BP人工神经网络模型在建筑物沉降预测中应用

以BP人工神经网络模型为基础,建立预测模型,以小区某栋建筑物l期～8期的沉降观测数据为输入数据和输出数据,对网络模型进行训练,并对9期～12期实际观测值与预测值进行了比较,结果比较理想,从而验证了采用BP人工神经网络模型进行建筑物沉降的预测是可行的。     

人工神经网络在地震预测中的应用

对人工神经网络的拓扑结构及工作过程作了简要介绍,并对人工神经网络在地震预报中的应用进行了分析,分析结果表明,采用BP神经网络进行地震预报,能够进一步提升预报的准确性。     

BP神经网络的商品房销售价格预测研究

影响到商品房销售价格的因素众多，而这些因素对其作用的效应的函数关系又很难界定，所以商品房销售价格的预测属于复杂的非线性问题，本文选取了其中的几个主要的，也是可量化的经济指标作为BP神经网络的输入样本，利用BP神经网络固有的优点弱化预测中的人为因素。从系统的输出结果与目标值的对比中，可以看出网络的训练、仿真及预测精度较高。BP神经网络可以作为研究商品房销售价格变化趋势一种有效的方法。     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.     

人工神经网络在中水供水量预测中的应用

为了保护有限的水资源,促进中水回用,某城市中水公司需要根据供水量的记录来预测未来某时的用水量,以安排生产调度计划.根据已有的记录,通过运用BP人工神经网络的计算机模拟得出供水量与最高、最低、平均温度和焦炭、焦煤价格指数的关系,模拟数据与实际数据基本一致,可用该方法对未来一个月的供水量进行预测.     

基于人工神经网络的城市煤气短期负荷预测

应用人工神经网络误差反应传播模型对城市煤气管网的短期负荷进行了预测。根据城市煤气短期负荷变化的特性建立了既反映煤气负荷连续性,周期性及其变化趋势,又包含天气,气温,节假日等因素影响的短期负荷预测模型,并介绍了方法在实际中的应用。     

基于BP人工神经网络的公路岩质边坡稳定坡角预测

将大量已建公路边坡工程的数据作为训练样本,建立了BP人工神经网络模型,并按照RMR岩体质量分类系统将收集到的边坡地质资料进行分类,获取参数值后输入已建立好的BP人工神经网络模型,综合比较了稳定边坡角预测值与已建公路的边坡角实际值,结果表明,采用BP神经网络方法预测公路岩质边坡稳定坡角是可行的。     

基于BP人工神经网络的预测模型在基坑变形预测中的应用

这里依据基坑开挖及使用过程中的变形特性,对影响基坑变形的主要因素进行了分析。利用BP人工神经网络的特点,组建了基于BP人工神经网络的变形预测模型,并将该模型运用于某基坑坡顶水平位移变形预测中,通过对预测结果与后期监测数据的对比分析,证明了该预测模型的有效性。     

人工BP神经网络在交通量预测中的应用

充分利用人工神经网络对非线性系统很强的模拟能力及Matlab的人工神经网络工具箱Web技术,使未来交通量预测在网上进行得以实现预测,并以国道及主要实际道路为例,对模型进行了理论验证。     

CO_2激光初治外阴尖锐湿疣的评价与单次疗效预测

目的:探讨采用CO_2激光对外阴尖锐湿疣进行治疗的临床效果,并建立单次疗效预测模型。方法:随机选取2014年4月-2015年7月期间本院收治的外阴尖锐湿疣患者80例,采用CO_2激光对其进行治疗,并对影响治疗效果的相关因素进行分析,建立单次疗效预测模型。结果:本研究中65例患者经CO_2激光单次治愈,治愈率为81.25%;多因素分析显示,阴道受累(P=0.006)、病变范围>8 cm~2(P=0.009)、术前存在疼痛症状(P=0.000)则是影响激光单次治疗结局的重要因素,比较差异均有统计学意义(P<0.05)。结论:CO_2激光是一种有效的外阴尖锐湿疣治疗方法,其中病变面积>8 cm~2、术前疼痛及阴道受累均是造成单次治疗失败的重要因素。     

基于BP神经网络的管网维修管径预测分析

以MH水司2004-2012年供水管网维修数据作为研究对象,以BP神经网络模型为研究方法,构建了MH水司供水管网维修的预测模型,对供水管网中待维修管道和管件的管径分布作了短期趋势预测。预测结果表明,该模型的预测精度较高,平均偏差最大为0．0054,均方差最大为0．0077;并给出了DN≤50、50〈DN≤100、100〈DN≤150、150〈DN≤200、200〈DN≤300、300〈DN≤500、500〈DN≤800和800〈DN≤1600的管道维修数量在历年和年内管道维修记录统计分析结果中的变化规律。     

