桥梁结构挠度-温度-车辆荷载监测数据相关性模型

运营状态下桥梁结构挠度、车载和温度的相关性复杂,高精度的车载、温度与挠度相关性模型对桥梁结构健康监测具有重要意义。为此,提出了基于门控循环单元(gated recurrent unit, GRU)神经网络的桥梁挠度监测数据建模方法。为解决车辆荷载监测数据在时域内离散分布的问题,提出了基于挠度影响线的车载影响参数计算方法;在此基础上建立了基于GRU神经网络的车载影响参数、环境温度和桥梁挠度相关性模型。以一座悬索桥为例,分别建立了短时段、中长时段的相关性模型,考察了相关性模型对加劲梁挠度的预测能力,并利用相关性模型提出了一种温度和车载挠度分量的分离方法。悬索桥实例研究表明：短时段相关性模型的挠度预测值与实时监测数据基本吻合,而中长时段相关性模型则对一定时间窗口内的挠度极值具有精确的预测能力;采用相关性模型计算得到的温度与车载挠度分量与小波分解结果具有良好的一致性。     

基于注意力模型的多传感器人类活动识别

深度循环神经网络适用于处理时间序列数据, 然而循环神经网络特征提取能力差, 时间依赖关系挖掘不足。针对此问题, 提出了3种注意力机制和长短时记忆(LSTM)神经网络结合的模型用于人类活动识别问题, 并研究了3种注意力机制在不同数据集上单独及配合使用时对模型精度的影响。对于UCI_HAR数据集, 3种注意力LSTM模型准确率分别为94.13%、95.15%和94.81%,高于LSTM模型识别准确率93.2%。此外, 针对人类活动识别的传感器时间序列数据的标签特点, 提出将时间段分类任务转化为分割任务, 设计了2个基于分割任务的注意力门控循环单元(GRU)神经网络模型, Bahdanau注意力GRU模型在Skoda数据集和机会(Oppor)数据集准确率为84.61%和89.54%, 高于基准UNet模型的70.40%和88.51%。     

基于迁移学习和Bi-LSTM神经网络的桥梁温度-应变映射建模方法

为快速构建并准确预测温度作用引起的斜拉桥主梁应变用于结构状态评估，基于某大跨度斜拉桥主梁超过1年的温度和应变监测数据，提出了一种基于迁移学习和双向长短时记忆(bi-directional long short-term memory, Bi-LSTM)神经网络的斜拉桥温度-应变映射模型建立方法。首先，利用解析模态分解(analytical mode decomposition, AMD)去噪应变数据，得到仅由温度引起的应变响应；其次，选择温度和某一测点应变数据构成数据集，采用Bi-LSTM神经网络训练该数据集，并通过网络结构和超参数优化建立温度-应变Bi-LSTM基准模型；最后，利用迁移学习方法，将已训练好的基准模型中部分参数迁移到其他温度-应变数据集，建立相应的温度-应变映射被迁移模型，并与未采用迁移学习的神经网络训练方法进行对比。研究结果表明，相比直接建立的温度-应变Bi-LSTM神经网络映射模型，采用迁移学习方法建立的被迁移模型，其拟合精度均高于所用的基准模型，且训练时间短，预测误差小。     

基于长短时记忆神经网络的大跨拱桥温度-位移相关模型建立方法

建立温度-位移相关模型是开展基于位移响应的大跨桥梁性能评估的关键步骤.该文提出一种基于长短时记忆(LSTM)神经网络的多元温度-位移相关模型建立方法.充分利用LSTM神经网络能够考虑位移时滞效应和适合处理超长数据序列的优势,采用自适应矩估计方法对LSTM神经网络进行优化,并引入丢弃正则化技术提升模型的预测能力.在此基础...     

