共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
以安康膨胀土为研究对象,选用粘粒含量、粉粒含量、液限和塑性指数4个分级指标,建立了两层无偏置的BP神经网络模型,研究膨胀土的判别分级问题。结果表明,该模型学习效果良好,能准确预测未知样本的膨胀性;对于安康膨胀土,粘粒含量和粉粒含量对分级结果影响较大,而液限和塑性指数影响较小;相比于传统的指标分级法,该模型具有较好的容错能力,可有效减小指标测量误差对分级结果的影响;BP神经网络用于膨胀土的判别分级是合理可行的,具有一定的推广与应用价值。 相似文献
5.
采用《公路工程地质勘察规范》(JTG C20—2011)推荐的自由膨胀率、塑性指数、标准吸湿含水率作为膨胀土判别与分类指标,将膨胀潜势分为非、弱、中等、强膨胀土4个等级。以某高速公路沿线土样为例,利用SPSS软件建立了土膨胀潜势分级的有序Logistic回归模型,并利用所建模型对待判土样进行判别,结果与实际一致。研究结果表明:有序Logistic回归模型的判别性能良,能客观反映膨胀土分类的复杂状况,具有较好的工程应用前景。 相似文献
6.
膨胀土胀缩等级的判别与分类是在膨胀土地区建设工程首要进行的工作,准确评价膨胀土所处的分类状态,可为工程设计和施工提供合理的参数和科学依据。选取影响膨胀土评价的液限、胀缩总率、塑性指数、天然含水率、自由膨胀率等5个主要因素,依据膨胀土分类标准,采用随机插值生产40个标准样本构建膨胀土分类的分形插值模型,并根据最大似然分类原则计算各个指标的分维数;同时结合样本综合评价值与经验等级之间的关系分析建立分形插值评价模型。通过实例分析表明,该方法简单、可靠,计算得到的每个样本具体得分值及等级优劣顺序合理,且精度可满足工程应用要求。 相似文献
7.
支持向量机是基于统计学习理论的小样本学习方法,是一种处理高度非线性分类回归等问题的新方法,它能较好地解决小样本非线性高维数,避免了神经网络无法解决的局部极小问题.本文简要介绍了支持向量机的基本原理及其在渗流监测数据处理中的应用,论述了如何利用支持向量机建立大坝渗流统计模型和预报.通过对云龙水库渗流监测连续观测数据的计算和分析,并与RBF神经网络预测结果进行比较,证明支持向量回归机在渗流监测中比RBF神经网络预测精度更高,具有良好的泛化能力. 相似文献
8.
9.
10.
11.
对膨胀土胀缩等级的分类是治理膨胀土的首要工作。基于可拓工程方法,选取自由膨胀率、膨胀总率、液限、塑性指数、0.005 mm黏粒含量5项指标作为判别因子,为避免主观因素对确定评价指标权重的影响,提出熵值法计算物元模型中各评价指标的权系数的方法,建立了膨胀土胀缩等级判别的熵权可拓模型并应用于从襄荆高速公路沿线取回的部分土样的胀缩等级判别。实例应用表明:熵权可拓模型对膨胀土胀缩等级的判别结果合理,客观地反映了膨胀土判别的复杂状况,具有较高的可靠性和易操作的优点。 相似文献
12.
针对BP人工神经网络具有易陷入局部极小、学习过程中常常发生振荡等缺陷,提出了在BP算法中引入动量因子,并采用自适应调整学习率的梯度下降算法,建立了砾石土渗透破坏判别的改进BP神经网络模型。根据砾石土渗透破坏的实测资料,分别对BP神经网络判别结果和改进的BP神经网络判别结果进行比较,结果表明后者比前者判别能力更佳。 相似文献
13.
基于粒子群优化BP神经网络的隧道围岩位移反演分析 总被引:2,自引:0,他引:2
针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。 相似文献
14.
15.
基于神经网络的河道浅滩演变预测模型 总被引:12,自引:0,他引:12
河道浅滩演变是一个复杂的非线性动力学过程, 作者借助神经网络处理非线性问题的优势, 在分析影响河道浅滩演变因素的基础上, 建立了预测河道浅淮演变的BP网络模型, 并对模型中的输入因子和样本的提取进行了探讨. 以闽江竹岐至侯官河段为实例,用“试控法”给出了BP网络模型的建模方案, 用正交设计原理选取相应的训练样本集, 利用该样本集对网络进行学习和训练, 并用训练好的BP网络模型预测浅滩上年内最小水深和年平均淤积厚度. 计算结果表明: 模型预测结果与实际值吻合良好. 这为河道浅滩演变预测研究提供了新方法. 相似文献
16.
17.
18.
19.
20.
《人民长江》2021,(2)
长短时记忆神经网络(LSTM)具有极强的复杂多变量时间序列非线性关系拟合和历史数据认知能力,适用于对径流这类复杂时间序列过程进行模拟和预报。基于LSTM,采用灰色关联分析法(GRA),选取合适的预报因子建立G-LSTM预报模型,探究了该模型在短期径流预报中的应用和效果。将该方法应用于长江上游寸滩断面-三峡入库断面的径流模拟,并与传统的新安江模型、BP神经网络、LSTM模型的模拟结果进行比较。结果表明:与传统学习的近似映射相比,G-LSTM模型具有优秀的非线性函数学习能力,率定期与检验期的确定性系数均在0.9以上,明显优于其他两种模型的模拟结果。G-LSTM模型显著提高了短期径流预报精度,是一种有效的径流预测方法。 相似文献