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。     

煤与瓦斯突出自适应小波基神经网络辨识和预测模型

由于煤与瓦斯突出是一典型的复杂非线性动力系统,影响因素很多,如应力、煤层特征、构造等,且各影响因素相互关联,因此,采用非线性人工神经网络进行煤与瓦斯突出的模式辨识与预测是十分必要的。针对具体的不同煤层条件,建立自适应小波基神经网络激活函数模型,用于煤与瓦斯突出系统的辨识和预测,实现由网络本身自动确定神经单元的数目,避免人为因素的影响,提高辨识和预测的可靠性和智能化程度。实例分析结果表明,所建立的自适应小波基神经网络激活函数模型,辨识和预测精度高,具有重要的推广应用价值。     

煤与瓦斯突出自适应小波基神经网络辨识和预测模型

由于煤与瓦斯突出是一典型的复杂非线性动力系统,影响因素很多,如应力、煤层特征、构造等,且各影响因素相互关联,因此,采用非线性人工神经网络进行煤与瓦斯突出的模式辨识与预测是十分必要的.针对具体的不同煤层条件,建立自适应小波基神经网络激活函数模型,用于煤与瓦斯突出系统的辨识和预测,实现由网络本身自动确定神经单元的数目,避免人为因素的影响,提高辨识和预测的可靠性和智能化程度.实例分析结果表明,所建立的自适应小波基神经网络激活函数模型,辨识和预测精度高,具有重要的推广应用价值.     

基于小波网络的三峡永久船闸中隔墩稳定性分析和预测模型

三峡永久船闸中隔墩的稳定性影响着船闸的安全运营，但其安全系数与控制因素之间具有很强的非线性映射关系。引入小波网络，利用其良好的时频局域化性质和强自学习功能，通过一些工程实例作为网络的训练模式，来刻划和模拟它们之间的非线性映射关系，并将训练好的网络来分析和预测永久船闸中隔墩的稳定性。分析结果表明，模型的拟合和预测精度均较高，可用于定量评价其稳定性；并且，模型具有强抗噪音能力，而这对解决实际工程问题是非常重要的。同时，设计的网络学习算法性能较优，这是由于在小波网络整个参数空间中的子空间能最小化误差目标函数。     

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.     

框架结构多尺度非线性最小二乘识别

根据小波变换多分辨分析理论,将积分算子变换法获得的变换空间完备信息进行小波变换,其低尺度上的信号信噪比提高。在不同尺度上对静力凝聚后的杆系一层框架模型进行非线性最小二乘辨识,可以获得比单尺度上更高的识别精度。对一个4层1跨2开间钢筋混凝土框架结构模型在顶点白噪声激励下的各层响应进行分析,运用多尺度非线性最小二乘辨识方法对框架模型的层弹性模量进行了有效识别。     

基于小波神经网络的新沂河大桥有限元模型修正

以新沂河大桥——预应力混凝土连续梁桥为工程背景,提出了一种基于小波神经网络(WNN)的有限元模型修正方法。该方法首先以不同设计参数条件下有限元模型计算频率作为网络输入,并以主梁混凝土材料密度和弹性模量、支座与伸缩缝处纵、横向约束刚度作为网络输出。进而利用小波神经网络来逼近两者之间的非线性映射关系,并验证该网络的精度及其泛化能力。结合实桥环境振动试验数据,利用保存的网络参数及神经网络的泛化特性,得到有限元模型设计参数的修正值。结果表明:有限元模型修正后的计算结果与实测结果比较吻合,最大误差不超过5%,修正后的有限元模型能较好地反映桥梁的真实状态。     

基于小波函数的地下水水位预测

本文介绍了小波分析的基本原理和小波网格模型的结构,针对小波模型开发了确定模型参数的全局算法,利用以上模型和算法对地下水水位进行了预测。表明,小波网络模型在对水位的中短期预测方面有很好的效果。     

基于小波神经网络的轧制压力高精度预报模型

由于传统的轧制压力计算模型结构简单,即使采用自适应技术,也难以适应不断提高的精度要求。为了提高精轧机组轧制压力预设定精度,采用小波神经网络方法对轧制压力进行预报,利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。经离线仿真证明,该小波神经网络该方法的预报精度优于同等规模的BP网络,预报结果的相对误差基本限制在5%以内。且其训练方法具有收敛速度快的特点,具有很好的在线应用前景。     

