基于小波分析的神经网络在混凝土测强曲线拟合中的应用

将小波母函数嵌入人工神经网络的神经元形成紧致型小波神经网络,将此种网络用于混凝土非破损检测的测强曲线拟合和预测,提升了纯粹的BP神经网络的拟合和预测精度,效果远胜于最小二乘拟合和预测.通过一个算例对小波神经网络的高精准性和非性线逼近能力进行了验证,对实验数据进行了统计分析,结论表明小波神经网络优于BP神经网络.     

基于小波神经网络对城市供水管网压力的预测

为了对城市供水管网的压力进行更准确的预测,提出了运用小波神经网络的方法,对供水管网压力进行预测。该方法以BP神经网络为基础,用小波基函数取代了BP神经网络的隐含层函数,并对其进行了优化,并用该方法进行模拟仿真。结果表明,小波神经网络比BP神经网络更能准确预测水压值,最大误差为4.39%,最小误差为0.31%。该方法具有更强的学习性能、精确度及容错能力,在水压预测中有更实用的价值。     

BP与小波神经网络短时交通流预测对比研究

短时交通量预测是实时管理、调度城市交通的基础。采用小波神经网络方法预测短时交通量,给出了小波变换的基本原理,选取母小波为隐含层基函数构建小波神经网络的基本框架。选取南京市某路段为实例,通过对比传统BP神经网络说明小波神经网络的准确性。实验表明,两种神经网络预测方法都具有一定的准确性,小波神经网络优于BP神经网络。     

太阳散射辐射逐日预测模型研究

针对于传统的确定性太阳辐射模型不能反映气象变化的弊端,提出了基于回归BP神经网络和小波分析理论的太阳散射辐射逐日预测模型。神经网络具有非线性函数逼近及自组织自学习的能力,基于小波分析在信号处理方面的时频域多分辨特性,本文利用小波变换将太阳散射辐射数据序列进行时频域分解后作为神经网络预测模型的输入样本,实例表明该方法与传统模型相比预测精度高,具有可行性。     

基于SA—BP算法的小波神经网络在喷射器性能预测中应用

以现有的喷射器实验结果数据集作为样本,用三种小波神经网络分别预测喷射器的性能,网络的训练分别采用模拟退火BP算法和BP算法,得出了最适合本模型的小波函数.数值实验结果显示,这种小波神经网络预测喷射器性能的精度能够满足实际工程的要求,而采用模拟退火BP算法比采用BP算法训练的效果略好.     

小波神经网络在软基沉降组合预测中的应用

将小波神经网络组合预测模型引入软土路基沉降预测中。把5组不同形式的s型增长模型单项预测结果作为小波网络的输入向量,将代表相应时刻的实际值作为小波网络的输出,对软基沉降序列进行非线性组合预测。预测结果表明,小波网络组合预测的结果比各单项模型预测的结果都好,与BP神经网络相比,小波网络的收敛速度更快,预测精度更高,模型的泛化能力更强。     

基于小波神经网络的拦渣坝变形分析研究

本文介绍了小波分析与神经网络有机结合的小波神经网络的基本原理,并将其应用于某大型拦渣坝变形监测实例中,通过将所建立的模型与常规BP神经网络训练和预测结果的比较,可以看出小波神经网络在拦渣坝的变形预测中具有收敛速度快、预测精度高的特点。     

基于相似数据的人工神经网络短期风速预测模型

提出基于相似数据并结合小波分析的数据预处理模型,并运用基于反向传播(BP)神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本,采用小波分解将风速信号分解成低频趋势信号和高频随机信号,采用BP神经网络建模,合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明,相似数据有效地提高了数据的相关度,小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性,提高了预测精度。     

三种神经网络对上证指数预测的研究

对金融时间序列的预测在投资决策以及风险规避中具有重要的意义,其中的股票市场走势预测始终是金融市场预测领域的热点和难点。本文通过对BP神经网络、径向基神经网络和小波神经网络的预测效果进行比较,发现BP神经网络在上证指数预测中具有较高的准确性。     

