基于数据挖掘技术的冷水机组与冷却塔模型辨识方法

本文通过对支持向量机的分析,采用数据挖掘技术建立了冷水机组和冷却塔的支持向量回归机辨识模型;以某公共建筑冷水机组、冷却塔历史运行数据为样本,分析了不同核函数、模型结构参数对辨识精度的影响,确定了适用于冷水机组和冷却塔采用历史运行数据辨识其特性的核函数及归一化方法。结果表明,采用[-1,1]规整样本数据能够提高模型辨识精度;冷水机组能耗模型适宜采用多项式核函数,而冷却塔释热量模型适宜采用径向基核函数;冷水机组及冷却塔的SVR辨识模型精度均高于经验模型。     

基于RBF神经网络的钢筋锈蚀程度预测

通过分析钢筋锈蚀机理及其影响因素,建立了钢筋锈蚀程度预测的RBF网络模型.通过实例数据进行了分析预测,并与BP网络预测模型进行比较.测试结果表明:应用RBF网络模型对钢筋锈蚀程度进行预测,预测效果好,识别精度高.可见,径向基函数神经网络方法是一种可综合考虑各种影响因素、行之有效的钢筋锈蚀度预测分析方法.     

基于RBF网络的城市供水短期负荷预测

根据城市用水量序列的非线性时序特点,利用径向基函数神经网络(RBF网络)建立城市用水量短期预测模型,并采用某市日用水量和小时用水量的实际数据分别进行了建模和预测,结果显示该方法具有建模简便实用、预测精度良好的优点,可满足实际需要。     

基于小波分析的深基坑地表沉降预测研究

深基坑开挖必然引起地表沉降,地表沉降监测数据不可避免要受到施工及周边环境的干扰,使沉降数据真实性受到极大的影响。以武汉深基坑工程的大量监测数据为基础,提出一种小波分析法与径向基神经网络的混合建模方法,对深基坑地表变形进行沉降预测分析。首先运用小波分析对实测数据进行去噪处理,提取反映实际变化的沉降数据作为径向基神经网络输入的特征向量,构建小波网络W-RBF预测模型,采用滚动预测方法对地表沉降进行预测。工程应用结果表明,W-RBF模型预测性能,要优于带有噪声构造的原始数据预测结果,具有较高的预测精度,可满足深基坑工程的信息化施工要求。     

基于改进型RBF神经网络的建筑用电能耗预测

径向基函数(Radial Basis Function,RBF)神经网络由于其网络结构简单、网络适应性好、学习过程收敛速度快等优点被运用于电力负荷预测领域.在将其应用于建筑用电能耗预测的过程中,由于对目前已有的建筑能耗数据和影响能耗的关键因素分析不足,以及网络参数不易确定,将导致预测精度无法满足实际需求.采用粒子群算法...     

基于PSO-RBF的建筑能耗预测模型研究

通过研究分析夏热冬冷地区公共建筑能耗变化特点,建立了RBF神经网络建筑能耗预测模型。在此基础上运用微粒群算法对模型优化,建立了基于PSO-RBF的建筑能耗预测模型。利用大量数据构造样本集,运用软件分别对优化前后的预测模型进行训练,并运用到典型公共建筑能耗值的预测实例中。结果表明基于PSO-RBF的建筑能耗预测模型的学习能力和预测能力强,能较准确地实现公共建筑能耗预测。     

基于非线性特征工程的短期建筑能耗预测方法

建筑自动化技术的广泛应用产生了大量的建筑运行数据。这类数据存在复杂的非线性关系、噪音多、冗余度高,因此建模分析难度较大。采用近100组不同类型建筑的实测数据为研究对象,对其短期能耗进行预测分析,进而形成具有普适性的预测方法。针对整体预测过程,设计了特征工程和预测模型建立两方面内容。在特征工程方面,研究了基于主成分分析和卷积自编码器的线性和非线性特征工程方法。在预测模型建立方面,比较了传统的线性回归、极度梯度提升决策树和神经网络算法。通过分析近100组不同类型建筑的实测数据,量化了相关方法在短期建筑能耗预测中有效性和可靠性。实验结果表明,基于一维卷积自编码器的特征工程方法可以有效提升模型的泛化性能,同时也可加快模型的收敛速度。     

基于有监督机器学习基坑变形预测模型的比较与分析

影响深基坑变形因素繁多,位移预测问题呈高度非线性和模糊性,为探究目前基于有监督机器学习软计算（Soft Computing Method,SCM）法深基坑位移预测模型的精度性能,对基于支持向量机（Support Vector Model,SVM）位移预测模型、基于随机森林（Random Forest,RF）预测模型、基于反向传播（Back Propagation,BP）神经网络预测模型、基于径向基（Radial Basis Function,RBF）神经网络预测模型、基于Elman神经网络预测模型和长短期记忆（Long Short-Term Memory,LSTM）神经网络预测模型进行了实际深基坑工程一至三天位移预测试验。试验验证了基于有监督机器学习软计算法模型预测深基坑位移的可行性,展现了人工神经网络（Artificial Neural Network,ANN）算法的优越性,并得出了Elman预测模型适用于预测一天和两天深基坑位移预测,而BP预测模型适用于预测三天沉降任务的结论。     

径向基函数神经网络预测城市用水量模型及应用

以城市用水人口和城市生产总值作为输入向量,年用水量数据作为目标向量,建立了径向基函数神经网络并对城市用水量进行预测。采用不同的扩展速度,预测误差不同。当扩展速度spread=1时,预测数据与实际数据的相对误差均小于0.05%,取得了很好的预测效果,说明采用径向基函数神经网络模型预测城市用水量的方法是可行的。     

改进的RBF网络在区域需水预测中的应用

利用径向基函数神经网络,建立了区域用水量预测模型,改进了RBF网络学习方法;根据某地区近年来影响用水量主要影响因素的数据对该网络进行训练,并用训练好的网络模型对该区域以往和今后不同年份的用水量进行预测;对以往用水量预测结果表明该模型有较高预测精度、通用性和客观性.     

