灌区淋洗水量优化计算

在灌区水资源优化调度的基础上,考虑了土壤临界含盐量、土壤和地下水水盐动态等因素,提出了灌区淋洗水量优化计算方法,并给出了算例。     

闫潭灌区测水量水的现状与治理

由于近年来引黄水量受到限制。闫潭灌区面临着严峻的缺水现状,对于这种情况,灌区进行了测水量水治理,以提高水资源的利用率,并初步思考下一步量测水工作如何进行。     

基于BP算法的泥沙含量预测研究

长江口北槽是长江的主航道，泥沙的淤积对航运和河道治理有着极为重要的影响。根据ADCP资料，应用BP算法对长江口的泥沙含量进行了研究，建立了泥沙含量预测模型并根据实例资料进行了验证，实现了根据ADCP资料推求泥沙含量，其结果满足精度要求。     

基于Levenberg-Marquardt算法的应力集中预测

应用应变电测的基本原理及技术 ,测量所研究试件应力集中附近处的应变值 以神经网络技术为基础 ,采用单隐层网络结构 ,以Levenberg -Marquardt算法来训练网络 笔者在收集已有相关资料的基础上 ,对应力集中处的最大值进行了预测 通过与常用的应力集中预测模型进行数值计算比较 ,表明该模型预测精度高 ,可靠性强 模型中所采用的数据预处理方法 ,大大扩大了模型的应用范围     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证.     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证。     

玛纳斯河上游灌区水量调度方案初探

<正>玛纳斯河上游石河子灌区(以下简称石河子灌区),位于玛纳斯河西岸上游,年平均农业灌溉水量约1亿立方米,由于没有水库调节,石河子灌区农业用水直接从玛纳斯河取     

基于人工神经网络的矿井涌水量预测

应用人工神经网络理论,提出了矿井涌水量预测的新方法,并将其与自回归时序模型进行了比较验证。结果表明,运用神经网络方法进行矿井涌水量预测,精度高,自适应性强,在数据不十分充足的情况下,效果尤其好于自回归模型。     

基于改进BP算法的水电机组轴瓦温度预测

应用人工神经网络BP算法，对水电机组轴瓦温度与影响瓦温变化的主要因素之间的映射关系进行表达，即建立水电机组轴瓦温度预测模型，并对轴瓦温度及其变化趋势作出预测；同时对BP算法进行改进，引入误差分布函数，动量项因子和组合转移函数，在一定程度上克服原有算法的局部最小问题，获得全局最小解，而且加快了网络的收敛速度。     

基于Levenberg—Marquardt算法的应力集中预测

应用应变电测的基本原理及技术，测量所研究试件应力集中附近处的应变值，以神经网络技术为基础，采用单隐层网络结构，以Levenberg-Marquardt算法来训练网络，笔者在收集已有相关资料的基础上，对应力集中处的最大值进行了预测，通过与常用的应力集中预测模型进行数值计算比较，表明该模型预测精度高，可靠性强，模型中所采用的数据预处理方法，大大扩大了模型的应用范围。     

基于SSA-RBF的灌区流量预测

水资源短缺问题日益严重,快速准确的灌区流量测量具有重要意义。现有流量测算模型一般采用传统的测流方法或简单的神经网络模型进行处理,采用上述方法将面临测量成本、测量精度等挑战。故将麻雀搜索算法(sparrow search algorithm, SSA)与径向基神经网络(radial basis function, RBF)相结合,以渠道水深、测点流速、测点位置为输入,灌区流量为输出,设计了一种新的SSA-RBF神经网络模型用于预测灌区流量。以都江堰人民渠渠首站点在27种不同水力条件下的实测数据为基础,对SSA-RBF模型和RBF模型以及极限学习机(extreme learning machines, ELM)模型进行评估和比较,实例结果表明SSA-RBF模型能够快速准确地预测出流量,其确定系数为0.975、均方根误差为6.186、平均绝对误差为4.324、残差质量系数为0.011 9,4种评价指标以及预测结果偏差均优于ELM模型以及RBF模型,为提升灌区流量测算精度提供了思路。     

人工神经网络水质预测模型研究

水质预测物理模型在水环境保护中起着十分重要的作用,然而由于模型的参数识别问题,使其应用受到很大局限.对人工神经网络(A rtific ia l N eura l N etw ork,简称ANN)水质预测建模作了初步研究.用试错法,以训练时间和测试误差两项指标为依据,对比分析三层、四层网络结构,认为ANN模型适应于水质预测建模,并提出了适合的模型结构、学习速率、传递函数.     

基于改进型BP算法的外债风险指标预测

利用人工神经网络进行时间序列预测是一种较新的方法,它具有不需建立复杂的数学模型以及非线性映射能力强等优点。采用动量法和学习率自适应调整的改进型BP算法对外债风险的各项指标进行了非线性时间序列的预测。仿真结果表明神经网络模型对外债风险的各项指标预测的结果是准确可靠的。     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

基于局部权重及阈值调整算法的BP网络预测模型研究

通过对基本BP算法的分析,提出了一种基于局部权重及阈值调整的改进BP算法.结合该改进算法,讨论了在Matlab中创建基于BP网络的交通运输需求预测模型并使用该模型进行预测的过程.同时,将基于局部权重及阈值调整的改进BP算法和加动量项的自适应学习率BP算法的模型的预测效果进行了比较,比较结果表明前者的预测效果优于后者.     

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

遗传神经网络在PPⅡ预测中的应用

提高多聚脯氨酸二型结构的预测精度，可从两方面着手，一是结合遗传算法，形成遗传神经网络，努力使迭代往全局最优的方向进行；二是通过神经网络输入层，添加反映残基和预测中心位置距离的单元．结果表明，使用混合算法建立的新模型比仅用神经网络模型在预测精度上有明显提高，可从64．5％提高到70．1％．     

基于 HABC-RBF 神经网络的蒸汽驱预测方法

为解决蒸汽驱开发效果预测精度低和时间长的问题, 提出了一种改进人工蜂群算法和 RBF(Radial Basis Function)神经网络相融合的预测方法。 该方法应用种群最优解修改雇佣蜂解和观察蜂解的搜索方程, 借鉴差 分进化算法思想, 完成对种群最优解和个体搜索解随机扰动, 采用混合编码优化 RBF 神经网络参数。 以辽河 油田齐 40 块为例进行了试算, 结果表明, 该方法对蒸汽驱开发效果预测具有较好的非线性拟合能力和较高的 预测精度。