基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

基于支持向量机与BP神经网络的裂缝识别算法研究

为了研究训练样本数量对裂缝识别算法效果的影响,在少样本和多样本的训练条件下建立了基于支持向量机和BP神经网络两种裂缝识别算法。两种算法的对比测试结果表明:在少样本情况下基于支持向量机的算法识别效果明显优越于基于BP神经网络的算法,适合工程使用初期、裂缝样本较少的情况;在多样本情况下两种算法的识别效果基本一致,均可以用于工程上。     

基于BP神经网络的早期火灾图像识别软件

为实现对早期火灾的快速监测,设计了基于BP神经网络的早期火灾图像识别软件。该软件基于MATLAB平台,通过图像处理算法对火焰特征进行提取,并选取其中识别效果较好的特征指标对BP神经网络模型进行训练,从而实现了对火灾图像的快速识别。软件运行结果表明,该软件对火焰图像的识别准确度较高,能够达到识别监测早期火灾、完善火灾报警系统功能的设计目的。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

基于改进BP神经网络的基坑支护结构数据处理

针对现有的基坑监测和预测数据处理方法的不足,对BP神经网络预测模型作了研究和改进,应用改进后的BP算法对基坑支护结构水平位移数据进行处理,并将改进的BP算法与传统算法所建立的模型应用于工程实例进行比较,结果表明,改进后的BP神经网络模型在预测精度、训练时间、稳定性等方面均优于传统BP神经网络模型。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

基于改进后的BP神经网络在混凝土桥梁损伤识别中的应用研究

混凝土桥梁的损伤识别与定位是目前的研究热点之一。本文在传统BP神经网络的基础上对其进行改进,并将改进后的BP神经网络应用在混凝土桥梁损伤定位与识别过程中。首先建立了识别桥梁的数值有限元模型,然后得到不同损伤情况下的桥梁自振频率和曲率模态值。将自振频率和曲率模态值作为改进后BP神经网络的输入参数,以有限元单模型中的损伤位置和损伤程度作为输出值,进而实现对桥梁结构的损伤定位和损伤识别。最后通过南京浦仪公路混凝土简支梁和连续梁为工程背景进行了验证。结果表明：采用改进后的BP神经网络可以很好的实现对桥梁的损伤定位和损伤程度的识别,并且具有很好的识别精度。即使在噪声存在的情况下,改进后的BP神经网络仍然可以达到很好的识别效果。     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

基于BP神经网络的结构损伤识别分析

对损伤识别的参数选取作了分析,以一个经典的简支矩形钢梁为例,对基于BP神经网络的结构损伤识别进行了探讨,从算例结果可以看出：BP神经网络控制理论在结构损伤识别分析中应用是可行的。     

基于神经网络的桥梁损伤识别研究综述

对人工神经网络的基本原理、特点以及与损伤识别的关系作了简要介绍,并重点介绍了损伤识别中常用的BP 神经网络的原理及其改进方法,以及国内外在基于神经网络的桥梁损伤识别应用方面的主要研究成果,最后对神经网络在桥梁损伤识别中的发展和应用作了展望。     

基于BP神经网络的照度计算方法

本文介绍了将BP神经网络应用于照度计算中,建立网络模型,在MATLAB环境下进行仿真的方法。与传统照度计算方法相比,BP神经网络计算获得的结果较理想。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP神经网络的初始权重和阈值进行优化,提出了一种基于GA优化BP神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO浓度进行数据融合实现火灾探测.研究显示,相较单纯BP...     

BP神经网络模型在地下水质量评价中的应用

介绍了BP神经网络的基本原理和计算方法。采用6-11-5三层拓扑结构的BP神经网络模型对伊通河下游地下水质进行评价,并与内美罗指数法、模糊综合评判法和物元可拓法评价结果比较。结果表明BP神经网络计算简便、评价结果客观准确,很好地反映了地下水质量的总体状况。     

改进的BP神经网络在高速铁路变形分析中的应用

将BP(back propagation)神经网络应用于高速铁路变形分析中,依据BP算法的特性,采用通过加入动量项的方法来提高BP算法的运算速度,并对此改进方法进行了实例论证。     

基于神经网络的预应力损失预测

简述了预应力损失的种类及影响因素,介绍了BP神经网络算法,结合预应力损失实测数据,进行了预应力神经网络预测,指出神经网络能够较准确的预测出特定构件的预应力,促进各种特定构件预应力损失情况的研究。     

铁路桥梁混凝土工程造价大数据计算模型优化设计

基于大数据分析,对铁路桥梁混凝土工程造价计算模型的优化进行了研究。通过分析BP神经网络模型原理,发现该模型多输入多输出因素的非线性网络关系处理能力与本工程造价计算的非线性映射关系相吻合。利用计算机软件MATLAB中的BP神经网络工具箱进行搜索和查询,对于所采集得到的混凝土工程样本数据进行学习训练,把各项模型模拟数据结果和实际得到的样品数据结果进行比较分析,本研究构建的BP神经网络工程造价计算模型的误差率为3.29%,可满足铁路桥梁混凝土工程造价计算的精度要求。     

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。     

遗传算法改进的BP神经网络在GPS高程拟合中的应用

针对BP神经网络收敛速度慢和易于陷入局部极小值的问题,采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法,优化神经网络各层之间的连接权和阈值,提高了BP神经网络的计算精度、收敛速度和泛化能力。本文论述了遗传算法的基本思想、实现过程,并对高程拟合算例进行训练检验,实验结果表明,遗传算法改进的BP神经网络进行GPS高程拟合是可行的,能够有效地提高BP神经网络的拟合精度。     

淮北平原地基分层与承载力的BP网络预测方法

针对淮北平原地质土成层性和不均匀性显著的特点,提出了多元互层地基分层和承载力分层计算的BP神经网络预测方法。以钻探取样、静力触探试验和螺旋板载荷试验、平板载荷试验原位测试结果进行对比,认为比贯入阻力ps值可以作为互层地基分层和地质土承载力预测的评价指标,并以此为基础采用BP神经网络的梯度下降算法和共轭梯度算法分别建立土质分层和承载力预测的模型,并将两种算法的计算结果进行了对比分析。结果表明：比贯入阻力值可作为淮北平原互层地基的土质分层和承载力预测的评价指标;BP神经网络的梯度下降算法和共轭梯度算法均对土质类型的识别和地基承载力的预测具有良好的效果,满足实际工程的精度要求,但是前者的计算效率明显低于后者。     

边坡岩体力学参数反分析遗传-神经网络算法

基于均匀设计、有限元法、人工神经网络和遗传算法建立了新的边坡岩体力学参数反分析方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,这样大大缩短了计算时间.通过算例分析,反演结果比较理想,表明该反分析方法是可行性和精确的.