基于BP神经网络的温榆河水质参数反演模型研究

为进一步提高内陆水体水质参数遥感反演的准确性,北京市温榆河被选为研究对象,研究选取ETM＋数据和准同步实测水质指标（浊度、BOD;）数据,建立了多个隐含层数目为1的BP神经网络模型,并选出分别针对浊度和BOD5的最佳神经网络模型,利用ETM＋影像的波段组合值反演了浊度和BOD,浓度值。最后将其反演结果与常规多元线性回归模型的反演结果进行精度比较。结果表明：温榆河的水质参数遥感反演为非线性问题,使用BP神经网络方法进行浊度与BOD,两种水质参数反演的结果优于线性回归方法的反演结果。     

基于Kalman-PNN协同融合的悬移质含沙量测量

针对悬移质含沙量在线测量易受环境因素干扰的问题,通过分析卡尔曼滤波(Kalman filter)特性与概率神经网络(PNN)数据融合特点,提出基于卡尔曼滤波和概率神经网络(Kalman-PNN)的协同融合模型。首先应用卡尔曼滤波器对含沙量传感器输出值进行无偏估计,减少含沙量传感器的噪声干扰;然后将含沙量信息和水温、深度、流速等环境信息进行多源数据融合处理,进一步消除环境因素对含沙量测量的影响;最后经过Kalman-PNN协同融合处理,得到更加精确的含沙量实测值。为了验证Kalman-PNN协同融合模型的数据处理效果,在相同试验条件下进行了一元线性回归(ULR)模型、多元线性回归(MLR)模型、PNN模型与BP神经网络模型的含沙量数据处理。通过误差比较分析发现,基于Kalman-PNN协同融合模型的试验数据平均绝对误差仅为11.72 kg/m~3,而一元线性回归模型、多元线性回归模型、PNN模型与BP神经网络模型的分别为103.12、56.02、12.47、49.81 kg/m~3。试验结果表明,基于Kalman-PNN的协同融合模型对含沙量测量精度的提升具有积极作用。     

PSO-BP模型在引水隧洞初始应力反演计算中的应用

本文应用PSO-BP模型对辽宁某引水隧洞初始应力计算求解进行优化,并结合原位应力观测数据,对其应力反演计算结果进行精度分析。结果表明:PSO-BP模型可实现连续介质应力的优化计算,相比于多元线性回归、多元非线性回归以及BP神经网络等常用模型,其优化求解精度更高,能够实现引水隧洞工程设计应力反演的快速、准确计算。     

基于神经网络的宽浅型湖泊水质反演研究

城市浅型湖泊治理是城市生态文明建设的重要组成部分。通过对黄石磁湖的IKONOS遥感影像进行预处理,建立了水质参数与卫星波段的多元线性回归模型、BP神经网络模型和RBF神经网络模型。通过比较不同模型的结果,运用可靠模型对整个湖体的COD、NH3-N、TN、TP指标进行反演。结果表明,神经网络模型对于磁湖水质指标的反演结果显著优于多元线性回归模型,其中BP神经网络模型对NH3-N、TP的模拟效果好,RBF神经网络模型对COD、TN的模拟效果较好。     

BP神经网络模型应用于大坝原型观测研究

针对传统的多元线性回归方法的不足,提出将BP神经网络模型应用于大坝原型观测数据处理。并介绍了BP神经网络模型的结构和算法,以及训练样本的归一化处理方法;将BP模型应用于黑河金盆水库大坝原型观测,结果表明,其模拟和预测效果均优于多元线性回归模型。     

入库流量中长期预报中几种方法的对比

对回归分析法、BP神经网络、RBF神经网络以及灰色GM(1,1)模型用于水文预报的精度进行了对比研究。结果表明:①BP神经网络与RBF神经网络对实测数据有着较好的逼近能力,且预报精度明显优于其他预报方法;②多元线性回归分析对实测数据的模拟能力和预报精度次于神经网络;③灰色模型对随机现象的模拟和预报很难达到精度要求,其水文预报精度不很理想。     