基于模糊逻辑--径向基函数网络协作系统的交通事件自动检测算法

事件检测算法是事件管理系统的关键内容。利用神经网络和模糊逻辑结合系统进行事件检测是目前的研究热点 ,有两种形式 :模糊神经网络和模糊逻辑———神经网络协作系统 ,本文提出了基于模糊逻辑和径向基函数网络协作系统的事件自动检测算法 ,用径向基函数网络描述模糊逻辑 ,综合两者的优点。为了反映交通检测参数的相对变化 ,本文提出了新的交通流参数模糊化方法———二次高斯概率法。仿真数据表明 ,本文所提出的算法性能优越 ,适于工程应用     

基于神经网络预测混凝土中氯离子浓度的分布

现阶段对氯离子浓度预测大多基于Fick定律以及在此基础上的一些改进模型,其明显的缺点就是模型的参数较多,应用不便。而人工神经网络不需要研究各个影响因素间的关系,常用于对模糊问题的研究。基于BP神经网络与径向基函数神经网络,给出了预测混凝土中氯离子浓度分布的分析模型,并结合试验对比了两种方法的有效性,结果表明径向基函数神经网络比BP神经网络具有较好的准确性与稳定性。最后提出通过建立庞大的神经网络数据库来预测不同环境作用下不同配合比的混凝土在任意时刻的氯离子浓度分布。     

基于SOFM神经网络模型的岩爆烈度等级预测方法

为简化岩爆烈度等级预测指标体系、解决预测分级模糊问题、利于工程人员分析预测结果,建立基于SOFM神经网络的岩爆烈度等级预测模型,并根据竞争层拓扑结构的不同将预测模型拓展成3个模型。将硐壁最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度作为模型输入向量,将40组国内外岩爆工程数据作为数据集输入3个模型进行训练、测试,3个模型在测试集上岩爆烈度等级预测正确率均达到90%。比较3个模型的聚类、测试及训练效果,得到竞争层神经元个数为16的预测模型最优。将最优预测模型的预测结果与可拓理论、Russenes判据、基于模糊C–均值算法粗糙集理论云模型的预测结果对比,基于SOFM神经网络模型的岩爆烈度等级预测方法优于其他方法,表明该方法具有一定可行性和实用性,为岩爆预测提供了一种新的方法和手段。     

基于LMBP神经网络的建筑能耗短期预测

为解决BP神经网络预测速度慢不适于建筑能耗短期预测的问题,采用Levenberg-Marquardt算法改进BP神经网络建立了基于LMBP神经网络的建筑能耗短期预测模型。通过某建筑物1个月的电量,对模型进行训练和测试,结果表明基于LMBP神经网络的预测模型预测速度显著提高,预测精度满足实际需要,适用于建筑能耗短期预测。     

应用RBF神经网络的预应力混凝土碳化深度预测研究

在现有混凝土碳化研究成果基础上,建立了预应力混凝土碳化预测模型。随后,运用径向基函数神经网络的基本原理,通过对影响预应力混凝土碳化深度因素的分析,建立了预测碳化深度的RBF和GRNN网络模型。通过实例进行了分析计算和预测,预测结果具有较高的精度。可以说,人工神经网络预测方法是一种可同时考虑各种影响因素组合、行之有效的混凝土碳化预测分析方法。     

基于径向基函数的海堤监控模型及预测置信度判别

为对土石材料修筑的海堤运行状态实施有效分析和预测,在因果关系分析基础上,选取前期潮位因子、积分型降雨因子和时效因子,以径向基函数(RBF)神经网络为建模工具,结合实测序列特点,采用模糊C均值聚类算法比较确定计算中心,建立海堤安全监控RBF模型,实现海堤状态量的预测;在对模型误差序列的大小、趋势和分布特征分析基础上,提出基于置信度的预测效果的假设检验方法,并在给定置信水平下对不同预测时长的稳定性予以比较;以实例建立模型并对其训练及预测效果加以分析判别。     

基于监测数据的冷冻水系统模型建立

通过针对大连市某公共建筑中央空调系统中冷水机组及输配系统水泵的运行参数进行实时检测,了解了冷水机组及水泵的运行状况,并建立运行参数数据库。基于该实测数据库,选取了恰当的冷水机组及水泵参数模型,并通过编程对模型参数分别进行了辨识,最后通过精准度分析,得出所建立的参数模型可以对冷水机组能耗、水泵功率、水泵扬程、水泵效率的预测准确率均可达到90%以上。     

基于GALM神经网络的建筑能耗短期预测

为改进以往神经网络对建筑能耗预测的不足,提出应用遗传算法结合Levenberg-Marquardt算法(GALM)改进神经网络对建筑能耗进行预测。首先,利用遗传算法优化神经网络的权值和阈值;其次,利用Levenberg-Marquardt算法优化神经网络训练,针对影响建筑能耗的主要因素建立GALM神经网络的建筑能耗预测模型。通过建立建筑能耗监测平台采集某公共建筑1个月的能耗数据,对该模型进行训练和测试。实验结果表明,该模型可以准确且高效地对建筑能耗进行短期预测。     

径向基网络在结构设计与分析中的应用

详细地介绍了径向基(RBF)神经网络的结构和基本原理。基于RBF神经网络能够逼近任意非线性函数的特点,提出了一种基于RBF神经网络建立结构分析模型的方法。与BP网络的仿真结果对比表明,所建立RBF神经网络模型收敛速度快,拟合精度高,适用于复杂结构的建模问题。     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。