混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于混沌优化-神经网络的单桩竖向极限承载力预测方法

分析了BP神经网络和混沌优化的特点 ,并将混沌优化方法和梯度下降法结合起来构成一种新的组合搜索优化方法。结合珠江三角洲大量试桩资料 ,建立了基于混沌优化 -神经网络的单桩极限承载力预测模型。实例研究表明 ,预测值与实测值吻合较好 ,该模型性能良好、预测精度高 ,能满足工程的要求 ,具有广泛的应用前景。     

空调负荷混沌特性分析与预测

影响空调负荷因素比较多,且难于确定和提取,这就造成空调负荷的拟合和预测精度较低.在对空调负荷时间序列混沌特性分析的基础上,利用嵌人相空间来确定前期影响因子,建立了基于混沌相空间技术的BP神经网络模型.模型既能考虑到影响空调负荷时间序列的动力因子,又能解决网络输入单元数确定的困难,并能利用神经网络超强的非线性映射功能,结合空调负荷实例的拟合与预测,表明其结果合理,预测精度较高.     

混沌和神经网络结合的滑坡预测方法

根据滑坡体运动的非线性动力学特性，应用混沌与神经网络相结合的预测方法，并采用数据实验的方法确定嵌入维数，建立滑坡预测的混沌模型。实验结果表明，用这种算法对清江茅坪滑坡体位移实际监测数据进行预测可达到较好的结果，能避免精确确定动力学方程和吸引子维数的困难，在滑坡体位移预测中具有实用性。     

边坡稳定性预测的混沌神经网络方法

边坡系统本身的各种参量是不确定的和随机的，在其演化过程中，表现出复杂的非线性行为，会发生一系列的混沌现象。运用现代混沌理论与神经网络方法的基本原理，把混沌理论与神经网络结合起来，建立了边坡稳定性预测的混沌神经网络模型，从新的角度研究边坡稳定性预测问题，对该问题进行了探索性研究。对该理论的建立及预测方法进行了系统的讨论，为该领域的研究提供了完整的技术方法。对64个典型滑坡实例的研究结果表明，混沌神经网络模型具有较高的精度。     

城市用水量预测的SIMULINK仿真技术研究

为保证城市供水优化运行的安全性和可靠性,提出了基于时间序列和神经网络理论的城市用水量预测的SIMULINK仿真模型。基于时间序列预测法的SIMULINK仿真模型依据回归算法确定模型参数,得到预测结果和误差,可通过调整SIMULINK模块参数提高仿真精度;在基于神经网络的SIMULINK仿真模型中,根据BP神经网络原理分别建立输入层、隐含层和输出层模型,得到预测结果和误差,可通过增加训练样本数提高仿真精度。仿真结果表明:基于时间序列和神经网络的水量预测SIMULINK仿真模型,不仅预测精度达到要求,而且还具有模块直观、参数易调和结果可视化等优点。     

三种神经网络在混凝土强度预测中的应用

通过建立改进的BP和RBF两种神经网络模型，对混凝土的强度进行预测，将预测值与常规BP神经网络模型预测结果进行了比较，研究表明，改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素，在强度预测中具有广泛的应用前景。     

基于RBF神经网络的混杂纤维混凝土强度预测

针对混杂纤维混凝土强度受多种因素影响,强度与各影响因素之间关系为复杂的非线性问题,通过人工神经网络的自适应、自学习和非线性映射,可以找到以影响因素为输入变量、以混杂纤维混凝土强度为输出变量之间的非线性关系,在文献试验实测值的基础上采用MATLAB神经网络工具箱建立了四个三层RBF和BP神经网络模型,采用所建立的RBF和BP神经网络对混杂纤维混凝土的抗拉强度和抗折强度分别进行预测,并将各自的预测值和实测值进行了对比分析。结果表明:RBF神经网络预测值与试验实测值吻合良好,较之BP神经网络有更高的强度预测能力,该方法可行且预测精度满足工程需要,为工程上研究混杂纤维混凝土强度提供了新方法。     

基于神经网络纳米海工混凝土电阻率预测

为探究神经网络对混凝土电阻率预测的可行性,文中通过wenner四电极法测量Cl-侵蚀和干湿循环耦合作用下纳米混凝土的电阻率,利用BP神经网络和Elman神经网络对电阻率测量结果进行预测。预测结果表明,BP神经网络的预测效果要优于Elman神经网络,BP神经网络的预测误差更低,其输入和输出变量之间的相关性更强,在混凝土相关研究中利用神经网络具有一定的实用性。     

