基于BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

基于水稻冠层多信息融合的监测褐飞虱种群大小的BP神经网络方法

【目的】褐飞虱Nilaparvata lugens种群监测的自动化和智能化尚未实现。本研究旨在探究水稻受褐飞虱危害后冠层光谱和温度以及叶片叶绿素相对含量与为害虫量的关系,建立基于高光谱、热成像和叶绿素等多信息融合的误差反向传播(back propagation,BP)神经网络监测褐飞虱的方法,为田间褐飞虱种群监测向自动化与智能化方向发展提供方法支持。【方法】在可控条件下利用方形塑料框培育水稻,并在分蘖期接入雌雄1∶1配对的不同对数(0,1,2,3,4,5,6和7对)的褐飞虱雌、雄成虫,然后连续多次(接虫后16,27,32,44和60 d时)调查接虫区水稻上褐飞虱虫量(每4穴稻上个体数),并采用高光谱仪和热成像仪分别测定水稻冠层光谱反射率和冠层温度,利用土壤和植物分析仪器开发(soil and plant analyzer development,SPAD)叶绿素仪测定叶片叶绿素的相对含量(SPAD值);采用Pearson相关法分析各测量指标与褐飞虱虫量的相关性;采用多元散射校正对光谱反射率数据进行降噪处理;采用连续投影算法对高光谱反射率数据进行降维和敏感波段筛选;分别以光谱反射率单一信息及其与冠层温度和SPAD值融合后的多源信息为输入量,采用普通和加入粒子群算法优化的BP神经网络建模,构建褐飞虱为害不同时段后种群大小的神经网络监测模型。【结果】褐飞虱为害后水稻冠层光谱在近红外的730-930 nm波段反射率、水稻冠层温度与气温的差值(冠气温差)和叶片的SPAD值均与褐飞虱虫量呈显著负相关。利用连续投影算法筛选出的冠层光谱敏感波段处反射率并降噪后建立的BP神经网络监测5个危害时段褐飞虱虫量的预测集决定系数R^(2)在0.504~0.892之间;融合冠层光谱、冠气温差和叶片SPAD值等多信息建立的BP神经网络监测褐飞虱虫量的预测集R^(2)提升到0.640~0.975;在多源信息基础上再选用粒子群优化(particle swarm optimization,PSO)算法优化BP神经网络后监测褐飞虱虫量的精度提高,预测集R^(2)提升到0.931~0.991,模型预测效果好。【结论】基于水稻冠层高光谱与热成像和叶片SPAD值等多信息融合的PSO-BP神经网络方法监测褐飞虱虫量的精度高、效果好,有望用于田间褐飞虱种群的自动监测。

基于BP神经网络的海底浅层超软黏土不排水抗剪强度预测

准确评估海底浅层超软黏土的不排水抗剪强度对海洋资源开发、灾害评估、海洋工程建设等具有重要的意义。世界多个海域超软黏土数据分析对比表明,现有不排水抗剪强度评估经验公式存在受地域限制的问题,计算精度较低。因此,以超软黏土的6个物性指标为输入变量,不排水抗剪强度为输出变量,建立BP神经网络模型进行海底浅层超软黏土不排水抗剪强度预测;根据建立的超软黏土不排水抗剪强度与物性指标之间的非线性映射网络,以权积法求解超软黏土不排水抗剪强度对各指标的敏感度系数,定量分析各指标对不排水抗剪强度的影响程度。结果表明:考虑多因素影响的BP神经网络模型在超软黏土不排水抗剪强度预测方面具有普遍适应性,其预测结果非常接近落锥试验实测结果,均方差0.02139,R2值达到0.9874,预测精度远高于现有经验公式;采用权积法计算得到的对数流动性指标对不排水抗剪强度最为敏感;据此建立了以对数流动性指标为参数的黏土不排水抗剪强度预测经验公式,该公式在计算中国海域超软黏土不排水剪切强度方面具有较高精度,但由于数据量有限,依旧存在一定局限性。本研究为海底浅层超软黏土不排水抗剪强度的计算提供了参考。

基于多层前馈神经网络的扩散系数求解

如何利用浓度分布的测量数据(间接采样)来确定扩散系数,并建立有效快速的数值求解方法是目前亟待解决的问题.由于扩散系数的求解属于反问题中的参数识别问题,通常具有不适定、非线性和计算量大等特点,所以在仅考虑给定温度下扩散对物质输运的影响的情况下,研究扩散系数与浓度、浓度梯度的关系,并利用物质扩散浓度的动态采样值和多层前馈神经网络对扩散系数进行求解,数值实验表明该方法十分有效.