基于趋势项分离的隧道变形组合预测研究

以小波变换分离隧道变形数据的趋势项和误差项,采用回归模型对趋势项进行单项预测,并进一步对其进行组合预测;同时,利用BP神经网络对误差项及原始数据项进行预测,最后对比本文组合预测与传统BP神经网络的预测结果。结果表明:sym5小波函数对本文监测数据的分离效果最好,而非线性组合预测的精度要优于线性组合预测的精度,且综合对比本文组合预测和BP神经网络的结果,得出本文的组合预测很大程度上提高了预测精度,为隧道的变形预测提供了一种新的思路。     

耦合台风天气预报模式和实测数据的神经网络风速预测

基于准定常假定,风荷载与风速平方成正比.为了实现对结构的台风动力效应进行分析预测,建立了耦合数值天气预报(weather research and forecast,WRF)模式和现场实测数据的风速预测神经网络模型,开展台风短期风速的高精度预测.利用该模型对2017年"泰利"和2018年"康妮"的台风风场进行模拟和预测...     

神经网络在城市燃气短期负荷预测中的应用

文章简述了神经网络的基本特点,详细介绍了BP网络、RBF网络以及小波神经网络在城市燃气负荷预测领域的研究和应用现状,对三种神经网络进行比较,并分析了神经网络预测法的优缺点。     

神经网络在配制高强预拌泵送混凝土中的应用

基于人工神经网络的原理 ,提出了解决高强预拌泵送混凝土配制问题的BP神经网络方法 ,据此开发的混凝土配合比设计应用软件 ,能较好地进行强度及流动性能的预测     

基于小波分析和神经网络的静力触探土类划分

利用小波分析和BP神经网络,建立一种用于基于静力触探数据进行土类划分的神经网络模型。该方法基于实测数据,利用小波分析获得不同土层触探参数的特征值,并用BP神经网络建立特征值与土类之间的映射关系,从而得到BP神经网络分类模型。结果表明,该方法可以有效地进行土类划分。     

Enhancing Neural Network Traffic Incident-Detection Algorithms Using Wavelets

Researchers have presented freeway traffic incident-detection algorithms by combining the adaptive learning capability of neural networks with imprecision modeling capability of fuzzy logic. In this article it is shown that the performance of a fuzzy neural network algorithm can be improved through preprocessing of data using a wavelet-based feature-extraction model. In particular, the discrete wavelet transform (DWT) denoising and feature-extraction model proposed by Samant and Adeli (2000) is combined with the fuzzy neural network approach presented by Hsiao et al. (1994). It is shown that substantial improvement can be achieved using the data filtered by DWT. Use of the wavelet theory to denoise the traffic data increases the incident-detection rate, reduces the false-alarm rate and the incident-detection time, and improves the convergence of the neural network training algorithm substantially.     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

Nonparametric Identification of a Building Structure from Experimental Data Using Wavelet Neural Network

Abstract:   This study presents a wavelet neural network-based approach to dynamically identifying and modeling a building structure. By combining wavelet decomposition and artificial neural networks (ANN), wavelet neural networks (WNN) are used for solving chaotic signal processing. The basic operations and training method of wavelet neural networks are briefly introduced, since these networks can approximate universal functions. The feasibility of structural behavior modeling and the possibility of structural health monitoring using wavelet neural networks are investigated. The practical application of a wavelet neural network to the structural dynamic modeling of a building frame in shaking tests is considered in an example. Structural acceleration responses under various levels of the strength of the Kobe earthquake were used to train and then test the WNNs. The results reveal that the WNNs not only identify the structural dynamic model, but also can be applied to monitor the health condition of a building structure under strong external excitation.     

混凝土中钢筋直径雷达检测的神经网络方法

介绍了神经网络的基本理论,提出了一种利用神经网络处理探地雷达信号对钢筋混凝土中钢筋直径进行测算的新方法;采用BP和Elman两种神经网络模型,并利用小波包分析提取了雷达波的特征参数;针对神经网络应用时实际训练数据不足的问题,提出利用多项式拟合的方法来补充训练数据。试验结果表明:该方法对钢筋直径的测算结果是令人满意的。     

基于BP网络的碳纤维混凝土强度研究

介绍了应用均匀设计理论设计碳纤维混凝土配方的方法,通过所得到的试验数据,运用人工神经网络(ANN)的方法预测碳纤维混凝土抗压强度和劈裂抗拉强度;阐述了采用BP算法建立碳纤维混凝土抗压强度神经网络模型的过程,仿真结果表明,BP网络可成功地建立非线性的强度模型,预测强度可达到较高精度。