普通克里金插值法在建设用地土壤污染范围预测中的应用——以某金属加工厂为例

以某金属加工厂为例,对地块土壤进行污染状况调查,针对调查结果中的超标因子镍,应用普通克里金插值法进行污染范围预测。根据预测结果,土壤中镍浓度超标区域主要分布在地块南侧,叠加不同深度采样层的超标范围后,地块镍含量超标区域面积为2. 1918hm2,占地块总面积的40. 59%。为消除克里金插值法平滑效应引起的预测结果偏差,在实际应用中,应在预测的污染边界线两侧进行补充采样监测,提高地块污染范围的准确性。     

基于神经网络和不同立地质量的森林蓄积量遥感估测

运用BP神经网络技术建立区分立地质量等级森林蓄积量遥感估测模型并探讨其适用性。以2009年黑龙江省伊春市凉水自然保护区森林资源二类调查数据为基础数据划分森林的立地质量等级,以森林蓄积量为研究对象,基于该地区LANDSAT-TM影像以及DEM数据提取遥感因子,采用BP神经网络方法构建区分立地质量的森林蓄积量遥感估测模型,并引入回归分析方法和不区分立地质量的模型予以比较。结果表明,基于不同立地质量等级的模型明显好于不区分立地质量等级的估测模型,且BP神经网络模型较回归分析模型可以更好地预测森林的蓄积量。经过对比检验,基于不同立地质量等级的BP神经网络模型性能优异,验证总体预测精度高达97%以上、实测值与预测值的R~2在0.94左右;不区分立地质量等级的BP神经网络模型的R~2为0.89,预测精度95%左右。同等条件下,BP神经网络模型较多元线性回归模型的预测精度约提高了3%～5%,R~2值提高了0.1左右。     

基于即时学习的集成神经网络及其干点预测

针对单个神经网络泛化能力差、对不同样本预测精度波动大的问题,提出了一种基于即时学习集成神经网络方法。首先,基于训练样本,建立多个不同的神经网络模型。其次,根据即时学习的思想,在对样本进行预测时,在训练样本中寻找与预测样本最接近的若干邻近样本,根据各网络对邻近样本的训练误差,即时形成各神经网络的集成权重,实时构造集成神经网络模型,对预测样本进行预测。最后,将该方法应用于初顶石脑油干点的预测,相比于文献中提出的方法,得到了更好的预测结果 。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型。首先,融合卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short-term memory, LSTM)网络的特点去挖掘历史数据的特征,预测未来的资源需求;然后,根据模型预测情况自适应调整学习率,提高模型预测的精度。使用Microsoft Azure公开数据集进行测试,相较于单一模型CNN、LSTM和未加入自适应学习率的神经网络模型,均方根误差分别下降了17.74%、18.27%和6%,证明了模型的有效性。     

改进BP神经网络在郑州市需水量预测中的应用

水资源供需矛盾日益突出,需水量预测已成为广泛关注的焦点．需水量预测可以为“三条红线”的实施提供依据,以强化水资源管理和节水监督管理,缓解水资源供需矛盾．基于BP神经网络模型,采用自适应调整的算法,改进了BP神经网络模型中学习率的求解方法,并将其应用到郑州市经济社会需水量预测中,预测了2012年和2015年经济社会需水量,分别为14．41亿m3和14．84亿m3;通过与BP神经网络模型、主成分回归分析结果对比,发现改进后的BP神经网络模型根据迭代误差自动调整学习率,求解速度和计算结果精度明显提高,适用于郑州市需水量预测．     

钻孔灌注桩单桩竖向承载力预测方法研究

根据长期的工程实测资料,提出了运用神经网络技术的方法来预测钻孔灌注桩的承载能力,从而达到在施工过程中减少或不做试桩的效果.通过对高层建筑物和大跨度桥梁钻孔灌注桩的静载实验数据分析,选择神经网络方法对承载力进行预测.首先,构造了合理的神经网络模型;接着对神经网络模型经过样本学习训练进行承载能力预测;最后,证实了神经网络技术在预测钻孔灌注桩的承载能力时可以满足工程实际的需要.     