基于监测数据的结构地震损伤追踪与量化评估方法

为增加藏式古建筑木结构的安全冗余度,该文提出了短期应变监测数据预测方法,以此对藏式古建筑木结构健康状态进行预判性评估。以回廊结构为对象,利用Sobel算子与卷积神经网络方法处理传感器带来的多种数据异常。通过多项式回归和功率谱密度的方法确定应变监测数据组分。引入变分模态分解法对数据进行解耦,以Prophet算法预测短期温度监测应变,以Gumbel极值理论预测不同重现期下的人群监测应变。以不同重现期下的应变监测数据预测值的叠加结果确定需重点关注的结构位置和需立即修缮的结构位置,以满足藏式古建木构的预防性保护要求和最小扰动原则。     

基于应变监测数据预测值的藏式古建筑木结构健康状态评估

为增加藏式古建筑木结构的安全冗余度,该文提出了短期应变监测数据预测方法,以此对藏式古建筑木结构健康状态进行预判性评估。以回廊结构为对象,利用Sobel算子与卷积神经网络方法处理传感器带来的多种数据异常。通过多项式回归和功率谱密度的方法确定应变监测数据组分。引入变分模态分解法对数据进行解耦,以Prophet算法预测短期温度监测应变,以Gumbel极值理论预测不同重现期下的人群监测应变。以不同重现期下的应变监测数据预测值的叠加结果确定需重点关注的结构位置和需立即修缮的结构位置,以满足藏式古建木构的预防性保护要求和最小扰动原则。     

组合模型预测浙江省旅游需求

根据中国统计年鉴公布的数据,建立基于时间序列ARIMA模型和BP神经网络组合模型对旅游需求进行预测。首先,建立ARIMA模型对浙江省旅游需求进行分析预测。然后,将得到的预测误差序列作为BP神经网络模型的输入值,进一步减小相对误差,综合ARIMA模型的预测结果和BP模型得到的预测误差,获得精确度较高的旅游需求预测模型。最后,与灰色系统GM(1,1)的预测结果进行比较。     

双通道特征融合CNN-GRU齿轮箱故障诊断

旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有"端对端"的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了"端对端"的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。     

跨断层独塔斜拉桥的非线性地震响应特性研究

提出了一种基于层叠式残差长短时记忆神经网络(residual long short-term memory neural network, ResLSTM)的数据驱动建模方法,实现桥梁非线性地震响应预测。该方法利用长短时记忆(long short-term memory, LSTM)网络在长序列回归中的优势,并采用残差连接结构降低深度神经网络中的梯度回传难度,提高了有限数据下的深度网络预测性能。同时,通过采用层叠式序列结构,降低深度神经网络隐藏层节点数目,进一步提升深度神经网络的预测精度。随后,通过两跨预应力混凝土连续梁桥与组合梁斜拉桥的数值算例对该方法进行验证。神经网络的训练样本与测试样本均源自桥梁有限元模型的增量动力分析结果。此外,采用该方法成功预测了美国Meloland Overpass桥的地震响应,并与历史监测数据进行对比验证。结果表明：ResLSTM网络是一种鲁棒性良好、计算效率高的非线性地震响应预测方法,能够利用少量数据快速准确地预测桥梁结构在地震作用下的动力响应,在桥梁抗震性能评价中具有重要的应用潜力。

     

基于门控循环单元神经网络的大跨径斜拉桥索力预测

拉索索力的改变直接反映斜拉桥结构体系受力状态的变化，因此索力监测对斜拉桥健康评估具有重要意义。然而现有关于索力的研究大多为索力识别，难以做到根据历史索力数据实现对未来索力的预测。为此，提出一种基于门控循环单元（GRU）神经网络的索力预测方法：利用GRU神经网络对时序型数据的处理能力以及索力数据较强的序列化特性，搭建基于GRU神经网络的索力预测框架，该预测框架包含输入层、GRU隐藏层与输出层；利用实桥连续采集的索应力时程数据作为训练及验证样本，对样本进行数据切片和归一化；搭建能够实现对该桥未来索力进行预测的GRU神经网络，结合梯度下降优化算法进行网络计算。结果表明所提方法对不同长度的拉索都具有较好的预测效果。     

