基于信息分解条件的滑坡变形预测

[目的]有效掌握滑坡变形规律,实现对滑坡变形的高精度预测.[方法]基于滑坡现场变形监测成果,先利用优化经验模态实现其变形数据的信息分解,再利用优化径向基神经网络和马尔科夫链完成滑坡变形的分项组合预测;最后,利用季节性Kendall检验判断滑坡变形趋势,以验证预测结果的可靠性.[结果]经验模态能有效分解滑坡变形信息,且通...     

遗传算法优化神经网络的坡面入渗产流模型

引入遗传算法优化BP神经网络权重和阈值的方法建立黄土坡面产流入渗模型.模型以雨强、降雨历时、表层40 cm土壤前期含水量、坡度值为输入项,径流量、入渗量为输出项,用实测资料对网络进行模拟和预测.模拟结果平均误差6.32%和1.93%,预测结果平均误差为5.71%和1.92%.并与传统BP神经网络模型和定雨强Philip...     

钻蛀性害虫取食声音的人工智能早期识别

【目的】以双条杉天牛为研究对象,设计基于卷积神经网络的识别模型识别其取食声,并对模型的抗噪性能进行测试,以期实现蛀干害虫的早期预警。【方法】使用SP-1 L探头连接NI 9215电压采集卡采集双条杉天牛咬食木段的声音和典型户外环境下的噪声并以音频格式保存。研究选取部分噪声作为加噪音频,以-3 dB至3 dB的信噪比向双条杉天牛取食声中混入环境噪声,生成训练数据和简单测试集,然后经过短时傅里叶变换、对数计算、平均池化3步操作计算音频的平均对数谱,分别设计并训练基于卷积神经网络的识别模型和传统高斯混合模型,提取音频特征判断音频是否为双条杉天牛取食声。为进一步测试模型的抗噪性能,利用独立划分的加噪音频以-7～3 dB的信噪比向双条杉天牛取食声中混入噪声生成抗噪测试集,对卷积神经网络和传统高斯混合模型的抗噪性能进行测试。【结果】在简单测试集上,基于卷积神经网络的识别模型的识别准确率为98.80%,较高斯混合模型有0.88%的下降。在抗噪测试集上,基于卷积神经网络的识别模型识别双条杉天牛取食声的整体准确率为97.37%,较高斯混合模型提高6.76%,其中,信噪比为-3 dB时,识别准确率为98.13%,较高斯混合模型提高9.80%,信噪比为-6 dB时,识别准确率为92.13%,较高斯混合模型提高5.67%。【结论】卷积神经网络能有效综合频谱特征,准确判断音频中有无双条杉天牛的取食声,同时,相比高斯混合模型,卷积神经网络具有良好的泛化能力,在低信噪比下仍能保证较高的识别准确率。基于卷积神经网络的取食声识别模型能够适应林木蛀干害虫的野外监测环境,可为隐蔽蛀干害虫的自动化监测和早期预警提供技术支撑。     

基于人工神经网络的发动机故障诊断

提出了一种用RBF网络简化汽车故障诊断仪数据流功能的方法。以RBF网络为识别模型,对电喷发动机的故障进行训练,并应用于待识别故障样本的识别仿真。结果表明：基于RBF的故障诊断方法优于基于BP网络故障诊断,在电喷发动机故障诊断中是行之有效的方法。     

基于BP神经网络的龙羊峡水库年末消落水位控制研究

龙羊峡水库长期处于低水位运行,严重影响了其综合效益。运用逐步回归的方法寻找影响水库年末消落水位的主要因素,以此为基础,建立了控制龙羊峡水库年末消落水位的BP神经网络模型,并采用长系列资料对逐步回归模型和BP神经网络模型的预测结果进行了比较和误差分析。结果表明,BP神经网络模型优于逐步回归模型。     

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一,具有时序性、不稳定性和非线性等特点,且其影响因子过多、存在复杂的耦合关系,难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据,且在训练过长序列时会出现梯度消失现象,从而不能捕捉因子间长期的依赖性问题,提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先,使用WT降低数据噪声;然后,使用CNN深度挖掘各变量之间的潜在关系;最后,利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明,本文提出的WT-CNN-LSTM模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954,比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