大坝变形的多步预测模型研究

根据大坝变形时间序列分别建立多元线性回归、稳健回归和改进的BP神经网络预测模型,并进行了单步和多步预测研究。结果表明:3种模型对历史样本具有很好的拟和效果;在预测中,稳健回归、多元线性回归模型在单步预测中预测精度较高,而改进的BP神经网络模型在多步预测中预测精度较高,抗干扰性强,适合预见期较长的坝体变形预测。     

多元线性回归与BP神经网络模型在次洪量预测中的对比研究

针对半干旱地区次洪量预测问题,选取岔巴沟流域曹坪水文站1980-2010年中15场洪水资料,根据实测次暴雨、洪量资料,考虑淤地坝控制面积、次暴雨量、暴雨中心位置、前期影响雨量等因子,利用SPSS及MATLAB软件,建立用以预测次洪量的多元线性回归模型和BP神经网络模型。模型预测结果比较表明:多元线性回归模型和BP神经网络模型都能较好地应用于次洪量的预测,进一步得出BP神经网络模型的预测效果优于多元线性回归模型。研究结果可为淤地坝的安全度汛提供决策依据。     

基于偏差校正和三重组合分析的主、被动微波土壤湿度数据融合

为了提高微波遥感土壤湿度产品在中国地区的精度,将多种主、被动微波土壤湿度产品进行融合。选取中国陆面数据同化系统(CLDAS)表层土壤湿度数据为参考进行偏差校正,通过对模型数据和主、被动微波遥感土壤湿度数据(ASCAT-A/B,AMSR2,SMOS微波土壤湿度产品)进行皮尔逊相关性分析和三重组合(triple collocation,TC)分析,计算主、被动微波土壤湿度数据的误差,在此基础上计算权重并采用加权平均方法实现微波遥感土壤湿度数据的融合。融合后的土壤湿度数据与ESA-CCI土壤湿度融合产品的平均相关系数为0. 62,前者比后者平均偏小0. 023m~3/m~3;与ERA-Interim土壤湿度再分析数据相比具有良好的相关性;与实测土壤湿度数据相比,融合数据的精度优于ESA-CCI融合产品和CLDAS表层土壤湿度产品,具有更高的相关系数,较低的平均偏差和均方根误差。     

多模型在引水隧洞初始应力场反演计算中的应用对比研究

结合现场观测试验值,对比四种不同模型在辽宁某引水隧洞初始应力场反演计算中的精度。分析结果表明:多元线性、非线性以及基于线性回归的PSO-BP神经网络模型均可对隧洞工程应力分布规律进行较为准确的模拟,其中多元非线性回归模型模拟效果最佳,但在主应力变幅较小的情况下,基于线性回归的PSO-BP神经网络模型在应力方向以及量值模拟精度均好于其他模型。     

基于自适应进化相关向量机的城市需水量预测模型研究

为改进城市需水量预测模型,将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的需水量预测模型。以新疆阿克苏市为例,建立基于自适应进化相关向量机的城市需水量预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度与可靠性方面进行对比分析。结果表明:新模型预测精度大约是上述其他方法的2倍以上;测试数据的实际需水量均在自适应进化相关向量机估计的95%置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于"好"级别。     

基于XGBoost的初始地应力场修正反演法

为解决多元线性回归反演地应力场可能存在的非线性拟合不足问题,引入极端梯度提升（XGBoost）算法构建数学模型,对多元线性回归的反演结果进行修正,获得更加准确的初始地应力场。实际工程应用表明：通过地应力测点的修正反演值和实测值的对比分析,测试集的拟合误差降低约60%,且稳定性高,有效提高了反演结果的精度。     

