简介：小波神经网络对建筑物变形预报具有较高的模型拟合及预报精度.从小波神经网络算法原理出发,阐述了使用该方法对所获得的桥梁变形监测数据进行模型建立及预报的过程,并利用Matlab实现了编程代码.通过对某桥梁变形监测预报的应用表明,该方法具有很强的可行性和实用性,可及早为桥梁变形预警,避免或减少灾害的发生.

简介：为了掌握洪湖水质未来的变化情况以及预防污染事件的发生,建立了一个BP神经网络水质指标预测模型。利用洪湖1990~2014年的水质指标实测数据作为学习样本,选取了pH、溶解氧（DO）、铵态氮（NH4＋—N）、硝态氮（NO3-—N）、总氮（TN）、总磷（TP）6项指标作为预测参数,建立了BP神经网络模型,并运用该模型对洪湖水质指标进行了预测,同时引入一元线性回归模型与GM（1,1）灰色预测模型与该模型进行对比。结果表明,BP神经网络模型预测的水质指标的相关性系数都在0.998以上,平均相对误差都控制在2.5%以内,对单个指标的预测相对误差也都小于9%,明显优于一元线性回归模型和灰色预测模型;BP神经网络模型预测精度较高,预测速度快,能够相对准确地预测大部分水质指标,可以有效地应用于洪湖以及其它水域水质指标的预测和水质趋势的预警预报系统中。

简介：新的钻井工艺或钻井液体系的使用在保证钻井施工顺利进行的同时,也给录井岩屑的岩性识别带来了极大的挑战,其中以膏盐岩地层尤为突出。以塔里木油田大北X井为例,提出了主成分分析（PCA）与径向基函数（RBF）神经网络相结合的膏盐岩地层岩性识别方法,利用主成分分析法去除指标变量间的相关性,将原始指标变量重新线性组合为4项综合变量作为RBF神经网络的输入向量;最后建立适于识别膏盐岩地层岩性的RBF神经网络模型。实际识别结果表明,该PCA-RBF神经网络模型对于膏盐岩地层岩性的识别具有较高的准确性,完全可以满足实际应用的要求,具有进一步推广的价值。

简介：利用1961-2002年ERA-40逐日再分析资料和江淮流域56个台站逐日观测降水量资料,引入基于自组织映射神经网络（Self-OrganizingMaps,简称SOM）的统计降尺度方法,对江淮流域夏季（6-8月）逐日降水量进行统计建模与验证,以考察SOM对中国东部季风降水和极端降水的统计降尺度模拟能力。结果表明,SOM通过建立主要天气型与局地降水的条件转换关系,能够再现与观测一致的日降水量概率分布特征,所有台站基于概率分布函数的Brier评分（BrierScore）均近似为0,显著性评分（SignificanceScore）全部在0.8以上;模拟的多年平均降水日数、中雨日数、夏季总降水量、日降水强度、极端降水阈值和极端降水贡献率区域平均的偏差都低于11%;并且能够在一定程度上模拟出江淮流域夏季降水的时间变率。进一步将SOM降尺度模型应用到BCCCSM1.1（m）模式当前气候情景下,评估其对耦合模式模拟结果的改善能力。发现降尺度显著改善了模式对极端降水模拟偏弱的缺陷,对不同降水指数的模拟较BCC-CSM1.1（m）模式显著提高,降尺度后所有台站6个降水指数的相对误差百分率基本在20%以内,偏差比降尺度前减小了40%-60%;降尺度后6个降水指数气候场的空间相关系数提高到0.9,相对标准差均接近1.0,并且均方根误差在0.5以下。表明SOM降尺度方法显著提高日降水概率分布,特别是概率分布曲线尾部特征的模拟能力,极大改善了模式对极端降水场的模拟能力,为提高未来预估能力提供了基础。