近红外光谱法对土壤有机碳组成的无损分析

利用近红外光谱(NIR)结合化学计量学方法建立一种定量监测土壤有机碳组成的新方法.对109个土壤样品进行近红外光谱采集,按常规方法测定土壤样品中总有机碳(SOC)及土壤样品中胡敏酸(HA)和富里酸(FA)有机碳的含量,再应用径向基函数(RBF)人工神经网络建立土壤样品的近红外光谱和有机碳组成含量间的数学校正模型.所建模型通过遗传算法(GA)自动选择最佳光谱处理方法和最优网络拓扑结构,同时构建了全光谱数据神经网络和GA自动优化光谱波段的神经网络模型,讨论了敏感光谱的选取对模型预报性能的影响.采用多元散射校正(MSC)光谱处理后建立的RBF神经网络模型为最优,该模型的预测精度和稳定性较好,可发展为复杂土壤系统中定量分析土壤有机碳组成的新方法.     

基于GIS和ANN的城市土地适宜性评价

结合地理信息系统(GIS)和人工神经网络(ANN)技术,提出对城市土地适宜性进行评价的一种新方法.根据构建的城市土地适宜性评价指标体系,以济南市为例,基于GIS平台,利用自组织映射神经网络模型对城市土地适宜性进行了评价.研究结果表明,济南城市土地适宜性可划分为6类,模拟结果比较理想.     

基于径向基函数神经网络的热轧产品性能预测

针对热连轧带钢生产过程中钢材内部一系列复杂的相变与物理变化以及涉及到的海量数据,可利用数据挖掘基本方法建立模型,提取规则,实现热连轧带钢生产的性能预测与评价功能。本文使用径向基函数神经网络建立模型,实现热轧产品性能预测。径向基函数神经网络在逼近能力、学习速度等方面都优于传统BP神经网络,本文将根据二者网络结构说明径向基函数神经网络的优越性。     

基于文本挖掘的民航事件风险评估

为实现“安全第一、预防为主、综合治理”的民航安全管理目标,建立了从报告中学习并评估风险等级的深度学习模型.首先采集航空安全报告系统中10年报告,根据严重度建立事件后果的量化指标,确定5个风险等级：高、中高、中、中低和低风险,并消除事件结果分布不平衡和结果多样性的影响.然后应用卷积神经网络（Convolutional Neural Network,CNN）探索非结构化的事件概要与风险等级之间的关系,通过该模型对事件进行分类,确定风险等级.风险评估模型与不同量化指标和不同方法对比,其分类准确率可达96%,优于其他指标和方法.最后应用该模型对非结构化的事件概要挖掘,对2020年事件进行快速的风险评估,预测准确率可达80%.基于CNN的民航风险评估模型可以对文本格式的事件概要充分挖掘,快速评估与主动感知风险,对支持安全预警具有重要意义.     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

BP神经网络预测织物拉伸性能

采用BP神经网络技术建立反映织物结构参数、纱线参数与织物拉伸性能间关系的三层神经网络模型,根据影响织物拉伸性能的各种参主为量,用动量-学习率自适应调整的BP算法训练模型,通过预测值和实验值的比较,表明用神经网络方法预测织物拉伸性能有相当的准确性,从而在一定程度上实现用神经网络预测织物的拉伸性能。     

唐钢1700加热炉钢坯温度神经网络预测模型

根据唐钢1700生产线加热炉的实际生产数据,提出了三种神经网络的钢温预测建模方法,即分别采用BP神经网络、RBF神经网络、RBF-BP组合神经网络建立了钢坯出炉温度的神经网络预测模型,并利用MATLAB软件分别对三种模型进行了仿真。研究表明,RBF神经网络模型相比较BP有较快的学习速度,但是识别精度稍低。而RBF-BP网络模型结合了二者优点,并具有更好的泛化能力,识别精度更高。     

