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。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析中具有良好的实际应用价值。     

冲击地压AE时间序列小波神经网络预测模型

针对冲击地压监测AE时间序列的特点,建立了由伸缩和平移因子决定的小波基函数代替Sigmoid等传递函数的小波神经网络预测模型,避免了传统神经网络需要人为干预网络结构参数的不足。实例分析表明,该模型拟和预测精度高,具有重要的应用价值。     

基于小波神经网络对铁路客运量的预测研究

在现代交通运输中,铁路运输的地位很高,通过建立小波神经网络模型,对客运量做出预测。首先将原始数据通过小波去噪,然后进行归一化处理,最后基于小波神经网络建立预测模型,通过对比未去噪的和去噪,发现去噪后的模型误差小。     

小波神经网络在大坝变形预报中的应用

大坝变形统计模型以回归模型为主,建立变形量与自变量间的线性关系。神经网络变形预报模型可以反映监测量与效应量间的非线性关系,建立准确的变形预测模型。建立基于逐步回归模型和小波神经网络的大坝变形预报模型,通过对比两种模型,验证了相比逐步回归,小波神经网络模型在拟合和预测上均有着更好的表现。     

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。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

基于组合预测模型的股票预测方法的研究

对股票预测问题进行了深入的研究,提出了一个新的预测方法.针对股票时间序列的高度非线性、高噪音的特点,采用小波变换方法有效的过滤噪音、约简数据,并对ARIMA模型和BP神经网络预测模型进行了研究和分析,提出了一个基于ARIMA模型和BP神经网络模型的模糊变权重组合预测模型,应用该模型对股票时间序列进行分析预测,取得了令人满意的效果.     

遗传优化的BP网络预测路基沉降

针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点,提出了基于遗传优化的BP神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统的BP神经网络预测模型对比,结果表明遗传优化的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

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。     

A Wavelet Support Vector Machine‐Based Neural Network Metamodel for Structural Reliability Assessment

Wavelet neural network (WNN) has been widely used in the field of civil engineering. However, WNN can only effectively handle problems of small dimensions as the computational cost for constructing wavelets of large dimensions is prohibitive. To expand the application of WNN to higher dimensions, this article develops a new wavelet support vector machine (SVM)‐based neural network metamodel for reliability analysis. The method first develops an autocorrelation wavelet kernel SVM and then uses a set of wavelet SVMs with different resolution as the activation function of WNN. The output of network is obtained through aggregating outputs of different wavelet SVMs. The method takes advantage of the excellent capacities of SVM to handle high‐dimensional problems and of the attractive properties of wavelet to represent complex functions. Four examples are given to demonstrate the application and effectiveness of the proposed method.     

百叶外遮阳太阳散射辐射计算模型及程序实现

窗户外部的遮阳系统可以减少进入室内的太阳辐射得热量。目前,在计算遮阳系统对太阳辐射的遮挡作用时,仅仅从几何角度上考虑遮阳构件对直射辐射的减少作用,没有考虑对散射辐射的影响,但在实际中,遮阳构件的存在,对散射辐射的影响不能忽略,特别是对于百叶类型的遮阳构造,由于其布置较为紧密,对直射辐射遮挡较多,进入室内的太阳辐射主要为散射辐射,因此建立详细的散射辐射计算模型,可以正确反映和评估其遮阳效果,并为计算遮阳构件对建筑能耗的影响提供基础。通过分析散射辐射入射到百叶遮阳板上的光学特性,建立用于计算太阳散射辐射透过和反射的数学模型,并根据该模型得到用于计算机编程的算法。该模型和算法可以应用于不同的百叶遮阳系统,为建筑能耗模拟中考虑百叶遮阳板对空调能耗的影响提供理论基础。     

A validation methodology aid for improving a thermal building model: case of diffuse radiation accounting in a tropical climate

As part of our efforts to complete the software CODYRUN validation, we chose as test building a block of flats constructed in Reunion island, which has a humid tropical climate. The sensitivity analysis allowed us to study the effects of both diffuse and direct solar radiation on our model of this building.With regard to the choice and location of sensors, this stage of the study also led us to measure the solar radiation falling on the windows. The comparison of measured and predicted radiation clearly showed that our predictions overestimated the incoming solar radiation, and we were able to trace the problem to the algorithm which calculates diffuse solar radiation. By calculating view factors between the windows and the associated shading devices, changes to the original program allowed us to improve the predictions, and so this article shows the importance of sensitivity analysis in this area of research.     

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     

An Adaptive Wavelet Frame Neural Network Method for Efficient Reliability Analysis

Artificial neural networks (ANNs) method is widely used in reliability analysis. However, the performance of ANNs cannot be guaranteed due to the fitting problems because there is no efficient constructive method for choosing the structure and the learning parameters of the network. To mitigate these difficulties, this article presents a new adaptive wavelet frame neural network method for reliability analysis of structures. The new method uses the single‐scaling multidimensional wavelet frame as the activation function in the network to deal with the multidimensional problems in reliability analysis. Because the wavelet frame is highly redundant, the time–frequency localization and matching pursuit algorithm are respectively utilized to eliminate the superfluous wavelets, thus the obtained wavelet frame neural network can be implemented efficiently. Five examples are given to demonstrate the application and effectiveness of the proposed method. Comparisons of the new method and the classical radial basis function network method are made.     

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。     

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。     

太阳辐射直散分离模型比较研究——以北京地区为例

在建筑能耗模拟与太阳能建筑系统设计中,逐时的太阳直射和散射气象数据是最重要的基本参数。由于中国辐射观测数据的缺失,逐时直射和散射数据很难获得。很多学者对此进行了研究,提出了数十种直散分离模型。采用北京地区2009年—2011年3年太阳总辐射和散射实测数据,选取Erbs模型、Orglill模型、清华大学随机气象模型、宇田川光弘模型、张晴原模型5个代表性的直散分离模型进行计算验证,分析比较了实测数据和计算数据之间的相关系数R、均方根误差RMSE和相对误差RE,得出晴空指数Kt可以作为最主要的影响因子,Erbs模型预测散射的准确率最高,其次为张晴原模型和Orglill and Hollands模型。