地下水动态预测的径向基函数法

地下水系统是一个复杂的随机系统，根据地下水位与其影响因素之间存在的映射关系，建立了一个RBF人工神经网络模型，并将其用于地下水位的动态预测，实例表明，该方法预测精度较高，具有一定的推广价值。     

盾构隧道地面长期沉降的径向基函数网络预测

利用径向基函数网络理论,采用Matlab软件进行编程,对盾构隧道引起的轴线上方地面长期沉降进行预测。在实际操作中,将训练(即拟合)和仿真(即预测)融为一体,使预测结果具有较高的精度。6个算例分析结果表明,径向基函数网络方法可以较好地预测盾构隧道引起的地面长期沉降。     

基于紧支径向基函数的点插值无网格方法

紧支径向基函数能使支配方程中的刚度矩阵具有稀疏性,很适合应用于无网格方法中,其缺点是在插值计算时精度不高.点插值方法的插值函数具有Delta函数性质,可以很方便的施加本质边界条件,但在计算插值函数时矩阵易出现奇异.为了提高计算精度并避免点插值法的局限性,首先对紧支径向基函数进行完备性修正,然后用完备性修正的紧支径向基函数代替多项式来形成插值函数,建立了紧支径向基函数点插值方法.由于该方法中的形函数满足Delta函数性质,因此本质边界条件可以像传统的有限元方法一样很容易施加.然后将该方法用于二维弹性静力问题的求解,导出了其相应的离散方程.最后将该方法应用于一个悬臂梁的分析中,初步验证了该方法的有效性与合理性.     

用径向基函数神经网络模型预报感潮河段洪水位

径向基函数神经网络方法是一类比较优越的前向式多层神经网络,将其应用于感潮河段的洪水位预报。利用K 均值算法和最小二乘法来确定径向基函数神经网络的参数,并给出了具体计算方法。由于该方法比传统的BP算法有较快的收敛速度,使其具有较大的应用价值。基于感潮河段的具体特点,构建了具有若干个时段预见期的径向基函数神经网络模型。该模型应用于沂河的水位预报,结果表明,该模型运算快速、简便,预报精度较高。     

三维初始地应力场反分析的径向基函数法

通过对初始地应力场计算方法的回顾,提出了基于径向基函数的人工神经网络初始地应力场的三维反分析方法。径向基网络的可以避免在反分析过程中出现过拟合现象,从而保证反分析结果更加可靠.此外,该方法综合了目前各种初始地应力场模拟方法的优点,并考虑了多种因素对地应力场分布的影响。实例证明,由作者提出方法所模拟的初始地应力场是合理的,精确度也较高。此外,由于考虑了断层的作用对初始地应力场的影响,可以较好地解释实测地应力值分散的原因。     

径向基人工神经网络法在土壤盐渍化调查中的应用

土壤盐渍化是一个世界性的生态问题，同时也是资源开发和利用问题。对于盐渍化土壤的调查是合理利用土壤的前提条件。文章应用径向基（RBF）人工神经网络，结合多源遥感影像对北方某地区耕地土壤盐渍化状况进行调查研究，取得了满意的效果。     

用径向基函数配点法求解河渠间地下水问题

本文采用径向基函数配点法建立了河渠间地下水非承压稳定流问题的数值模拟模型。径向基函数配点法的计算结果与形状参数的取值密切相关。将计算所得的近似解与解析解对比产生的误差很小,说明径向基函数配点法是一种既有效又有较高精度的求解方法。     

集对分析径向基函数神经网络预测模型

将集对分析与径向基函数神经网络结合,提出了集对分析径向基函数神经网络预测模型。模型思路是将研究对象t-1时和t时的影响因子集构造为集对并计算联系度,由联系度的同一度、差异度、对立度及研究对象t-1时的值为输入,研究对象t时的值为输出,构建径向基函数神经网络。以年径流预测为例研究表明,模型结构清晰、步骤明确、预测精度较高,为集对分析应用于水文预测提供了新思路。     

径向基函数神经网络需水预测研究

在分析山西省历年用水量和人均用水量的基础上，建立径向基函数神经网络需水预测模型，采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。采用丰富的需水预测因子作为模型的输入，网络输出需水预测值。预测结果表明，径向基函数神经网络需水预测模型运算速度快，有较高的预测精度。需水预测可为水资源规划和配置提供依据。     

