基于小波分析和神经网络的静力触探土类划分

利用小波分析和BP神经网络,建立一种用于基于静力触探数据进行土类划分的神经网络模型。该方法基于实测数据,利用小波分析获得不同土层触探参数的特征值,并用BP神经网络建立特征值与土类之间的映射关系,从而得到BP神经网络分类模型。结果表明,该方法可以有效地进行土类划分。     

高柔结构风振AMD控制模糊神经网络预测算法研究

基于Takagi-Sugeno模型的模糊神经网络的基本理论,建立了模糊神经网络预测模型。该模型结合神经网络控制和预测控制的优点,解决了控制中的时滞问题。研究了基于聚类法产生模糊神经网络预测控制的模糊逻辑系统,该方法便捷地解决了模糊逻辑控制中模糊控制规则基于专家控制策略和经验而无自学习能力的困难。以深圳京基金融中心为算例,利用模糊神经网络预测算法控制结构在风荷载作用下的振动,仿真结果表明,模糊神经网络预测算法能够有效地减小高柔结构加速度响应。     

混凝土中钢筋直径雷达检测的神经网络方法

介绍了神经网络的基本理论,提出了一种利用神经网络处理探地雷达信号对钢筋混凝土中钢筋直径进行测算的新方法;采用BP和Elman两种神经网络模型,并利用小波包分析提取了雷达波的特征参数;针对神经网络应用时实际训练数据不足的问题,提出利用多项式拟合的方法来补充训练数据。试验结果表明:该方法对钢筋直径的测算结果是令人满意的。     

遗传算法优化BP神经网络的保障房工程项目管理绩效评价

为了提高BP神经网络算法对项目管理绩效评价的准确性,提出一种基于遗传算法优化BP神经网络的项目管理绩效评价方法。该方法将遗传算法引入到BP神经网络中,搜索最佳的初始网络权植和阈值,在此基础上通过训练得出最优解,并利用该方法对保障房工程项目管理绩效评价进行可行性验证。结果表明,利用该方法对保障房工程项目管理绩效评价具有强大的非线性拟合能力和更高的准确性。     

利用改进的BP神经网络预测烧结砖的抗压强度

根据改进的BP神经网络基本原理，建立了烧结砖的神经网络强度预测模型．利用试验数据训练神经网络，通过工程实例，对训练过的神经网络进行了测试，并将用神经网络方法获得的结果与用传统数学回归模型计算的结果进行了对比．结果表明，该神经网络方法所得的预测值优于传统方法．     

盾构法隧道施工主要参数控制方法研究

提出了一种利用多级神经网络构建盾构法隧道施工中主要施工参数与地面沉降之间关系的数学模型,并通过遗传算法,根据施工目标进行了主要施工参数的优化组合.该方法充分利用了神经网络和遗传算法各自的优势.工程实例分析表明,该方法实时性强,有自学习功能,具有很大的实用价值.     

基于BP神经网络模型的综合评标方法研究

评标是工程项目招标程序中极为重要的环节。利用BP神经网络的自学习、自适应及非线性逼近能力 ,建立了针对综合评分法的基于BP神经网络的工程项目评标模型 ,并利用Matlab的神经网络工具箱进行开发实现。经过实证研究 ,表明了该模型的有效性 ,并为网上在线评标提供了一种科学、可行的评标模型     

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。     

基于人工神经网络的工程造价预测模型

利用神经网络强大的非线性映射能力,提出了一种基于BP神经网络模型的工程造价预测模型,指出该预测模型可对不同情况的工程造价进行合理的预测,实例检验证明,该方法收敛速度快,预测的可靠性令人满意。     

基于神经网络的平面钢桁架结构损伤识别研究

利用神经网络的鲁棒性、容错性和泛化能力,建立了3个不同的神经网络对平面钢桁架结构进行了损伤定位和定量的评估。首先用PNN神经网络诊断出损伤杆件所在的子结构;并用RBF神经网络进一步诊断出损伤杆件的具体位置;进而确定出损伤杆件的损伤程度。数值仿真表明,该方法用于平面钢桁架结构的损伤识别是可行的。     

Multiscale computation on feedforward neural network and recurrent neural network

Homogenization methods can be used to predict the effective macroscopic properties of materials that are heterogenous at micro- or fine-scale. Among existing methods for homogenization, computational homogenization is widely used in multiscale analyses of structures and materials. Conventional computational homogenization suffers from long computing times, which substantially limits its application in analyzing engineering problems. The neural networks can be used to construct fully decoupled approaches in nonlinear multiscale methods by mapping macroscopic loading and microscopic response. Computational homogenization methods for nonlinear material and implementation of offline multiscale computation are studied to generate data set. This article intends to model the multiscale constitution using feedforward neural network (FNN) and recurrent neural network (RNN), and appropriate set of loading paths are selected to effectively predict the materials behavior along unknown paths. Applications to two-dimensional multiscale analysis are tested and discussed in detail.     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

基于小波分析的神经网络在混凝土测强曲线拟合中的应用

将小波母函数嵌入人工神经网络的神经元形成紧致型小波神经网络,将此种网络用于混凝土非破损检测的测强曲线拟合和预测,提升了纯粹的BP神经网络的拟合和预测精度,效果远胜于最小二乘拟合和预测.通过一个算例对小波神经网络的高精准性和非性线逼近能力进行了验证,对实验数据进行了统计分析,结论表明小波神经网络优于BP神经网络.     

改进BP神经网络及其在西北建筑业预测中的应用

BP神经网络是分析处理复杂非线性问题的一种有效方法,是目前广泛应用的一种神经网络,已被逐渐应用于对宏观经济问题的研究中。本文有机地整合了计量经济学与BP神经网络,建立了基于因果关系理论来确定BP网络的输入变量,基于协整理论来分析BP网络系统的可靠性,基于学习率可变的动量BP算法的用于研究经济领域问题的改进BP神经网络预测模型,加强了网络模型的理论基础,提高了网络模型的质量,并将其应用于西北建筑业的预测和控制中,取得了令人满意的效果。     

基于模糊神经网络算法的电梯群控系统

总结了电梯群控系统的特征,研究了模糊神经网络,实现了模糊推理在神经网络结构中的运用。采用BP神经网络优化了群控系统的部分控制参数。并利用仿真将基于模糊神经网络的电梯群控系统与传统电梯群控方法进行比较。     

基于径向基神经网络的基坑支护位移预测方法

简要分析了径向基神经网络相对于BP神经网络的优点,利用径向基神经网络建立了基坑支护水平位移的预测方法并编制了基于径向基神经网络的支护位移预测程序.结合实际工程监测数据中的基坑支护结构水平位移数据,对网络进行训练并利用训练好的网络对基坑支护结构的水平位移进行了预测.从预测结果与实测结果的对比分析来看,利用径向基神经网络对基坑支护水平位移进行预测是可行的,其精度符合工程实际的要求.     

基于OIF-Elman神经网络的燃气日负荷预测

与传统的Elman神经网络相比,采用具有输出一输入反馈机制的改进Elman(即OIF-Elman)神经网络对燃气日负荷进行预测,不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本较少时,无论在训练速度上,还是在预测准确度上,OIF-Elman网络明显优于Elman网络.     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。