多层前馈神经网络研究——单位BP算法

分析了引起标准 BP算法收敛速度慢的原因 ,以及传统改进方法的不足之处 ,探讨了解决的途径。为了提高 BP算法的收敛速度 ,定义并引入了基量函数的概念 ,并将其运用到 BP算法中 ,给出了一种高效的单位 BP算法。仿真和实例结构均表明该算法能够较好地克服标准 BP算法收敛速度慢的缺点 。

前馈多层神经网络BP算法与可靠性增长模型

本文叙述了可靠性增长和 BP算法的基本概念 ,着重研究神经网络 BP算法用于可靠性增长的预测方法。Gompertz模型是可靠性增长的一个很好的预测模型。本文引用文献中的多个实例 ,将BP算法预测结果与 Gompertz模型预测结果相比较 ,结论基本上一致。这说明该方法不但可行 ,而且有简便。

基于BP神经网络隐层结构的研究及实例

BP神经网络是神经网络中应用最为普遍的一种网络,随着人工智能技术的发展,各行各业也逐渐将BP神经网络运用在生活中,比如预测、推荐、识别等领域,都取得了一定的效果。但随着数据量的递增,BP神经网络也在进行预测时也有梯度下降等问题,许多专家也在不断对算法及网络结构进行调整。BP网络隐层结构的设计一直是不确定的,尤其是隐层单元数的确定缺乏理论依据,设计者大多依靠经验来确定。对于神经网络中BP网络的运用最为广泛,其中之一就是在函数收敛上的运用。文章主要是通过研究隐层层数和单元数的确定问题,来分析BP网络上的函数收敛性,通过比较在不同隐层层数和隐层节点下的收敛性来研究隐层结构对函数收敛性的影响,并将分析结果运用在股票预测中,实践表明,确定隐层节点数能在一定程度上改进预测误差。

基于BP神经网络的陕西春季浅层地温预测模型

利用2016—2021年春季(3—5月)陕西98个国家级地面气象观测站逐日观测资料,运用BP神经网络构建了陕西春季不同区域(陕北、关中、陕南)不同月份(3、4、5月)不同土壤深度(5、10、15、20 cm)地温预测模型,并利用2022年数据进行模型预测检验。研究结果表明:模型预测的各深度日平均地温在陕北、关中、陕南地区预测准确率>95%,且整体表现出土壤深度越深预测准确率越高的趋势,10 cm日平均地温预测准确率>98%,15、20 cm日平均地温预测准确率>99%;各深度日平均地温在陕北、关中、陕南地区预测值与实测值的均方根误差≤1.0℃、平均绝对误差≤0.8℃,均方根误差和平均绝对误差整体表现出土壤深度越深误差值越小的趋势;模型预测精度比较理想,可用于陕西春季浅层地温预报业务,为春播及果树花期预报提供技术支持。

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法，针对实时监测和诊断领域中对收敛速度和精度的较高要求，提出了一种面向诊断的自适应ＢＰ算法，仿真结果表明，该方法既能有效地减小振荡，又能提高收敛的精度和速度。

多层前馈神经网络的学习和综合算法

本文提出多层前馈网络的一种新的学习和综合算法──ＦＰ算法，并证明由此算法得到的网络作为通用联想记忆器时，具有如下优点：（１）每个样本都是吸引中心；（２）每个样本的吸引半径达到最大值；（３）网络没有假吸引中心；（４）网络具有最少的元件个数；（５）学习的复杂性达到最优（就其复杂性的阶而言）．故此网络在性能、结构、计算复杂性等方面均达到很好状态．

前馈神经网络的混沌BP混合学习算法

简要分析由Logistic映射产生的混沌数以及不同混沌序列之间的概率统计特性,为混沌全局性搜索提供了依据.将一种快速BP算法与混沌优化相结合,提出了混沌BP混合算法.由于混沌Logistic映射的遍历性、随机性,使得混合算法收敛速度快,且具有全局性.采用混合算法对XOR问题和非线性函数进行仿真,结果表明该算法明显优于标准BP算法和快速BP算法.

