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。     

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。     

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BP神经网络的滑坡地质灾害预测方法

为了解决滑坡地质灾害传统预测方法中出现的综合性、实用性不强等问题,本文研究用基于优化参数设置的BP神经网络模型来预测滑坡地质灾害。该方法基于BP神经网络,顾及与滑坡地质灾害产生紧密相关的地质条件和环境因素,对BP神经网络的输入层、隐含层、输出层的参数进行优化;再由历史的经验数据通过训练、泛化建立基于BP神经网络的地质灾害预测模型;最后,按照0和1的组合结果对滑坡地质灾害进行预测。本文利用该模型对汶川地震诱发的滑坡地质灾害进行分析预测,结果表明:该模型的预测结果与实际结果吻合度达到86%~90%,预测精度较高,验证了基于改进的BP神经网络预测滑坡地质灾害的方法是实际可行的。     

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.     

基于BP神经网络的木材着火时间预测

提出了一种基于BP神经网络获得木材辐射热流作用下着火时间与物性参数相互关系的方法。建立了木材热解数值模型,模型中考虑了水蒸发、活性物质热解、热解气体流动等物理化学过程并使用实验数据进行了验证;基于数值模型提供的数据搭建并训练了BP神经网络;利用随机生成的数值数据验证了BP神经网络模型的可靠性。该方法结合了数值模拟和BP神经网络算法预测的优点,克服了实验样本数据量有限及数值模型求解较慢的问题。     

基于遗传算法和BP神经网络的多维客户行为细分模型的研究

根据BP神经网络强处理非线性问题和遗传算法具有全局寻优的特点,总结出用遗传算法优化BP神经网络的初始权值和阈值,建立了基于遗传算法和BP神经网络的多维客户行为细分模型,对客户进行细分,挖掘出潜力客户,有效降低营销成本。最后,利用Matlab对多组数据进行测试,并与纯BP算法进行分析比较,结果表明该方法是有效可行的。     

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。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

桁架结构损伤识别的数据融合方法研究

以数据融合技术进行桁架结构的单损伤和多损伤识别。通过研究基于频率的结构损伤理论,分析归一化的频率和损伤位置的关系;利用小波概率神经网络的算法对决策融合进行修正,建立基于小波概率神经网络的数据融合结构损伤识别模型。运用结构计算软件计算了一典型桁架结构的频率,并融合为小波概率神经网络算法的输入特征向量,并对桁架算例模型结构进行损伤识别。通过桁架不同位置的损伤情况,验证该方法的有效性,并提出工程应用中应注意的问题。研究结果表明,基于小波概率神经网络算法的数据融合技术是一种比较可靠的损伤识别方法,具有良好的工程应用前景。     

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。     

基于BP网络的隧道围岩位移预测方法

介绍人工神经网络模型法的基本原理与步骤,探讨了隧道围岩收敛监测数据与人工神经网络间的联系,并建立了基于人工神经网络的隧道围岩收敛预报模型。以工程实例为背景,对隧道围岩的收敛变形进行预报分析。研究结果表明:BP网络预测值与实测值吻合程度很好,完全满足工程及控制的要求。     

基于递归神经网络的基坑工程变形多步预测方法研究

针对深基坑系统的复杂的非线性及基坑工程变形多步预测的重要性 ,将人工神经网络技术引入其中。分析了用BP网络进行多步预测时存在的不足 ,提出了基于递归神经网络的基坑工程变形多步预测模型。通过一软土深基坑工程变形多步预测实例的分析 ,论证了递归神经网络用于基坑工程变形多步预测的可靠性和实用性。该方法有效可行 ,在其他领域的多步预测中同样具有广阔的应用前景。     

组合模型在建筑物沉降预测中的应用

对将BP神经网络与Verhulst模型组合,建立了一种组合模型,并结合天津老城厢晶典苑中级人民法院沉降监测工程实例,通过组合模型和BP神经网络模型、Verhulst模型预测值与真实值的比较,讲究表明组合模型具有较强的适用性,提高了Verhulst模型的预测精度。     

小波分析与神经网络在结构多处损伤监测中的应用

采用小波分析对获得的结构动力响应进行小波分解，根据各种响应信号对损伤的灵敏度选择损伤特征，从而识别结构多次出现损伤的时刻，实现对结构损伤时刻的监控；对结构第1层加速度响应信号做小波包分解，得到各频段能量的特征向量，作为特征参数输入到BP神经网络中实现结构多处损伤位置和程度识别。模拟算例表明，小波分析和BP神经网络联合运用能准确地诊断结构多处损伤的时刻、位置和程度，具有一定的可行性。     

型钢高强混凝土框架柱位移延性系数研究

基于80根混凝土设计强度等级为C60—C80的型钢高强混凝土(SRHSC)框架柱的低周反复加载试验结果,对其位移延性系数进行研究。基于MATLAB利用人工神经网络原理建立4-6-1型BP神经网络模型,分析了混凝土强度、轴压比、体积配箍率和剪跨比等试验设计参数对SRHSC框架柱位移延性的影响规律和机理。结合各因素对SRHSC框架柱位移延性的影响规律,建立位移延性系数计算模型。通过对试验数据和网络预测数据进行多元非线性回归分析,得到考虑多影响因素的SRHSC框架柱位移延性系数经验公式。研究成果可为SRHSC框架柱的抗震与优化设计提供参考。     

深基坑工程土层参数反分析方法探讨研究

深基坑工程受时空效应、地质条件以及土体不确定性的影响较大,其土层参数难以确定.根据现场实测数据利用基于FLAC正分析的BP神经网络反分析方法,对工程中的关键土层进行参数反分析,算例结果显示:以实测地下连续墙最大水平位移反分析的⑥1层土体参数与实验值吻合较好,说明在深基坑工程中,基于FLAC正分析的BP神经网络反分析方法...     

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     

软土变形特性的神经网络模型研究

根据软土三轴试验成果和神经网络技术建立不同应力路径下软土BP模型和软土蠕变BP模型,并通过独立试验数据验证模型的可靠性,说明神经网络模型可以作为土体建模的有效路径。通过不同训练方案的对比预测可知:作为软土变形试验的一种补充手段,神经网络模型更适用数据内插的预测。另外,训练样本的多少和可靠性对模型精度影响显著。