基于Elman小波神经网络的垦区地下水位预测模型研究

在现有Elman神经网络和小波分析理论研究的基础上,提出了Elman小波神经网络模型。给出了Elman小波神经网络梯度下降法训练的推导过程,为了避免梯度下降法收敛速度慢、容易产生振荡和陷入局部最优等缺点,在Elman小波神经网络的训练过程中引入动量项和自适应学习速率,并将该网络应用到垦区地下水位预测中,取得了良好的预期效果。在训练过程中,该网络具有收敛速度快,精度高等优点,同时也具有较好的泛化能力。     

基于地基激光雷达的叶倾角分布升尺度方法研究

地基激光雷达因其具有穿透力强,能够提取植被冠层三维结构信息的优势,是提取植被叶倾角分布(Leaf angle distribution,LAD)的理想数据源,因此将地基激光雷达数据与遥感影像结合获取大尺度叶倾角分布结果颇具潜力。以河北省保定市北部4个县为研究区,利用10个玉米样地的地基激光雷达数据提取叶倾角分布结果,使用主成分正变换提取玉米实测叶倾角分布数据中信息量最大的前3个主成分,再利用神经网络模型对所提取的主成分与Landsat8反射率数据结合建立关系模型,然后将训练好的模型应用于整个研究区进行升尺度转换,最后通过主成分逆变换,得到升尺度后平均叶倾角(Mean tilt angle,MTA)结果。对升尺度后LAD与实测LAD及升尺度后MTA与实测MTA进行交叉验证,结果表明,升尺度MTA与实测MTA的验证精度(R2)为0.786 2,均方根误差(RMSE)为3.04°。该结果表明,使用提取主成分方法建立光谱数据与叶倾角分布的关系模型从而达到升尺度转换的目的具有可行性,模拟精度较高,且误差较小。     

基于LSTM神经网络模拟的陇中黄土高原沟壑区保护性耕作下土壤贮水量变化

为分析陇中黄土高原沟壑区不同保护性耕作措施的贮水效果,本研究利用春小麦/豌豆（W/P）、豌豆/春小麦（P/W）轮作的长期定位试验,分别设置传统耕作（T）、免耕（NT）、传统耕作秸秆覆盖（TS）和免耕覆盖（NTS）4种耕作措施,以当地月平均气温、月降水量、月平均辐射量、月平均蒸发量、月作物耗水量为输入因子,以月土壤贮水量为输出,建立基于长短期记忆（Long Short-Term Memory,LSTM）神经网络的土壤贮水量预测模型,并对该模型的有效性进行评估。研究结果表明：1）基于LSTM神经网络建立的土壤贮水量模型对陇中黄土高原沟壑区保护性耕作下土壤贮水量预测具有较好的适用性,模型模拟结果的平均均方根误差为7.76 mm,平均绝对误差为6.95 mm,相对误差控制在-5%~+5%的范围内。2） P/W轮作序列中各处理的土壤贮水量均比W/P轮作序列增加1.09%~1.43%。3）不同轮作序列,NTS处理的贮水效果均优于其他3种耕作措施,在W/P轮作序列中,NTS处理的年均土壤贮水量比T、NT和TS分别增加2.89%、1.70%和2.46%;在P/W轮作序列中,NTS处理的年均土壤贮水量比T、NT和TS分别增加3.03%、1.91%和2.57%。4）不同降水年型,NTS处理的土壤贮水量最高,且干旱年效果更加显著,其中丰水年NTS处理的土壤贮水量比T、NT和TS平均增加2.71%、1.48%和2.19%,而干旱年平均增加3.97%、2.54%和3.64%。5）保护性耕作措施的贮水效果随季节发生变化,作物生长前期（3-5月）保护性耕作措施的贮水优势较为明显,进入作物生长旺盛期（5-6月）保护性耕作措施与传统耕作的贮水效果差异不显著,而作物生长后期（7月）保护性耕作措施较传统耕作土壤贮水量明显增加。基于LSTM神经网络模拟环境下免耕覆盖的贮水保墒效果最好,为陇中黄土高原沟壑区最适宜的保护性耕作措施。     

基于计算机视觉和神经网络的牛肉颜色自动分

将采集的牛胴体眼肌切面图像人工确定其颜色等级,然后通过计算机图像处理方法,分割出肌肉区域并提取出其在RGB和HIS颜色空间的颜色特征参数.设计一个以牛肉的颜色特征参数为输入、牛肉的颜色等级为输出的BP神经网络模型,通过训练,确定模型的结构参数,用测试样本对该模型进行验证.结果显示,用该模型进行牛肉颜色等级预测的正确率可达95%,耗时仅0.25s.表明利用所设计的模型可以对牛肉的颜色等级进行快速、准确的自动判定.