Stacking集成策略下的径向基函数曲面复杂矿体三维建模方法

建立三维矿体模型是数字矿山、智慧矿山的基础.针对经典径向基函数曲面重建算法在原始数据稀疏时出现曲面边界自拟合及模型不连续现象,提出了一种集成多种机器学习模型的径向基函数曲面复杂矿体三维建模方法.该方法利用Stacking模型学习矿体轮廓线离散化点云数据的分布特征,建立表征矿体模型几何信息的有向点集;在此基础上提取边界点及法向量,通过Hermite型径向基函数建立隐式场,最后基于行进四面体算法建立三维矿体模型.与轮廓线拼接法、经典径向基函数曲面重建算法、简单克里金插值法相比,该方法能够有效减少曲面边界自拟合现象,减少模型多余孔洞,提高模型的连续性;建立的模型所切轮廓线与原始轮廓线相似度达75.14%,与人工干预程度较高的显式模型相当;在体积表征上与显式模型的差距达到最低.     

用人工神经网络进行空间不完备数据的插补

在地学研究中,特别是区域性资料处理过程中,常常遇到“不完备数据”的问题,即所谓的“数据不全”。在尽量减小估计误差的条件下对缺失数据进行预测或插补,对于充分利用历史资料和已知信息,提高预测质量具有重要意义。利用径向基人工神经网络(RBF)同时具有自组织神经网络和回归网络的优点,可以对缺失数据进行预测。实际区域地球化学数据处理的结果表明,RBF网络对空间不完备数据的建模和预测具有优异的效果。     

考虑块段效应的RBF神经网络在土壤空间插值中的应用

定义了土壤变异中的块段效应,提出了考虑块段效应的RBF神经网络空间插值模型(RBFBE法),以期提高土壤水分和养分的插值精度;并以江苏省扬州市区北部某试区为例,通过A、B两种训练方案,将RBFBE法对土壤含水率与有机质含量的插值结果与常规的RBF神经网络(RBFANN法)空间插值结果及普通克里金法(OK法)插值结果进行了对比分析。结果表明:与OK法相比,RBFBE法能使土壤特性的均方误差M_se缩小19.0%~62.2%,预测吻合度G提高8.9%~28.8%;与输入信息相同的RBFANN法相比,RBFBE法亦能使土壤特性的均方误差M_se缩小10.0%~48.8%,预测吻合度G提高3.4%~22.0%;此外,研究也表明RBFBE法具有较强的泛化能力。考虑块段效应的RBF神经网络方法有利于拓展人工神经网络方法在土壤特性空间插值中的应用范围,具有一定的应用前景。     

基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用

岩爆发生机制复杂,影响因素较多,通过粗糙集理论中的属性约简和条件属性重要性评价,确定特定地质条件下岩爆的主要影响因素,删除冗余数据。使用遗传算法(GA)优化径向基函数（radial basis function,简称RBF）神经网络参数,通过RBF神经网络隐层单元将低维模式输入变换到高维空间内,拟合影响因子和岩爆等级之间的非线性映射关系,建立基于粗糙集理论的遗传-RBF神经网络岩爆预测模型,目前未见其在地下洞室岩爆预测中应用。在根据工程实际情况选取多个理论判据的基础上,将建立的预测模型应用于实际工程的岩爆预测问题,并与实际岩爆发生情况进行对比分析。结果证明,该方法的评价结果与实际情况较为吻合,对后期施工有较好的指导作用。     

SOM-RBF神经网络模型在地下水位预测中的应用

利用自组织映射(SOM)聚类模型优化径向基函数神经网络(RBFN)隐层节点的方法,减小了RBFN由于自身结构问题在地下水水位预测中产生的误差。采用SOM对已有样本进行聚类,利用聚类后的二维分布图确定隐层节点的数目,并根据聚类结果计算径向基函数的宽度,确定径向基函数的中心,由此建立SOM-RBFN模型。以吉林市丰满区二道乡为例,采用2000—2009年观测的地下水位动态资料,利用SOM-RBFN模型对地下水位进行预测,验证其准确性,并分别以5、7、10a的地下水位动态数据为研究样本建立模型,考查样本数量对预测结果的影响。研究结果表明:SOM-RBFN模型预测地下水水位过程中,均方根误差(RMSE)的均值为0.43,有效系数(CE)的均值为0.52,均达到较高标准,因此SOM-RBFN模型可以作为有效而准确的地下水水位预测方法;同时RBF7的RMSE和CE均值分别为0.38和0.68,结果优于RBF5和RBF10,这就意味着在模型计算中样本数量不会直接影响预测结果的精度。     