人工神经网络在黄河下游灌区的应用研究

人工神经网络误差反传前馈网络(BP神经网络)在水科学领域应用最为广泛。运用BP神经网络对黄河下游引黄水量进行了预测，采用1983—1992年资料建立了引水量与降水量、灌溉面积、灌溉定额的多元线性回归模型，对计算的引黄水量进行比较。结果表明，BP法精度明显高于线性回归法。     

滑坡体力学参数反分析研究

除室内试验和现场试验之外,反演分析是一种可以利用现有变形监测数据获取滑坡体等效力学参数的方法.以清江杨家槽滑坡体为例进行研究,提出了将均匀设计、遗传算法与BP神经网络结合起来应用于滑坡体反分析的新方法.先将具有很好全局寻优能力的改进遗传算法作为BP神经网络的学习算法,形成遗传神经网络;然后利用均匀设计方法设计网络学习样本,训练遗传神经网络映射滑坡体变形与滑坡体力学参数的非线性关系;最后将实测位移值作为网络输入,网络输出即为参数的反演值.该方法克服了优化反分析方法反演时间过长,解不易收敛等缺陷,实现了多参数的同时反演.通过对反分析结果进行检验与评价,证明其结果符合实际工程要求.     

黄河内蒙古段开河日期预报模型及应用

对黄河内蒙古段的冰情特点进行分析,选用1970—1971年度至2007—2008年度共38个冬季的冰情资料,提取合适的预报因子,分别采用人工神经网络模型和多元线性回归模型,对黄河内蒙古段的开河日期进行预报。结果表明,神经网络模型和多元线性回归模型预报样本合格率分别为86.7%和80.0%,神经网络模型的预报精度高于多元线性回归模型,更适用于黄河内蒙古段开河日期预报。     

基于BP网络的人工沉床系统水质净化效果研究

人工沉床技术是一种新兴的生物-生态水体原位修复技术,水质净化过程具有非线性与不确定性,传统方法建立的数学模型难以精确模拟。本文以天津市外环河人工沉床实验2007年10月至2008年9月的水质实测数据为基础,建立BP神经网络水质模型,并与多元非线性回归方法进行比较。结果表明:建立的BP人工神经网络模型对不同水质指标拟合的平均相对误差分别为:化学需氧量(CODCr)0.1%,总氮(TN)1%,总磷(TP)0.6%。与多元非线性回归的拟合结果相比,平均相对误差更小,BP神经网络模型更适用于人工沉床系统出水水质的模拟。     

基于MLR-WNN的大坝变形预测

针对大坝变形预测中非平稳非线性的数据处理问题,为克服多元线性回归模型(MLR)在处理非线性数据方面的不足,将小波神经网络模型(WNN)引入到多元线性回归模型里面,提出一种基于多元线性回归和小波神经网络的大坝变形预测模型(MLR-WNN)。首先,针对温度、水位、时效因子和大坝变形实测值,建立多元线性回归模型,再对其产生的误差建立小波神经网络模型进行修正,最后得到大坝变形预测值。经算例验证并与多元回归模型和WNN模型对比分析,结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果。     

基于有限次残差拟合的BP神经网络组合模型

关于BP神经网络的优化,鉴于大多数的思路都集中于提高单个预测器的预测精度,首次提出了基于有限次残差拟合的BP神经网络组合模型。结果显示,在经典BP神经网络适用的情境下,组合模型能够有效提高预测精度,此外,进一步证实其预测精度优于遗传神经网络(GA-BP),且建模效率比GA-BP提高99.2%。     

黄河流域需水量预测的GRNN模型研究

黄河流域工业、农业和生活需水量受多种因素影响,需水量与影响因素之间存在复杂的非线性关系.在分析现有预测模型和方法不足的基础上,介绍了广义回归神经网络的原理和结构,并将GRNN应用于黄河流域需水量的预测.预测结果与遗传BP预测模型接近,表明模型合理正确,可为黄河流域水资源规划管理和优化配置以及调控提供依据,而且相对遗传BP预测模型,广义回归神经网络模型具有网络稳健、训练速度快、易于实现等特点.     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。