共查询到18条相似文献，搜索用时 109 毫秒
1.
人工神经网络理论在地下水水质评价中的应用 总被引：7，自引：0，他引：7
本文应用人工神经网络方法，在模拟人脑的思维方式下，建立了地下水水质模型，并对地下水水质污染程度进行评价，与动用综合指数法、模糊综合评判法和灰色聚类法等多种方法评价的结果相比较。结果表明，神经网络方法具有较强的处理相互矛盾样本的能力，尤其对非线性问题，其预测精度高。 相似文献
2.
3.
商丘试区地下水动态的ANN模型研究 总被引：3，自引：1，他引：3
利用人工神经网络 (ANN)技术 ,建立了商丘试验区地下水动态的 ANN模型 ,对试区的地下水动态进行了模拟 ,并在引黄条件下 ,对未来 5年商丘市地下水位作出了预报 相似文献
4.
用神经网络模型预测济宁市地下水水位变化规律 总被引：5，自引：1，他引：4
本文通过应用人工神经网络模型中的ＢＰ网络模型,对济宁市地下水水位变化规律了预测,并与线顺归模型的计算结果进行比较,证明ＢＰ网络模型的精度较高。 相似文献
5.
应用前馈人工神经网络对广域单调的两组样本进行了模拟反演，引入单调前馈网络的概念对其权值和阈值定解问题和泛化能力进行了较诉研究。表明前馈人工神经网络是一个表达形式简单的复杂系统，其单调特征是隐性的，而且训练网络的成熟性对样本数量和样本内在规律性有一定依赖。强调了前馈人工神经网络的应用效果，指出单调与复合问题还需进一步深入研究。 相似文献
6.
运用BP网络预测地下水位 总被引：15，自引：0，他引：15
人工神经网络是一门新兴的交叉学科，是处理非线性问题的有效方法。本文把影响地下水位的因素集作为网络的输入向量，地下水位本身作为网络的输出向量，构成了预测地下水位的ＢＰ网络模型。一个实例的应用实践表明，用ＢＰ网络预测地下水位较准确地反映了客观实际，比其它方法如回归模型具有较高的拟合严谨和预测精度。 相似文献
7.
8.
地下水水质评价的改进B—P网络模型 总被引：1，自引：0，他引：1
本文引入人工神经网络理论，运用改进的B—P网络进行水质评价，通过合理的期望输出的选取并以此来划分水质等级，能客观地反映实际情况。与其它方法比较，该模型实用且更优。 相似文献
9.
10.
11.
12.
准确而可靠地预测地下水埋深对生态环境保护和水资源规划管理具有重要意义。针对吉林西部浅层地下水位动态变化的复杂性和非线性,提出了基于小波分析与人工神经网络相结合的预测方法小波神经网络(WA-ANN)模型。将研究区2002年1月2009年12月当月降水量、蒸发量、人工开采量和前月平均地下水埋深4个参数作为输入,当月平均地下水埋深作为输出,建立浅层地下水埋深预测模型,并与BP神经网络(BP-ANN)模型和自回归移动平均(ARIMA)模型进行比较,对比分析了三者的建模过程及其模拟精度。结果显示:相比两种ANN模型,ARIMA模型建模过程更为简单,计算效率更高;但WA-ANN模型的拟合精度高于BP-ANN和ARIMA模型,预测效果更好。总体来看,WA-ANN模型在浅层地下水埋深预测中具有一定的应用推广价值。 相似文献
13.
地下水管理模型求解方法的研究是目前地下水管理领域的热点问题。本文从地下水管理模型传统优化算法和现代智能优化算法等方面进行了评述,着重讨论了目前应用较广泛的求解非线性地下水系统的优化算法,如遗传算法、模拟退火算法、人工神经网络算法等;阐述了地下水监测网优化设计研究以及多目标地下水管理模型的求解方法。最后指出应加强地下水动态规划管理模型和地下水系统随机管理模型的求解技术的研究。 相似文献
14.
15.
煤矿立井井筒非采动破裂的人工神经网络预测 总被引：2，自引：0，他引：2
应用人工神经网络的基本原理,建立了一个基于神经网络的煤矿立井井筒非采动破裂的预测系统,实现了立井井筒破裂预测的智能化。最后将神经网络预测结果与数值计算结果对比,认为应用人工神经网络对立井井筒破裂时间的预测比较准确、实用。 相似文献
16.
为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。 相似文献
17.
为解决以往模型未考虑地下水位相关影响因素的问题,探讨长短期记忆（LSTM）神经网络在地下水位预测中的应用,利用长短期记忆神经网络,采用多变量输入的方式,构建了基于多变量LSTM神经网络的地下水水位预测模型。以泰安市岱岳区J1号监测井为例,采用2001-2014年地下水水位动态监测资料与相关影响因素数据,利用多变量LSTM神经网络对2015-2016年地下水位进行预测,并与单变量LSTM神经网络和反向传播（BP）神经网络进行对比。研究结果表明：以相关影响变量为输入的BP神经网络无法考虑时序变化规律,预测均方根误差最大,为2.399 3;以地下水位为变量输入的单变量LSTM神经网络仅能根据时序变化作出相应预测,无法考虑相关变量影响,预测均方根误差为2.102 2;基于多变量输入的LSTM神经网络的预测精度显著高于单变量LSTM神经网络和BP神经网络,预测均方根误差最小,仅为1.919 1。总体上,多变量LSTM神经网络地下水位预测模型仅在某些峰值处误差较大,但总体预测效果较为理想。 相似文献