共查询到20条相似文献，搜索用时 46 毫秒
1.
将遗传算法(GA)和反向传播算法(BP算法)相结合成为GA-BP算法，以此建立了遗传BP神经网络．并将以BP算法为基础的BP神经网络及以GA-BP算法为基础的遗传BP神经网络用于对地震和爆破的识别中．得到的结果表明:遗传BP网络比BP网络对事件的识别能力略好些． 相似文献
2.
基于遗传算法优化神经网络权值的大坝结构损伤识别 总被引：1，自引：0，他引：1
针对传统 BP 神经网络存在着容易陷入局部极小点、训练时间太长等缺点,本文采用基于浮点编码的遗传算法,对 BP 神经网络的初值空间进行了遗传优化。用基于浮点编码的遗传算法来优化 BP 神经网络的权值,可得到最佳初始权值矩阵,并按误差前向反馈算法,沿负梯度搜索进行网络学习。文中以混凝土重力坝结构作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量,对网络进行了训练。仿真结果表明：遗传 BP 神经网络的收敛和诊断能力优于传统 BP 神经网络,可有效地运用到大坝结构的健康诊断与损伤识别中。 相似文献
3.
4.
基于遗传神经网络的砂土液化判别模型 总被引：4，自引：0，他引：4
针对BP人工神经网络具有易陷入局部极小等缺陷，本文提出了将遗传算法与神经网络相结合，同时优化网络结构与权值、阈值的思想。根据地震液化的实测资料，建立了砂土液化判别的遗传神经网络模型，比较计算结果证明了该模型的科学性、高效性。文中并进行主成分分析，提出液化影响的主要因素。 相似文献
5.
6.
基于GA-BP理论,将自适应遗传算法与人工神经网络技术(BP算法)有机地相结合,形成了一种储层裂缝自适应遗传-神经网络反演方法.这种新的方法是由编码、适应度函数、遗传操作及混合智能学习等组成,即在成像测井裂缝密度数据约束下,通过对目标问题进行编码(称染色体),然后对染色体进行选择、交叉和变异等遗传操作,使染色体不断进化,从而快速获得全局最优解.在反演执行过程中,利用地震数据和成像测井裂缝密度数据之间的非线性映射关系建立训练样本,将GA算法与BP算法有机地结合,优化三层前向网络参数;或将GA与ANFIS相结合,优化ANFIS网络参数.并采用GA算法与TS算法(Tabu Search)相结合的自适应混合学习算法,该学习算法自始至终将GA和BP两种算法按一定的概率比例进行,其概率自适应变化,以达到混合算法的均衡.这种混合算法提高了网络的收敛速度和精度.我们分别利用两个研究地区的6井和1井成像测井裂缝密度数据与地震数据之间的非线性映射关系建立训练样本,对过这两口井的测线的地震数据进行反演,获得了视裂缝密度剖面,视裂缝密度剖面上裂缝分布特征符合沉积相分布特征和岩石力学性质的变化特征.这种视裂缝密度剖面含有储层裂缝的定量信息,其误差可为油气勘探开发实际要求所允许.因此,这种新的方法优于只能作裂缝定性分析的常规裂缝地震预测方法,具有广阔的应用前景. 相似文献
7.
为进一步提高大地电磁非线性反演的稳定性、运算效率及准确度,将遗传神经网络算法引入大地电磁反演.首先针对大地电磁二维地电模型建立BP（Back Propagation）神经网络基本框架进行学习训练,网络输入为已知地电模型的视电阻率参数,输出为该地电模型参数;再利用遗传算法对神经网络学习训练过程进行优化,计算出多种地电模型网络连接权值和阈值的最优解;最后将最优连接权值和阈值对未知模型进行反演测试,网络输入为未知地电模型的视电阻率参数,输出为该地电模型参数.模型实验表明：遗传神经网络算法充分结合了遗传算法的全局寻优性和神经网络的局部寻优性,相比单一神经网络算法,在网络学习训练中提高了解的收敛成功率和计算速度,在反演测试中能更准确地逼近真实模型.将遗传神经网络算法与最小二乘正则化反演进行对比,理论模型和实测数据都验证了遗传神经网络算法在大地电磁反演中的可行性和有效性. 相似文献
8.
为满足地球物理资料反演解释的高精度、快速、稳定的要求,本文结合免疫遗传算法寻优速度快和BP神经网络反演不依赖初始模型等优点,设计了一种将BP神经网络和免疫遗传算法进行有机结合的全局优化反演策略,并将该策略成功地应用于二维高密度电法数据反演.利用免疫遗传算法(Immune Genetic Algorithm,简称IGA)对神经网络的反演参数进行同步优化,提高了电阻率反演的精度.仿真和实验结果验证设计的全局优化反演策略取得了较好的效果,通过与线性反演方法和BP法以及遗传神经网络法等反演方法进行比较,得出该方法具有反演精度更高,反演时间更短等显著优势的结论. 相似文献
9.
