共查询到19条相似文献,搜索用时 234 毫秒
1.
2.
3.
4.
5.
6.
基于灰色—BP神经网络组合模型的边坡稳定性预报方法 总被引:2,自引:2,他引:0
在前人研究成果的基础上,研究BP神经网络模型和灰色系统理论的原理,依据它们的适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量,使用BP神经网络进行组合,输出组合预测结果。提出基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型。通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现边坡稳定性评价。 相似文献
7.
8.
9.
本文在前人研究成果的基础上,研究了BP神经网络模型和灰色系统理论的原理,依据其适用条件及优缺点,对同一已知边坡取不同样本区间建立GM(1,1)模型,得到不同的预测结果。将多个灰色预测的结果作为输入变量使用BP人工神经网络进行组合,输出组合预测结果。提出了基于灰色神经网络范例推理的边坡稳定性评价方法,针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了边坡范例检索模型,通过对边坡稳定性因素的灰色模型预处理,以及边坡范例的神经网络学习,最终实现了当前边坡的稳定性评价。 相似文献
10.
11.
In view of the characteristics of soft soil deep foundation pit for the construction and geotechnical characteristics of the
special medium, it is difficult to calculate theoretically accurately structural deformation of the foundation pit, so in
the course of excavation on the construction of the information is particularly important. The analysis and comparison of
several popular non-linear forecasting methods, combined with the actual projects, set up a grey theoretical prediction model,
time series forecasting model, improved neural network model to predict deformation of the foundation pit. The results show
that the use of neural network to predict with high accuracy solution, it is the foundation deformation prediction effective
way in underground works with good prospects.
Supported by the Educational Department of Liaoning Province Through Scientific Research Project(20060051); National Natural
Science Foundation of China (50604009); Universities Excellent Talents Support Plan to Train Foundation of Liaoning(RC-04-13) 相似文献
12.
人工神经网络方法在基坑变形预测中的应用研究 总被引:1,自引:0,他引:1
曹祖宝 《探矿工程(岩土钻掘工程)》2008,35(5):38-41
分析研究了人工神经网络方法在基坑变形预测中的建模方法,并通过实例应用,证明这种方法是切实可行的。同时将人工神经网络方法预测结果和灰色系统模型及时序模型预测进行比较,充分证明人工神经网络方法在变形预测中的优越性。 相似文献
13.
由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示:①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。 相似文献
14.
15.
大坝变形监测是大坝安全监测中最重要的项目之一.由于大坝变形受到各种外界因素的影响,变形情况非常复杂,预测的准确性对大坝的安全评估起着重要作用.因此,对大坝变形分析预报方法的选择显得尤为重要.该文介绍了统计模型和神经网络模型,提出将BP神经网络方法与统计方法结合的方法.用这两种方法对某大坝位移监测数据进行分析,并对未来变... 相似文献
16.
为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。 相似文献
17.
18.
以实测数据为样本, 采用MATLAB中神经网络工具箱, 建立了深基坑围护结构深层水平位移预测模型。预测结果显示, 预测值与实际监测值吻合, 误差较小, 两者在4 m位置处都有最大位移值, 趋势一致, 表明模型能较好满足工程需要。深基坑开挖过程受水文地质条件、空间几何形状、支撑结构体系、施工条件、施工荷载、基坑暴露状况和周边环境等多因素影响, 各因素对变形的影响呈非线性关系, 监测曲线不光滑, 呈中间大、两头小, 反映围护结构受支撑轴力作用, 与现场轴力监测结果一致。 相似文献
19.
BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。 相似文献