共查询到20条相似文献，搜索用时 31 毫秒
1.
为了提高了RBF神经网络对于混沌时间序列的预测性能,从相空间重构理论出发,建立RBF神经网络,并且改变RBF神经网络训练参数及训练样本数,以Logistic及Lorenz混沌时间序列进行预测仿真,取得了不错的预测效果。 相似文献
2.
跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变... 相似文献
3.
利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。 相似文献
4.
采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。 相似文献
5.
罗玲香 《国土资源导刊(湖南)》2018,(3)
本文以城市建设用地需求量预测为研究对象,对多种预测方法进行比较分析,选取合适研究区建设用地的预测方法。本研究选择湖南省长沙市城市建设用地需求量预测作为实例,文中结合1996—2013年研究区的经济社会发展统计资料和土地利用的时空变化数据,分别利用多元线性回归、灰色系统GM(1,1)模型和RBF(Radial Basis Function)神经网络模型,并借助了SPSS、Excel、Matlab等软件对长沙市建设用地需求量进行预测,并将所得预测结果进行比较分析,优化预测方法,得出RBF神经网络模型的预测精度最高。此外,通过预测值与规划值的比较分析,可知长沙市建设用地增长速度过快,应加强城市内涵挖掘,对城市土地利用及其规划制定具有一定的科学指导意义。 相似文献
6.
针对传统的RBF神经网络模型在GNSS高程拟合中拟合精度较低、稳定性较差、相关因子需提前人为设置等问题,通过将改进的自适应权重粒子群优化算法与MATLAB RBF神经网络函数newrb相结合,实现RBF神经网络函数模型中隐含节点数和SPREAD值的自动优化选取,提高算法在GNSS高程拟合中的精度和稳定性。通过实例分析,该方法拟合精度高,可达到mm级精度,相对于传统的二次多项式模型精度提高17%,稳定性良好。 相似文献
7.
卷积神经网络在进行高光谱图像分类时,往往需要设置较多的参数,因此其计算效率受到很大影响。基于混合卷积神经网络模型,本文利用全局平均池化层代替原有的全连接层,将卷积层输出的多个特征图映射为一个特征点,并将多个特征点构成一维向量,形成改进后的混合2D-3D卷积神经网络模型;最后,对改进后的模型分别在IP(IndianPines)数据集、PU(PaviaUniversity)数据集及Botswana数据集上进行测试。结果显示,总体分类精度分别达到99.64%、99.98%、99.91%。这表明在大量减少参数的条件下仍具有较好的分类性能。 相似文献
8.
《地球科学与环境学报》2021,(5)
采用GNSS技术进行滑坡变形监测时,由于多路径等观测误差的存在,直接使用GNSS监测结果进行变形预测会影响预测结果的精度。为了探讨GNSS测量误差对变形预测结果的影响程度,考虑到滑坡系统的混沌特性,采用混沌理论对陕西泾阳地区庙店滑坡GNSS变形监测结果抑噪处理前后的时间序列进行了对比分析。首先,采用互信息量法确定监测序列的时间延迟、用改进的虚假邻近点法(Cao算法)确定嵌入维数,获取相空间重构参数;然后使用最大Lyapunov指数对两种变形监测序列进行混沌特性识别;最后,分别使用加权一阶局域预测方法、最大Lyapunov指数预测方法和BP神经网络预测方法对滑坡变形监测结果进行预测。结果表明:GNSS滑坡变形监测结果抑噪处理前后的时间序列满足混沌特性,说明滑坡系统具有混沌特性;在3种混沌时间序列预测方法中,BP神经网络预测方法的效果较好,且该方法预测结果的平均绝对误差(MAE)和平均相对误差(MRE)分别为0.4 mm和11.9%,经过S-变换抑噪处理后,预测结果的平均绝对误差和平均相对误差分别为0.1 mm和4.1%,预测效果有明显改善。 相似文献
9.
针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。 相似文献
10.
探讨采用不同激励函数的BP和RBF神经网络方法填补GRACE与GRACE-FO卫星空缺数据的精度及可行性,并基于最优方案对缺失数据进行填充;利用ITSG-Grace2018和ITSG-Grace_operational时变重力场模型反演2002～2020年长江流域陆地水储量变化,并结合GLDAS模型、降水、气温及长江流域水资源公报等数据对该区域的陆地水储量变化进行综合分析。结果表明：1）隐含层激励函数为线性整流函数（ReLU）的BP神经网络算法具有较好的拟合效果,可用于填充GRACE与GRACE-FO卫星任务间的数据空缺;2）长江流域的陆地水储量变化具有一定的区域差异性,主要表现为上游东部与中游大部分地区陆地水储量以5 mm/a左右的速率上升,上游中西部区域下降,下游基本保持不变;长时间序列的GRACE/GRACE-FO时变模型能够反映长江流域2019年的干旱与2017年、2019年的洪涝等灾害。 相似文献
11.
