基于概率神经网络的地下工程围岩稳定性预测

随着开采深度的增加,影响卷道围岩稳定性的因素更多,更复杂,并且更具有随机性.为了对深井巷道围岩稳定性进行有效的分类,考虑影响围岩稳定性因素的随机性,建立了围岩稳定性判定的概率神经网络模型(PNN),并利用MATLAB实现其识别过程.根据样本数据对所建模型进行训练后,将其运用于实际工程中的深井巷道围岩进行稳定性判定.研究表明:利用概率神经网络模型可对地下工程深井巷道围岩稳定性进行分析,概率神经网络模型为地下工程围岩稳定性分类提供了一种方法.     

神经网络法在地下洞室围岩分类中的应用

提出了以神经网络进行围岩稳定性分类的方法，根据收集到的围岩分类资料来训练和检验神经网络模型。并将评判结果与其他方法进行了比较，结果表明，网络经训练后具有较高的识别能力，可用于解决工程中的非线性问题。     

基于神经网络的地下工程围岩支护决策专家系统的研究

神经网络和专家系统是人类智能活动的两种表示方法，有着各自的优点和弱点。如果将这两种技术结合起来，取长补短，所形成的智能系统同热是会更加完善。本文介绍了基于人工神经网络的岩石地下工程围岩稳定性评价及支护决策专家系统的基本思路与总体框架，重点研究了人工神经网络技术在地下工程围岩稳定性评价和支护决策中的应用。     

偏压双连拱公路隧道围岩稳定性动态预测分析

由于高速公路偏压双连拱隧道的复杂地质条件,会给隧道安全施工带来严重威胁,提出在加强隧道开挖现场监控量测的基础上,以位移量测结果作为学习样本,应用BP神经网络预测隧道围岩位移的大小,分析围岩的稳定性.由于BP神经网络能综合考虑隧道围岩节理、裂隙等对围岩位移的影响,所以与有限元反分析法计算隧道围岩位移结果比较,显示BP神经网络预测结果的误差较小,预测值与实际测量值趋于一致,因此应用BP网络预测偏压双连拱隧道围岩位移,超前分析其稳定性是安全可靠的,该预测方法的预测结果可以指导现场的施工.     

云岭隧道围岩物理力学参数正演反分析

以FLAC差分程序作为模拟隧道开挖的正演工具，结合BP神经网络程序，对云岭隧道软弱岩层施工过程中量测的围岩位移进行反分析，确定围岩物理力学参数。将反分析结果代入FLAC程序进行正分析计算，计算位移与实测位移符合很好，证明了基于FLAC的隧道BP神经网络位移反分析的可行性。结果表明，反分析所得围岩物理力学参数改进了原勘测资料中的建议值，对隧道围岩稳定性评价及信息化设计具用实际意义。     

地下工程围岩稳定性分类的人工神经网络模型

本文基于人工神经网络的一典型模型──误差反传模型,根据《水利隧洞设计规范》及国内外围岩分类经验用插值法构造学习样本,建立了地下工程围岩稳定性分类的神经网络模型。研究表明,该模型具有较好的分类能力及较高的分辨率,可望成为地下工程围岩稳定性分类的有效手段。     

基于马尔可夫过程和深度神经网络的TBM围岩识别

为了实现隧道围岩的实时识别,基于马尔可夫过程和深度神经网络模型,提出将先验围岩信息和掘进参数结合,作为深度神经网络输入的隧道掘进机（TBM）围岩实时识别方法. 根据施工现场地质勘探资料,用马尔可夫过程的隧道围岩分类方法预测隧道沿线的围岩分布概率;将该围岩分布概率作为先验围岩信息,结合TBM掘进参数作为神经网络输入,真实围岩类别作为输出,训练深度神经网络以实现对TBM前方围岩的实时识别. 使用工程现场数据进行对比实验,结果表明,所设计的深度神经网络模型的围岩总体识别率高于96%. 相比于仅将掘进参数作为输入,当结合先验围岩信息和掘进参数作为输入时,模型围岩识别率提高6%以上.     