基于径向基函数的1;5万规则分布重力数据插值参数优选

为了求取1;5万规则分布重力数据的最优插值参数,为数据网格化提供定量插值依据,以理论模型的重力数据为例,采用径向基函数法对插值核函数、搜索邻域等插值参数进行优选,根据标准偏差指标评价不同参数对应的插值结果。研究认为:自然三次样条核函数对应的插值精度最高;R2参数处于第一区间(0~1)时插值稳定且精度高;搜索邻域为椭圆形时插值精度高,优选的插值参数分别为:搜索半径R1=3 km、R2=4.5 km,搜索扇区为4个,搜索角度为32°,各向异性比率为0.667,各向异性角度为32°,从所有扇区使用的最大的数据个数为80个,从每个扇区使用的最大的数据个数为20个,所有扇区的最小数据个数(更少则白化节点)为8个,如果空白扇区多于3个则白化节点。     

RPIM求解点源二维变分问题的最优形状参数

径向基点插值法( RPIM)作为一种高精度的无网格方法,其形函数采用与径向基函数结合的插值方法构造,边界条件可直接加载. 将RPIM用于点源二维变分问题的求解,介绍了RPIM的近似原理;推导了点源二维问题的RPIM总体矩阵表达式,简述了背景网格积分技术,研究了高斯点数目对RPIM计算精度的影响;最后通过数值试验得出了支持域无量纲尺寸α最优选择区间与RPIM形状参数最优值. 研究结果表明:RPIM求解点源二维变分问题具有较好的鲁棒性,α最优区间为1.0~1.2.     

利用自组织特征映射神经网络和K-means聚类算法挖掘区域化探数据中的地质信息

区域化探数据包含丰富的地质信息,从区域化探数据中挖掘出这些信息,对于区域地质研究具有重要意义.笔者提出了一种利用自组织特征映射网络和K-means聚类算法挖掘区域化探数据中地质信息的方法,将标准化之后的元素含量数据作为模型输入值,通过自组织神经网络进行聚类,再通过K-means算法进行二次聚类,从聚类结果中分析其中包含的地质信息.以英格兰西南部某区水系沉积物区域化探数据为例,进行实例研究以检验该方法的实际效果.实例结果表明:①利用该方法得出的聚类结果图很好地响应了地质体的空间分布,可用于推断地质体的分布特征;②地质信息隐藏在每个聚类类型的地球化学特征之中,通过对这些特征进行分析和解释,可以挖掘出其中所包含的信息;③基于SOM网络和K-means聚类的区域化探数据挖掘方法是一种有效的地质信息获取方法,对于传统区域地质研究可以起到补充和增强的作用.     

基于MPSO的RBF耦合算法的桩基动测参数辨识

变异粒子群优化算法（MPSO）是一种基于群体智能的改进全局优化技术,其优势在于减小陷入局部极值的机率,增加全局搜索能力。将变异粒子群算法与径向基函数（RBF）神经网络结构进行结合,建立了变异粒子群神经网络（MPSO-RBF）耦合算法,充分发挥了MPSO算法的全局寻优能力和RBF算法的局部搜索优势。数值计算结果表明,所建立的方法能够对桩基动测进行多参数的识别和非线性优化问题的求解,具有良好全局收敛能力,是一种行之有效的智能算法。     

基于改进的数量化理论和RBF神经网络组合方法的地下水水质预测

文中首先运用了一种改进的数量化理论I模型作为预处理工具,对影响地下水水质的20个因子进行定性数据转换、数据降维,随后将8个重要特征因子作为RBF（径向基函数）神经网络模型的输入,进一步对监测井的采样数据进行学习、训练,揭示地下水污染质迁移转化规律。尝试用经过改进的数量化理论与RBF神经网络方法二者结合,对沈阳李官水源地研究区监测井地下水水质变化进行模拟与预测,其仿真结果覆盖了现有的绝大部分实测数据,适用范围广泛,具有一定的推广价值。     

瓦斯地质数学模型软件的开发

简述了瓦斯地质数学模型法的基本原理及其建模工具;介绍了用VC++6.0语言对此数学模型设计的软件的结构、用法和特点;并以山东省新汶协庄矿11煤层为例进行了瓦斯含量预测,达到了较好的预测效果。