基于时间序列分解与全连接神经网络的警情长周期时间序列预测

传统的警情时间序列预测以实际的发案数量为目标,且仅能实现短期的预测,但由于警情时间序列本身固有的强随机性使预测很难达到理想的效果。根据警情时间序列数据的特点,从公安工作的实际需求出发,提出了一种基于时间序列分解与全连接神经网络的(STL-FNN)预测模型,该模型以预测警情的单日发案的风险等级为主要目标,能够实现警情风险等级的长周期预测。利用该模型对B市侵财类警情数据进行了时间序列长周期预测的实证分析,结果表明:STL-FNN模型能够实现一年的警情单日发案风险的预测,平均准确率为0.624 7,预测性能优于Holt-Winters、LSTM、Prophet和ARIMA等模型。     

高速公路小修保养工程量的预测模型

为了科学合理地预测高速公路小修保养工程数量,分析了影响高速公路小修保养工程量的主要因素,提出了基于Matlab的BP神经网络高速公路小修保养工程量预测方法;以沥青路面年小修保养工程量历史统计数据为样本,将路面质量等级评分值、路面使用性能指数、年均日交通量、年均日重车量、计算使用年限、年均降雨量、年平均温差、路面厚度、路面宽度确定为影响沥青路面小修保养工程量的量化指标,建立了预测沥青路面小修保养工程量的多元非线性模型;以调研路段沥青路面实际破损维修数量为样本,分别用BP神经网络模型和多元线性回归模型进行预测分析。研究结果表明：将预测结果与实际维修量数据进行比较,BP神经网络模型预测误差为5%,多元线性回归模型预测误差为14%,说明BP神经网络模型是预测高速公路沥青路面小修保养工程量的一种较为合理可行的方法。     

一种基于神经网络的网络设备故障预测系统

引入基于状态的维修技术,构建了基于多状态的在网运行设备故障预测模型.根据故障的严重性将预警等级划分为四层,对于不同的预警级别,分别构建神经网络.该模型解决了设备故障预测精度不高的难题,提升了基于多状态的故障预测能力.     

利用近红外光谱技术的葵花籽品质分析

葵花籽作为中国需求量很大的油料作物,常用的化学检测方法虽然准确性高,但是时间久,破坏样本完整性,难以实现快速检测。为了研究近红外光谱法快速无损检测葵花籽中蛋白、脂肪及水分含量的准确性,使用454份葵花籽样本近红外光谱数据及蛋白质、水、脂肪三个含量信息为测试对象,随机选取其中383份作为测试集,71份作为验证集,对测试集使用不同的预处理方法之后分别进行PLS(partial least-square method)和BP神经网络建模,并通过验证集对模型进行预测分析。结果发现:①PLS模型预测中发现小波变换的预处理方法对蛋白质含量的预测最好,小波变换的预处理方法对水分含量的预测最好,标准化的预处理方法对脂肪含量的预测最好;②BP神经网络预测中一阶导数+均值中心化对蛋白质含量的预测最好,一阶导数对水分含量的预测最好,一阶导数+标准化对脂肪含量的预测最好。比较两种神经网络模型的预测结果,PLS模型预测精度要高于BP神经网络模型。     

基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量.结合遗传算法(GA)和误差反馈型神经网络(BP),建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量.对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%.随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景.     

基于深度学习的页岩储层总有机碳含量预测方法

页岩储层总有机碳（Total Organic Carbon,TOC ）含量的地震预测普遍采用密度回归拟合法,仅考虑了单因素的线性关系,预测结果误差较大。针对常规方法的不足,提出基于深度学习的TOC含量预测方法。首先,从测井资料中优选出与TOC含量曲线相关度相对较高的多个弹性参数曲线作为样本集输入数据,TOC含量曲线作为样本集输出数据,构建针对TOC含量预测的深度前馈神经网络模型;然后,调试网络模型结构,并利用共轭梯度法进行网络参数寻优;最后,将叠前振幅随偏移距变化（Amplitude Versus Offset,AVO ）反演得到的弹性参数数据体输入到深度前馈神经网络模型,预测得到最终的TOC含量数据体。通过四川盆地页岩储层实际测井、地震资料的应用,对比了该方法相对于常规回归拟合法的优越性,验证了方法的实用性和可行性,为页岩储层TOC含量预测提供了新思路。