一种优化多层前馈神经网络中隐节点数的算法

多层神经元网络中隐含层的层数及其每一层的神经元数的多寡 ,至今仍无法用一个解析式精确求得 .提出了一种基于黄金分割法的算法 ,用于求解三层前馈神经网络中的隐层节点数 ,所得结果有助于提高三层前馈神经网络整体品质 .

基于BP神经网络的速度前馈PID控制器设计

针对工业控制中常出现的模型未知且具有时变特性的复杂被控系统,为满足对被控系统快速响应的控制要求,提出一种经过遗传优化预处理的基于BP神经网络的速度前馈PID控制器。通过将PID控制器与速度前馈控制器相结合,利用遗传算法对控制器参数进行一次离线优化预处理,再通过BP神经网络实现控制器参数在优化预处理基础上的二次在线自适应整定,以达到实时最优控制的目的。在MATLAB下进行仿真验证,结果表明:与常规PID控制器相比,阶跃输入下的系统响应时间减少22%,正弦输入下的系统跟随误差减少12%,控制器参数能实时自适应调节。

一种改进的前馈神经网络BP学习算法

针对前馈神经网络收敛速度慢、易陷入局部极小问题 ,提出了一种改进的BP算法———变惯性因数和构造响应函数相结合的算法 .该算法在每一次校正连接权和阈值时 ,均按一定比例加上前一次学习时的校正量 ,同时构造出新响应函数 ,以提高网络收敛速度 .仿真实验证明了该算法的有效性 .

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型。但算法有求解精度低、搜索速度慢、易于陷入极小的缺点。蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性。这些特性使得解题过程加快,易于实现分布式计算。将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制。仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上 ,提出了一种改进的BP学习算法 .先加入描述网络复杂性的量 ,使算法能够考虑到网络的连接复杂性 ,进而有可能删除掉冗余的连接甚至节点 ;接着提出对网络的学习步长的动态调整 ,以此来尽量避免传统学习中的学习速度过慢和反复震荡 ;然后给出新的算法是高阶非线性收敛的证明 ;最后通过实验说明新的BP算法在一定程度上可减少网络的复杂性 ,有着比传统算法更快的收敛速度 .

多层前馈人工神经网络结构研究

研究表明,由多层FNN的BP算法误差函数构成的非线性方程组的独立方程个数和FNN的待求未知变量的个数应该相等,该方程组才能有唯一组解.由此导出网络结构方程式,进而导出隐层层数判别式和每层神经元个数判别式.依据Kolmogorov定理,由该判别式得出求解FNN隐层层数和每个隐层神经元个数的具体算法.计算机仿真结果表明该方法简明实用.

多层神经网络BP算法的改进

多层神经网络ＢＰ算法的改进姚瑞波孙国雄汤崇熙（东南大学机械工程系，南京２１００１８）目前，前馈型多层神经网络模型已广泛应用于模式识别、语音识别、数据压缩等领域．ＢＰ算法作为其学习方式有效地解决了ＸＯＲ、Ｔ－Ｃ匹配问题，但ＢＰ网络的学习过程是对一个高...

BP人工神经网络隐层结构设计的研究进展

指出BP人工神经网络隐层结构的确定,尤其是隐层神经元数目的选择历来是研究的热点。针对目前解决这一问题尚缺乏严格的理论依据,设计者多凭经验而定,介绍了用来优化设计隐层结构的可行方法,纵览了现有多种设计研究成果,从而探讨了新的设计方向。分析了网络隐层结构优化问题的产生及其理论依据,对各种设计方法进行了详细的分类综述, 探讨各自的优势与不足,并对神经网络结构优化问题的研究和发展做了评述与展望。

基于LM算法的双隐含层BP神经网络的水位预测

为获得更精确的径流水位预测效果,文章提出了基于Levenberg Marquardt(LM)算法的BP双隐含层神经网络模型(BPDHLM)。LM算法是梯度下降法与高斯-牛顿法的结合,能缩短BP网络的收敛时间,改善网络的收敛性能;相对单隐层而言,双隐含层BP网络则能改善网络的性能误差,误差梯度,从而提高模型预测精度并改善网络性能。研究结果表明:该模型预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法。