10.
控制路基沉降是公路工程中的一个关键技术问题,而路基沉降与其影响因素之间存在着线性、非线性关系。当输入自变量较多时,用传统神经网络建模容易出现过拟合现象,导致网络模型预测精度较低。针对此问题,本文用遗传算法对神经网络模型的权值和阈值进行优化,同时讨论遗传参数的设定对输出结果的影响。通过对成南高速的实测数据进行仿真,试验结果表明:优化后的BP神经网络具有较高的预测精度,预测效果明显优于传统神经网络模型的输出结果,该预测方法可作为高速公路路基长期沉降预测的一种有效辅助手段。 相似文献
11.
12.
砂土液化是一种危害性比较大的自然灾害,对砂土液化进行判定预测在地质灾害防治领域中有重要的研究意义。通过粗糙集理论(Rough Set,RS)对影响砂土液化的6个初始评价指标(包括震级、土深、震中距、地下水位、标贯击数和地震持续时间)进行属性约简,去掉冗余或干扰信息,得到基于4个核心预测指标的数据集。通过主成分分析法(Principal Component Analysis,PCA)从核心评价指标中提取出主成分,采用支持向量机(Support Vector Machine,SVM)对数据集进行训练,用遗传算法(Genetic Algorithm,GA)优化参数,建立砂土液化的RS-PCA-GA-SVM预测模型。并结合砂土液化实际数据将预测结果与基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做比较。实例计算表明:基于RS-PCA-GA-SVM模型得到的砂土液化预测结果精度较LM-BP神经网络有很大的提高,判别结果与实际情况比较吻合,可在实际工程中应用。 相似文献
13.
从人工神经网络的基本原理出发，建立了边坡抗震抗滑稳定性评判的人工神经网络模型。选择四川和云南地区的70个边坡实例作为学习样本,对BP算法进行了学习和检验。实例计算表明,BP网络性能良好，所建立的模型预测精度高，具有一定的工程实用价值。神经网络法是一种有效可行的新方法。 相似文献
14.
Introduction Potential seismic sources are the areas where destructive earthquakes will probably occur. Being an important work in probability approach of seismic zonation, the determination of potential seismic sources is based on the study of seismicity, seismic tectonics and seismic zone. It has strong effects on the final results of seismic zonation (State Seismological Bureau, 1996). For the different observing view, there are various demarcations in the same region for different resear… 相似文献
15.
16.
17.
18.
A systematic comparison of two basic types of neural network, static and dynamic, is presented in this study. Two back-propagation (BP) learning optimization algorithms, the standard BP and conjugate gradient (CG) method, are used for the static network, and the real-time recurrent learning (RTRL) algorithm is used for the dynamic-feedback network. Twenty-three storm-events, about 1632 rainfall and runoff data sets, of the Lan-Yang River in Taiwan are used to demonstrate the efficiency and practicability of the neural networks for one hour ahead streamflow forecasting. In a comparison of searching algorithms for a static network, the results show that the CG method is superior to the standard BP method in terms of the efficiency and effectiveness of the constructed network's performance. For a comparison of the static neural network using the CG algorithm with the dynamic neural network using RTRL, the results show that (1) the static-feedforward neural network could produce satisfactory results only when there is a sufficient and adequate training data set, (2) the dynamic neural network generally could produce better and more stable flow forecasting than the static network, and (3) the RTRL algorithm helps to continually update the dynamic network for learning—this feature is especially important for the extraordinary time-varying characteristics of rainfall–runoff processes. 相似文献
19.
Mohammad Ali Ahmadi Sohrab Zendehboudi Ali Lohi Ali Elkamel Ioannis Chatzis 《Geophysical Prospecting》2013,61(3):582-598
Reservoir characterization involves describing different reservoir properties quantitatively using various techniques in spatial variability. Nevertheless, the entire reservoir cannot be examined directly and there still exist uncertainties associated with the nature of geological data. Such uncertainties can lead to errors in the estimation of the ultimate recoverable oil. To cope with uncertainties, intelligent mathematical techniques to predict the spatial distribution of reservoir properties appear as strong tools. The goal here is to construct a reservoir model with lower uncertainties and realistic assumptions. Permeability is a petrophysical property that relates the amount of fluids in place and their potential for displacement. This fundamental property is a key factor in selecting proper enhanced oil recovery schemes and reservoir management. In this paper, a soft sensor on the basis of a feed‐forward artificial neural network was implemented to forecast permeability of a reservoir. Then, optimization of the neural network‐based soft sensor was performed using a hybrid genetic algorithm and particle swarm optimization method. The proposed genetic method was used for initial weighting of the parameters in the neural network. The developed methodology was examined using real field data. Results from the hybrid method‐based soft sensor were compared with the results obtained from the conventional artificial neural network. A good agreement between the results was observed, which demonstrates the usefulness of the developed hybrid genetic algorithm and particle swarm optimization in prediction of reservoir permeability. 相似文献