金山店铁矿工程围岩稳定性的分级模式与识别

作者就金山店铁矿围岩特征，论述了工程围岩稳定性分级指标的选择，用模糊数学方法建立了该矿工程围岩稳定性的分级模式，并提出了其模式识别方法。所得分级结果可为该矿合理选择支护类型和支护参数提供依据。     

隧道围岩稳定性判定的应变反演方法

利用岩体的变形特性，通过测试隧道围岩应变出隧道净空实际收敛量，从而判定施工过程中隧道围岩的稳定性，为选取合适的支护时机和方式提供依据。工程实践表明该方法方便可行，数据可靠，是一种高效实用的隧道围岩稳定性判定新方法。     

系统锚杆对地下厂房围岩变形与稳定性的作用与影响

讨论了系统锚杆的作用机理，结合天龙湖地下厂房围岩的各向异性特征，运用有限元计算方法模拟其施工开挖过程，研究有无系统锚杆支护两种工况地下下厂房主要洞室分期开挖过程中的围岩变位与稳定性，计算结果表明系统锚杆对于改善开挖过程中围岩的变形与稳定性具有明显的效果。     

基于小波神经网络的心电数据压缩研究

介绍了一种基于小波分析的神经网络模型－小波神经网络，提出了一种基于小波神经网络的心理数据压缩方法。经过研究表明，采用小波网络 心电数据压缩模板的方法可以大幅加快网络的收敛速度。与基于BP网络的压缩法相比，具有较大的优点。     

基于规则学习的前馈神经网络

提出了用规则学习方法得到的规则建立人工神经网络的方法基于规则的神经网络方法。它是一种规则学习方法和人工神经网络各自取长补短有机结合的方法。它即避免了规则学习方法的识别速度慢和神经网络训练慢的缺点,又保留了规则学习方法的训练速度快,聚类能力神经网络的识别速度快,可硬件实现的优点,它为大规模训练样本来建立神经网络识别系统开辟了一条新途径。     

基于人工神经网络的电力电子电路故障诊断

提出了采用基于波形直接分析的人工神经网络故障诊断方法实现电力电子电路的故障诊断．以三相整流电路的诊断为例，设计了人工神经网络的层数和点数，建立了三相整流电路的模型获取了样本数据，并训练了人工神经网络．仿真表明用四层人工神经网络对三相整流电路进行诊断可获得正确结果、     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

基于信息熵加权的Elman神经网络状态趋势预测

为克服预测神经网络输入值对网络输出预测值贡献程度基本等同的缺陷,提出一种信息熵加权的神经网络智能预测方法。提出信息熵权值的计算方法和延时重构的加权前处理方法,并以Elman神经网络为基础,构建基于信息熵加权Elman神经网络的预测模型。烟气轮机状态趋势预测实例表明,基于信息熵加权Elman神经网络预测方法的预测效果较好,为状态趋势预测提供了一种新方法。     

Mass concrete strength assessment method by Sonreb and Core combined method using artificial neural network

The Sonreb and Core (SRC) combined method is proposed to assess the concrete compression strength of mass concrete structures.Artificial neural network is employed together with the SRC combined method to obtain the optimal core number.The artificial neural network is trained based on data from different testing methods.The procedure of using artificial neural network to assess the concrete strength is described.It proves that the SRC combined method is superior in many aspects and artificial the presented neural network has a high efficiency and reliability.The combined method using artificial intelligence is promising in the strength assessment of mass concrete structures such as the dam,the anchor of the suspension bridge,etc.     

基于模块化神经网络的铁水硅含量预测系统

目的 提出基于模块化神经网络的铁水硅含量预测方法,改善系统控制性能指标.方法 采用模块化神经网络预测控制策略,建立模块化神经网络预测模型,按输入物理量的性质构成4个神经网络模块,再由预测神经网络输出铁水硅含量的预测值,从而控制炉温.结果 提高了学习效率和泛化能力,有效地改善了模型的预测精度.结论 模块化神经网络铁水硅含量预测模型,将同类量进行了模块划分,通过对铁水硅含量预测,可提高炉温的控制精度和动态跟踪能力,具有结构简单、实时性好、预测精度高等特点.     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.