基于山东省不同模型的物流需求预测比较研究

目的 过对不同预测方法的误差对比研究,选取预测生鲜农产品物流需求量更精准方法,为疫情情况下山东省生鲜农产品市场进行科学性、合理化决策提供参考。方法 公路货物周转量、互联网普及率、GDP、人口数量、第一产业增加值等十大影响因素作为自变量,以生鲜农产品的需求量作为因变量,分别将小波神经网络、人工神经网络(BP)、遗传算法优化神经网络(GA−BP)、粒子群优化神经网络(PSO−BP)、长短时记忆网络(LSTM)等5种方法的数据预测进行对比分析。结果 波神经网络和BP神经网络的预测值明显低于真实值,且平均相对误差接近20%,而优化后的GA−BP、PSO−BP、LSTM算法误差均小于5%,分别为4.06%、1.162%、0.45%,因此,LSTM预测精度最高,效果最好。结论 来山东省的生鲜农产品需求量将持续增长,LSTM算法以其精确度更高,学习能力更强的优点,将会被更多地应用到物流领域研究中。     

基于GA-BP神经网络的彩色扫描仪光谱特征化

为了实现彩色扫描仪的光谱特征化,采用一种GA修正的BP神经网络与PCA相结合的方法对其进行研究。首先,通过主成分分析,对训练样本的光谱反射率进行降维,以RGB信号和降维后的光谱数据作为输入、输出变量进行GA-BP神经网络的建模,对任意RGB信号都可以通过模型得到其低维光谱信号;再通过主成分分析重构光谱反射率,由此实现RGB信号对光谱反射率的重构,即实现扫描仪的光谱特征化。实验结果表明,GA的优化有效地改善了BP神经网络的极值问题,提高了模型的预测精度,PCA在不影响模型精度的同时提高了模型的效率。由此说明,所提出的模型能够满足扫描仪光谱特征化的需求。     

基于多分支BP神经网络的结构系统辨识

结构动力学系统是一个多输入多输出系统,建立能精确体现结构动力特性的辨识模型是实现结构高品质振动控制和关系到控制是否有效的关键。提出一种多分支BP神经网络辨识模型,将影响结构动力反应的结构状态变量和地震动输入分别作为模型的分支输入来进行辨识,提高学习效率及预测精度,并利用训练好的模型预测结构在不同地震波输入下的动力反应,验证模型的泛化能力。数值分析结果表明,用所提出的多分支BP网络模型对结构动力学系统进行动力特性辨识时能达到较高的精度,而且预测精度也很高。     

SA-GA-CNN-LSTM新型冷暖系统负荷预测方法研究

为提高预测精度,给新型相变储能供冷供暖系统提供准确的储能参考,结合该系统的特点,提出新的负荷预测方法。该方法先对数据进行模糊C均值聚类,然后将聚类结果分别传入由遗传算法（genetic algorithm, GA）、自注意力机制（self-attention, SA）和卷积长短时记忆神经网络（CNN-LSTM）相结合的模型进行预测。采用北京昌平某变电所的相变储能冷暖系统的实测数据进行训练并确定了该预测模型,最后用该模型进行负荷预测,预测数据和实测数据对比,证明了该模型的有效性。与单一神经网络模型CNN、LSTM和混合神经网络模型CNN-LSTM、GA-CNNLSTM相比,所提出的SA-GA-CNN-LSTM神经网络模型的预测精度最高。在平均绝对误差（MAPE）指标下,比表现较好的单一神经网络模型LSTM误差降低2.32%,比混合神经网络模型CNN-LSTM误差降低1.49%。     

基于误差修正 NLSTM 神经网络的无人机航迹预测

无人机产业近年来发展迅猛,在军用和民用方面都拥有广泛的应用前景。无人机的航迹记录在其航行过程中发挥着重要作用,无人机的航迹预测也成为当前世界研究的热点,使用神经网络进行航迹预测更可以充分发挥其优势。首先对国内外学者关于航迹预测的文献进行了梳理,根据航迹预测的原理对目前飞行器航迹预测算法进行了总结和分类,针对利用神经网络模型预测无人机航迹并逐步改进模型以提高预测精度的问题进行了研究。接着对于传统神经网络模型预测精度不够高的问题,提出一种带误差修正的嵌套长短期记忆 (ENLSTM) 神经网络预测模型。ENLSTM 在嵌套长短期记忆网络模型的基础上引入了误差修正项,从而使得预测精度更高。最后使用 BP、RNN、LSTM 和 ENLSTM 四种神经网络模型分别对无人机的真实航迹数据和模拟航迹数据进行仿真实验,得出结论：循环神经网络相对 BP 神经网络在无人机航迹的预测上更具有优势,基于基础循环神经网络的逐步改进提升了模型的预测能力,ENLSTM 模型对于无人机的航迹预测具有更好的效果。     

