSE分别18.03 mm和16.60 mm.     

粗集神经网络在建筑物震害预测中的应用

将粗糙粗集理论和神经网络原理结合起来,建立了基于粗集-神经网络的建筑物震害预测模型.首先运用粗糙集理论,根据原始样本建立决策表进行属性离散化、属性重要性排序、属性约简和分类规则的提取;然后将所提取的关键成分作为神经网络的输入练模型.实例研究表明,基于粗集-神经网络的多层砖房震害预测结果与实际震害基本吻合.该模型简化了神经网络结构,提高了训练速度和分类精度,还能对各因素对房屋震害的影响度进行分析.     

基于遗传神经网络的大地电磁反演

为进一步提高大地电磁非线性反演的稳定性、运算效率及准确度,将遗传神经网络算法引入大地电磁反演.首先针对大地电磁二维地电模型建立BP（Back Propagation）神经网络基本框架进行学习训练,网络输入为已知地电模型的视电阻率参数,输出为该地电模型参数;再利用遗传算法对神经网络学习训练过程进行优化,计算出多种地电模型网络连接权值和阈值的最优解;最后将最优连接权值和阈值对未知模型进行反演测试,网络输入为未知地电模型的视电阻率参数,输出为该地电模型参数.模型实验表明：遗传神经网络算法充分结合了遗传算法的全局寻优性和神经网络的局部寻优性,相比单一神经网络算法,在网络学习训练中提高了解的收敛成功率和计算速度,在反演测试中能更准确地逼近真实模型.将遗传神经网络算法与最小二乘正则化反演进行对比,理论模型和实测数据都验证了遗传神经网络算法在大地电磁反演中的可行性和有效性.     

基于粒子群优化最小二乘向量机的地震预测模型

为解决地震预测中最小二乘向量机(LSSVM)模型的参数难以确定的问题,利用粒子群算法(PSO)的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,建立了PSO-LSSVM地震预测模型.通过对地震实例的预测仿真及其相关分析表明该方法的有效性.该方法优于传统的神经网络和支持向量机的地震预测方法,可以有效提高预测效能.     

神经网络方法在地震预报研究中的初步应用

本文把神经网络方法引进地震预报研究当中。使用地震频次，最大震级，平均震级，等价地震次数等多项地震活动性指标作为神经网络的输入，未来时段内的最大地震震级作为其输出，可以对某一固定地区的最大地震震级作出中近期预报。选用的神经网络模型为含两个中间层的前向模型，并采用ＢＰ算法。所得结果表明，用神经网络方法可以在一定精度范围内使震级预报的内检符合率达到１００％，在本文的例子中，外推预报准确率达到６０％以上。     

一种基于神经网络的探地雷达信号解释研究

运用人工神经网络理论和方法,建立了用于隧道衬砌厚度探地雷达探测信号解释的BP神经网络模型,对某公路隧道衬砌检测厚度进行了分析应用,并与钻孔取芯结果进行比较,实践证明,该方法可提高探地雷达信号解释精度和工作效率．     

A comparative study of extensive machine learning models for predicting long-term monthly rainfall with an ensemble of climatic and meteorological predictors

Rainfall prediction is of vital importance in water resources management. Accurate long-term rainfall prediction remains an open and challenging problem. Machine learning techniques, as an increasingly popular approach, provide an attractive alternative to traditional methods. The main objective of this study was to improve the prediction accuracy of machine learning-based methods for monthly rainfall, and to improve the understanding of the role of large-scale climatic variables and local meteorological variables in rainfall prediction. One regression model autoregressive integrated moving average model (ARIMA) and five state-of-the-art machine learning algorithms, including artificial neural networks, support vector machine, random forest (RF), gradient boosting regression, and dual-stage attention-based recurrent neural network, were implemented for monthly rainfall prediction over 25 stations in the East China region. The results showed that the ML models outperformed ARIMA model, and RF relatively outperformed other models. Local meteorological variables, humidity, and sunshine duration, were the most important predictors in improving prediction accuracy. 4-month lagged Western North Pacific Monsoon had higher importance than other large-scale climatic variables. The overall output of rainfall prediction was scalable and could be readily generalized to other regions.