相空间重构神经网络在洪水灾害损失预报中的应用 总被引：1，自引：0，他引：1
在灾害领域中引入混沌理论,将相空间重构理论与神经网络相结合,提出了洪灾成灾面积预测模型。通过相空间重构,把一维成灾面积时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而可挖掘更为丰富的信息,有利于神经网络的训练。利用神经网络模型可以较好地求解非线性问题,因而使预测结果更符合实际。实例表明,该模型预报精度较高。 相似文献
12.
随着计算机视觉技术的发展, 通过卫星图像深度学习进行滑坡识别的研究正在逐步展开。通过引入双重注意力机制, 提出了一种基于卷积神经网络的滑坡图像识别优化算法。基于统计的2 200张滑坡图像数据集, 探讨了10种网络结构及4种注意力机制对滑坡识别结果的影响, 并通过比例为4∶1的训练集和测试集进行滑坡识别, 验证了本文方法的有效性。结果表明: ResNet结构相较于其他网络结构表现更为优秀, 就该算例而言, ResNet-101结构具有最高的召回率、精确率和F1度量。融入了双重注意力机制的卷积神经网络相较于单个神经网络而言, 滑坡识别的精确率更大, 且滑坡边界分割结果更接近于真实的滑坡边界, 其中, ResNet-101+DAN模型为最优模型。相较之下, 单个神经网络无法克服图像噪声的影响, 图像分割结果不佳。 相似文献
13.
为提高地下开采引起地表下沉预测结果的精度,提出融合混沌残差的BP强预测器（BP-Adaboost）的地表下沉预测模型。以顾北矿1312（1）实测值为例,分别用融合混沌残差的BP-Adaboost模型、BP神经网络模型和BP-Adaboost模型对最大下沉值点进行稳定期和活跃期的单步预测和多步预测,结果表明,融合混沌残差的BP-Adaboost模型无论是在单步预测还是在多步预测上的精度均最高,尤其在单步预测上有显著的提高。 相似文献
14.
利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。 相似文献
15.
针对天然地震事件、爆破事件分类问题,使用甘肃及周边地区80个天然地震事件和20个爆破事件建立数据集,采取深度学习卷积神经网络(convolutional neural network,CNN)方法搭建两个不同结构的模型进行训练,并用500条训练集之外的天然地震事件与爆破事件波形作为测试数据集,其训练和测试准确率均达到9... 相似文献
16.
针对平面拟合、二次曲面拟合和GA-BP神经网络3种模型的各自特点和适用范围,为综合各模型优点、提高高程拟合的精度与可靠性,对比分析了不同非线性组合和线性组合方法,即RBF神经网络组合、加权最小二乘支持向量机（WLSSVM）组合和最优加权组合、最优非负变权组合等对GPS高程拟合精度的影响。理论分析和算例结果表明,不同组合方法对GPS高程拟合精度的影响不同,WLSSVM组合和最优非负变权组合的拟合效果较好,可靠性较强|最优非负变权组合能较好地控制残差极值,有效减小误差区间,且转换精度较高。 相似文献
17.
如何通过大地电磁测深反演方法来提高数据解释的精度一直都是大地电磁测深研究领域的重要课题。针对大地电磁传统反演方法存在的初始模型依赖、易陷入局部最优的问题,提出了一种基于深度学习的大地电磁二维反演方法。该方法首先设计GoogLeNetINV神经网络;接着构造多种地电模型,在TM模式下通过正演得到视电阻率数据,组成训练数据集;然后用训练数据集训练该神经网络并调整网络参数;最后,将视电阻率数据输入已训练好的GoogLeNetINV神经网络直接得到反演结果。实验结果表明,该方法能快速、准确地反演出“未学习”过地电模型的位置和电阻率数据,具有较好的泛化能力;使用噪声数据测试仍能取得良好的反演结果,有一定的抗噪声能力。将该神经网络应用于Bendigo Zone实际数据资料处理中,反演得到的电阻率模型与地震解释一致,因此基于深度学习的大地电磁反演方法能有效解决大地电磁反演问题。 相似文献
18.
地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。 相似文献
19.
高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度 相似文献
20.
引入精度较高的小波神经网络预测局部盲区重力数据。通过实验,对比分析了不同地形数据分布状况下经度、纬度二维输入和经度、纬度、高程三维输入小波神经网络盲区重力数据预测精度,发现利用小波神经网络可以较好地实现高精度盲区重力数据的预测,同等地形条件下三维输入预测的数据精度更高,更有利于后期利用插值方法制备高精度重力基准图。同时,利用克里金法和小波神经网络对真实盲区进行预测。结果表明,两者的预测值相差不大,但小波神经网络的预测结果更为平滑,表明小波神经网络有良好的适应性。 相似文献