深度置信网络光伏发电短时功率预测研究

针对现有光伏功率预测技术存在提取特征不充分导致预测精度低的问题,提出一种基于深度置信网络的光伏发电短时功率预测方法。根据光伏发电系统的运行特征和深度置信网络的特点,阐述该预测方法的可行性和科学性。搭建功率预测模型,通过无监督学习过程逐层提取输入序列的内在特征;模型顶层采用BP神经网络对特征矩阵和偏移量进行有监督训练,经过误差微调后输出预测结果。综合考虑可能对光伏发电功率产生影响的多种因素(如辐射强度、温度等),并将上述因素做归一化处理后作为模型的初始输入量,在Matlab上对预测模型进行仿真验证。最后将该预测模型与常用的BP神经网络方法进行比较,结果显示所提模型性能优于BP神经网络,证明该模型具有较好的预测准确度。     

古建筑木结构监测数据异常诊断

针对监测数据中异常因素所引起的响应,提出了基于统计过程控制的古建筑木结构应变监测数据异常变化的诊断方法。以某藏式古建筑木结构监测数据为对象,建立了应变增量与温度增量、时间效应的多元滞后回归模型,进而消除温度增量和时间效应对响应的影响,采用季节乘积ARIMA-GARCH模型对序列中显著存在的自相关性、周期性和异方差性进行控制,最后采用均值-移动极差控制图、EWMA控制图和EWRMS控制图对异常进行诊断。分析结果表明,异常诊断结果具有较高的可靠性,通过游客数量与异常结果的对比,说明游客数量对于结构的稳定存在不可忽略的影响,此结果可为游客数量的控制提供参考。     

基于主成分分析与BP网络的锚杆支护方案优选

巷道特征与锚杆支护之间可以看作是一种非线性映射关系,用一般的数学方法难以表达巷道支护方案与其影响因素之间的非线性映射关系.神经网络已广泛应用于锚杆支护方案优选,并取得较好的效果.基于单一神经网络预测锚杆支护方案存在一些不足,构建了主成分分析与BP网络相结合的巷道锚杆支护方案优选模型.利用主成分分析对神经网络的输入数据进行预处理,使输入数据减少且不相关,加快网络的收敛速度,并且预测精度均在90%以上.研究结果表明:将主成分分析与BP神经网络结合优选巷道的锚杆支护方案,具有很高的预测精度;与单一BP神经网络相比,提高了预测精度．     

CEEMD-GRU模型动态称重算法研究

针对车辆动态称重过程中称重信号受外界干扰导致称重精度不高的问题,提出结合互补集合经验模态(CEEMD)和门控循环单元（GRU)神经网络的称重算法。采用CEEMD对原始称重信号进行分解,得到的残余分量为初步滤除干扰信号的轴重信号;然后将残余分量归一化后作为GRU神经网络输入层构建网络模型,输出车辆轴重。研究结果表明,除去个别因异常数据导致的不良结果,该方法车辆动态称重误差控制在1.2%以内。相比于传统的单一模型,称重精度更高,实用性更强。     

基于BP神经网络的人工冰场低温冷水机组预测控制算法

为精确控制人工冰场冰面温度,提出基于BP神经网络的人工冰场冰面温度预测及低温冷水机组控制方法.根据采集到的低温冷水机组供/回水温度、冰场环境温度以及冰面温度数据,利用BP神经网络进行网络模型训练,建立BP神经网络模型.利用测试样本对预测模型的仿真结果进行检验,证明BP神经网络用于人工冰场冰面温度预测的可行性.根据冰面温...