基于改进BP网络的煤粉锅炉飞灰含碳量预测

介绍了改进BP神经网络的原理和建立。采用改进BP神经网络,以煤的全水分、空气干燥基水分、挥发分、灰分、低位发热量、煤粉细度、炉膛空气系数、排烟温度8种影响因素作为输入层的输入,以飞灰含碳量作为输出层的输出,对某煤粉供热锅炉的飞灰含碳量进行了预测。预测值与实测值的最大绝对误差为0.046 8×10-2,最大相对误差不超过3%,该预测方法可行。     

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。     

沉桩引起的邻近地表移动及变形

视沉桩挤土引起的地表位移符合随机过程,应用随机介质理论,文中提出了预计打桩引起的地表位移与变形的计算公式和计算程序。现场实测结果与计算结果的对比表明,本文所提出的计算方法和程序可以达到良好的预测结果。     

基于诱发因素响应分析的滑坡位移预测模型研究

 滑坡位移的变化除与其基础地质条件相关之外,更取决于诱发因素的动态作用。为建立滑坡位移动态变化与诱因变化的响应关系,采用时间序列分解预测模型,通过移动平均法将位移分解为趋势项及周期项。趋势项位移由边坡的势能和约束条件所决定,利用多项式位移函数进行拟合预测。周期项位移受库水位涨落和降雨等诱因的周期性动态作用而变化,选取当前月降雨量、累计前两月降雨量、月库水位高程变化量及年内总位移累计增量为影响因子,利用BP神经网络进行多变量位移预测。将各分项位移预测值叠加,从而得到总位移预测值。以三峡库区白水河滑坡为例,利用位移、降雨及库水位变化数据进行计算验证。结果表明,基于滑坡诱发因素和位移变化综合分析预测模型,可以较好地反映诱因动态变化对滑坡位移发展的关键作用,提高预测结果的精度和有效性。     

边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

灰色-神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项,建立灰色-神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测,证明该模型的有效性及可行性。     

位移反分析的进化神经网络方法研究

将人工神经与遗传算法相结合,提出了一种用于位移反分析的进化神经网络方法,这种方法基于正交试验获得的样本进行学习,用遗传算法搜索最优的神经网络结构,并用最佳推广预测学习算法训练此网络,以此训练好的网络描述岩体（土）的力学参数与岩体位移是非线性关系,再应用遗传算法从全局空间上搜索,进行岩体力学参数的最优辩识。作为例子,文中给出了弹性问题的反分析,结果是令人满意的。     

高强钢管混凝土核心柱抗震性能神经网络评估

利用人工神经网络的自适应性、容错性、模糊性 ,在高强钢管混凝土核心柱抗震性能试验研究的基础上 ,建立人工神经网络模型 ,对高强钢管混凝土核心柱位移延性进行了学习和预测     

主动土压力折减系数的研究

根据作者提出的考虑变形的朗肯土压力模型 ,对主动土压力折减系数进行了理论上的探讨 ,结果表明 :(1)主动土压力折减系数随内摩擦角的增大而减小 ;(2 )随着位移量的增大 ,主动土压力折减系数也相应的减少 ,并利用离心模型试验的结果进行了验证。     

深部岩体变形的混沌预测方法

论述深部岩体变形行为及其围岩稳定性分析中应用混沌方法;同时,根据岩体工程的观测位移时间序列,基于相空间重构,给出了最大Lyapunov特征指数的计算步骤,并给出了岩体位移时序的线性和非线性两种混沌预报模式。据此,建立了岩体工程位移观测数据的混沌预测方法。对玲珑金矿255m水平主运巷的塌陷情况进行了算例分析。首先,对于主运旧巷断面的收敛位移观测序列,采用插值方法对其进行了预处理,以获得等间隔的位移序列;然后,对该位移序列,利用上述混沌分析方法,获得其最大Lyapunov特征指数为0.05;分别采用近邻等距法和最大Lyapunov指数预报模式,对位移序列进行了预测。与观测位移相比较,位移预测结果比较理想。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。