某隧道锚杆完整性的无损检测方法

声波测试技术应用于锚固工程完整性无损检测中 ,其基本原理是采用动力瞬态激振引起锚杆弹性振动 ,通过测定锚杆的振动响应来估计和推断锚杆的完整性。基于小波包分析得到的能量特征向量 ,可以作为锚杆缺陷特征向量进行无损检测。人工神经网络这类非线性动力学系统运用于该灰色系统的质量预测可取得良好效果。     

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。     

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。     

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。为了提高神经网络训练效率和短期风速预测精度,使用经验模态分解和小波变换对风速数108据进行分解,将分解后的风速分量作为神经网络的输入。结合数据分解方法,分别采用BP、Elman、GRNN和ANFIS等4种神经网络模型完成了两次台风影响下某实测场地平均风速的6步提前预测。结果表明,基于集合经验模态分解或小波分解的神经网络预测方法,相比不进行数据分解的直接神经网络预测法,台风风速预测精度提高了50%以上。在4种神经网络模型中,小波变换和BP神经网络模型组合具有最优的台风风速预测精度。     

基于Sym小波和BP神经网络的基桩缺陷智能化识别

为提高基桩低应变动测信号的分析水平,采用一种新的时频域分析方法——小波分析。利用Sym小波对基桩速度响应时程曲线进行小波分解,对指定频带上的信号分量进行特征值提取,提取的特征值为反映各频带范围内体现能量分布的功率谱均值,提取的特征值可构成反映信号特征的特征向量,同时利用BP人工神经网络的非线性映射特性建立特征向量和基桩缺陷类别之间的一种对应关系。通过数值模拟的方法可以得到大量不同缺陷类型的基桩的桩顶速度响应时程曲线,对这些数值模拟信号进行小波分解得到的特征向量为神经网络的学习提供大量训练样本。最后,利用实测信号小波分解后得到的特征向量对训练过的神经网络进行检验,其识别结果表明,训练后的神经网络能根据实测信号的特征向量对基桩缺陷进行智能化的识别。     

Wavelet and ANN combination model for prediction of daily suspended sediment load in rivers

In this research, a new wavelet artificial neural network (WANN) model was proposed for daily suspended sediment load (SSL) prediction in rivers. In the developed model, wavelet analysis was linked to an artificial neural network (ANN). For this purpose, daily observed time series of river discharge (Q) and SSL in Yadkin River at Yadkin College, NC station in the USA were decomposed to some sub-time series at different levels by wavelet analysis. Then, these sub-time series were imposed to the ANN technique for SSL time series modeling. To evaluate the model accuracy, the proposed model was compared with ANN, multi linear regression (MLR), and conventional sediment rating curve (SRC) models. The comparison of prediction accuracy of the models illustrated that the WANN was the most accurate model in SSL prediction. Results presented that the WANN model could satisfactorily simulate hysteresis phenomenon, acceptably estimate cumulative SSL, and reasonably predict high SSL values.     

小波神经网络在水库流量预测中的应用

针对河南省某水库监测点实测的1991~2013年每月的平均流量样本进行归一化处理作为训练样本,构建了使用Morlet、Mexican hat以及高斯一阶导数小波基函数小波神经网络的预测模型实现对2014年的月平均流量的预测,并通过均方误差(MSE)和平均绝对误差(MAE)两项指标对每种网络的预测结果进行评价,从而选择较好的小波基函数作为小波神经网络的隐含层传递函数。研究表明,采用Morlet小波作为神经网络的隐含层基函数对该水库的月平均流量的预测效果要好于其他两种神经网络。     

小波神经网络预测混凝土强度研究

小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络 ,它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题 ,大大简化了训练 ,具有较强的函数学习能力和推广能力及广阔的应用前景。小波神经网络用于混凝土强度预测的结果表明 ,它比传统的BP神经网络的收敛速度快 ,预测精度高     

基于小波神经网络的边坡预报模型研究

边坡变形具有复杂性、随机性、不确定性、地域性、时效性等的特性,对边坡进行精确的预报一直是一个难题。针对此问题,本文建立了基于小波分析的神经网络预报模型来对边坡变形进行研究,结果表明小波神经网络预测模型具有更灵活有效的函数逼近能力,预报的精度高,并通过实例验证了小波神经网络预测模型的高精度性。     

基于小波分析的结构损伤检测

介绍了结构损伤的定义及发展,对损伤识别工作要解决的问题和常用的结构损伤诊断方法进行了分析,阐述了将小波分析与人工神经网络结合起来进行结构损伤检测的方法,并通过算例与传统BP神经网络作比较,以推广其应用。