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。     

城市公园声景长时感知模型研究—以加拿大温哥华市3个城市公园为例

为探究循环神经网络(RNN)对长时间模拟城市公园声景感知响度(PLS)和感知协调度(PHS)的适用性,采用具有时序记忆和延迟功能的Elman神经网络和NARX神经网络分别进行验证.将城市公园声景和光景客观指标作为输入层,PLS和PHS作为输出层进行神经网络训练和模拟.研究结果显示:1)PLS和PHS同时与等效A声级(L...     

基于神经网络算法的人脸识别

本文基于神经网络算法在人脸识别中的应用进行了研究,结果表明当前神经网络算法人脸识别算法分为:卷积神经网络人脸识别、循环神经网络人脸识别。     

基于循环神经网络的冷水机组故障诊断方法

冷水机组故障诊断对提升设备能效、延长使用寿命等有积极影响。以实测数据为基础,通过数据驱动的方式进行故障诊断有助于提升建筑系统运维的自动化和精细化水平。在实际应用中,如何有效捕捉设备运行的复杂动态规律,从时间维度准确识别冷水机组的故障特征值得深入研究。本文采用循环神经网络为建模方法,以16种实践中易获取的数据变量为模型输入,通过对循环单元类型和模型结构两方面进行探索,形成了适用于冷水机组故障诊断的优化建模策略。在循环单元类型层面,本文对比分析了3种常见循环单元的实际效用,包括基础版循环神经单元、长短期记忆单元和门控循环单元。在模型结构层面,探索了适用于处理时序数据的模型,如双向循环运算和一维卷积运算等。实验结果表明,相较于常规的未考虑时序关联的建模方法,循环神经网络模型可以有效提升7类常见冷水机组运行故障的诊断效率。其中,采用双向长短期记忆神经网络的故障诊断性能最好,该方法可比XGBoost、全连接神经网络和SVM分别提升17.3%、23.9%和35.0%的诊断精度。本研究量化了多种循环神经网络在冷水机组故障诊断中的实践价值,研究成果有助于提升故障诊断技术的精细化水平。     

水利工程项目工期延误风险预测方法研究

当前,工期延误问题在水利工程项目建设中较为普遍,对项目利益相关方造成一定的负面影响。为准确预测水利工程项目工期延误风险,结合水利工程项目工期影响因素,利用前馈神经网络和循环神经网络构建预测项目工期的混合神经网络模型。由模型训练结果可知,该模型工期预测误差较小,能够作为预测项目进度和工期延误风险的工具,具有较高的实用价值。     

基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

基于循环神经网络的盾构隧道#br# 引发地面最大沉降预测

伴随着计算机技术的快速发展,机器学习等新兴算法正在被越来越多地运用于预测隧道掘进引发的地面最大沉降。在隧道施工过程中,由盾构机和地面监测点位采集的数据具有很强的序列化特征,而传统的机器学习算法对序列数据的处理存在一定的局限性。循环神经网络(RNN)具有极强的对时序型数据的处理能力,在视频识别、语音翻译等领域有着广泛的应用。采用两种RNN模型(LSTM、GRU)和传统的BP神经网络模型,以地质参数、几何参数和盾构机参数作为输入,对隧道施工过程中引发的地面最大沉降进行预测分析。结果显示,RNN对隧道沉降的预测结果优于传统的BP神经网络模型,并且RNN在连续未知区段的预测结果比BPNN更加稳定。     

基于深度学习的金融衍生品RSI指标预测模型

本文提出了基于Python语言,使用keras深度学习库搭建RNN循环神经网络的RSI指标预测模型。     

基于影响因素分析和小波神经网络的供热量预测

基于统计方法分析了实测时间序列中各影响因素与供热量的相关性。应用小波分析有效提取序列中的局部信息,与神经网络相结合,可分析蕴藏在系统中的非线性动态特性。建立了小波神经网络预测模型,把影响供热量的因素分为与其相关性较大(系统循环流量、供水温度和回水压力)和较小(供、回水压力和回水温度)的2组数据,预测结果证实与供热量相关性较大的1组影响因素的拟合程度比相关性小的高。就预测结果的准确性与BP神经网络结构进行了比较。结果表明,基于影响因素分析和梯度修正的小波神经网络供热量预测方法具有良好的动态特性、较强的泛化能力和较高的预测精度,适用于系统供热量的短期预测。     

基于LSTM网络的地铁隧道运营期间沉降预测研究

为提高地铁隧道运营期间沉降变形预测的精度,本文提出了采用长短期记忆网络（LSTM网络）对运营期间的地铁隧道进行沉降预测。通过利用传统的反向神经网络（BP神经网络）和LSTM神经网络建立机器学习模型,通过2组深圳市某地铁隧道实测数据,对机器学习模型的预测精确度进行对比分析。实验结果表明：相比于传统的BP神经网络,LSTM网络模型预测误差较低,可降低20%左右;LSTM网络的预测结果与实测沉降值更为接近。研究成果表明将循环神经网络之一的LSTM网络引入运营期间地铁隧道的沉降预测中,可大幅度提升预测效果。