PCA-MLP神经网络模型在黄河宁夏段径流预测中的应用

为提高短时间尺度的月径流量预测效果并简化神经网络模型结构,将主成分分析(PCA)和多层感知器神经网络(MLP)相结合,构建PCA-MLP神经网络模型预测汛期月径流量。模型首先采用主成分分析法确定影响径流量的主要影响因子,再将主要影响因子数据输入MLP神经网络模型,预测月径流量数据。将宁夏青铜峡水文站2010—2019年汛期的月径流量和影响因子数据作为训练样本训练神经网络模型,以2020—2022年汛期月径流量和影响因子数据作为检验样本进行对比分析。预测结果表明:目前影响汛期径流量的因素主要是历史径流和气候特征,检验集预测结果确定性系数为0.851,模型可为宁夏汛期月径流量预测提供相应指导。

基于非线性光谱混合模型的遥感影像提取城市不透水层(英文)

针对传统方法在提取城市不透水层中的许多局限性,采用两种非线性光谱混合分解模型,包括混合调谐匹配滤波和多层感知器神经网络,通过混合像元分解获取城市不透水层.混合调谐匹配滤波利用用户选择的端元,通过最大化端元响应并减少未知背景信息的影响,进行局部分解端元.多层感知器由多个感知器组成,能够很好的进行非线性学习.对Landsat TM遥感影像进行最大噪声分离,使其转换到另外一个特征空间.利用新生成数据集的前三个成分(占90%以上信息量)进行纯净像元提取,并利用N维可视化分析器寻找出四个进行分解的端元:植被、高反射率地物、低反射率地物和土壤。不透水层则由高反射率和低反射率两个分量估算而成。对不同模型提取的结果,利用QuickBird多光谱图像评价其准确性.实验结果表明人工神经网络的精度最高,即非线性光谱混合模型同样可以有效地提取不透水层,精度甚至优于线性模型.

基于优化检测网络和MLP特征改进发音错误检测的方法

该文基于优化的检测网络和多层感知(multi-layerperception,MLP)特征,提出一种可以更加准确地检测出错误发音类型的方法。首先,从第二语言学习的语音库中提取出基本的发音规则以及组合的发音规则,并相应地计算它们发生的先验概率,再将这些具有先验概率的规则用于构建基于多发音的扩展检测网络。然后在检测过程中,引入基于发音特征的MLP特征来描述发音概率,替代了传统的语音声学特征。最后使用基于MLP特征的GMM-HMM框架从检测网络中识别出最可能的发音音素串。实验表明:该方法将音素识别正确率提高了3.11%,错误类型准确率提高了7.42%。

动车组列车客座率预测方法研究

列车客座率作为列车运营效益的直接衡量指标和计算客票收入的重要基础,客座率的科学预测可为运输企业增开列车等运营决策提供重要参考。本文探讨利用BP神经网络方法研究列车客座率预测的适用性。首先分析列车客座利用率的12类影响因素,其中结合具体线路细化停站结构为n级,则影响因素变量为n+10个;其次以影响因素变量为自变量,列车客座率为因变量,生成多层感知器进行要素分析并预测客座率。结果表明MLP模型预测精度较高,可用于动车组列车开行方案稳定或小范围调整时期的列车客座率预测。