Prediction of roadheader performance by artificial neural network

Performance prediction of the roadheaders is one of the main subjects in determining the economics of the underground excavation projects. During the last decades, researchers have focused on developing performance prediction models for roadheaders. In the first stage of this study, the performance of a roadheader used in Kucuksu sewage tunnel (Istanbul) was recorded in detail and the instantaneous cutting rate (ICR) of the machine was determined. The uniaxial compressive strength (UCS) and rock quality designation (RQD) are used as input parameters in previously developed empirical models in order to point out the efficiency of these models, and the relationships between measured and predicted ICR for different encountered formations. In the second stage of the study, Artificial Neural Network (ANN) technique is used for predicting of the ICR of the roadheader. A data set including UCS, RQD, and measured ICR are established. It is traced that a neural network with two inputs (RQD and UCS) and one hidden layer can be sufficient for the estimation of ICR. In addition, it is determined that increase in number of neurons in hidden layer has positive optimizing on the performance of the ANN and a hidden layer larger than 10 neurons does not have a significant effect on optimizing the performance of the neural network. Furthermore, probability of memorizing is being recognized in this situation. Based on this study, it is concluded that the prediction capacity of ANN is better than the empirical models developed previously.     

基于BP神经网络的硬化混凝土水胶比预测

混凝土一旦凝结硬化,再次评价其原始组分非常困难,目前针对水胶比的测试方法,试验复杂,精度不高。而水胶比是混凝土的重要参数,对混凝土的性能发挥至关重要的作用。试验制备了不同水胶比的混凝土,测试了不同龄期时混凝土强度、水泥浆钙元素含量、粗细集料用量。由于水胶比与上述因素间存在相关性,采用BP神经网络分析了硬化混凝土强度、龄期、粗细集料用量、水泥浆钙元素含量与硬化混凝土水胶比的非线性映射关系。研究结果表明:BP神经网络模型预测结果与实际水胶比吻合度较高,具有良好的预测效果。     

采用BP神经网络模型对东北地区水库水水质的预测研究

采用BP神经网络建立了东北地区某水库水的浊度预测模型,同时针对该水库的地域特点,重点研究了冰封期对水源水水质预测的影响。结果表明,以浊度为预测对象,将水库的水质数据按照是否进入冰封期进行划分后建模,预测效果比划分之前有较明显的提高。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于小波神经网络对城市供水管网压力的预测

为了对城市供水管网的压力进行更准确的预测,提出了运用小波神经网络的方法,对供水管网压力进行预测。该方法以BP神经网络为基础,用小波基函数取代了BP神经网络的隐含层函数,并对其进行了优化,并用该方法进行模拟仿真。结果表明,小波神经网络比BP神经网络更能准确预测水压值,最大误差为4.39%,最小误差为0.31%。该方法具有更强的学习性能、精确度及容错能力,在水压预测中有更实用的价值。     

基于BP神经网络的静压桩承载力时间效应预测

基于珠海软土地区3根PHC管桩隔时复压试验数据,采用BP神经网络建立了静压桩承载力时间效应的BP神经网络模型来预测静压桩的长期承载力。在建模过程中将桩长、桩截面积、土体摩擦角、土体变形模量、渗透系数、最终压桩力及休止期等与静压桩承载力密切相关的7个参数引入到输入层,用Visual Basic语言编制了以最终压桩力和休止期为主要输入因素的计算程序,程序可以对比显示计算和实测曲线。在样本训练和学习过程中,任意选取2根桩的试验数据来预测第3根桩的长期承载力。通过对施工现场工程桩的试算,预测结果与实测值较为吻合,表明提出的BP神经网络模型用于预测静压桩长期承载力是切实可行的。     

Prediction of blast-induced ground vibration using artificial neural network

An attempt has been made to evaluate and predict the blast-induced ground vibration and frequency by incorporating rock properties, blast design and explosive parameters using the artificial neural network (ANN) technique. A three-layer, feed-forward back-propagation neural network having 15 hidden neurons, 10 input parameters and two output parameters were trained using 154 experimental and monitored blast records from one of the major producing surface coal mines in India. Twenty new blast data sets were used for the validation and comparison of the peak particle velocity (PPV) and frequency by ANN and other predictors. To develop more confidence in the proposed method, same data sets have also been used for the prediction of PPV by commonly used vibration predictors as well as by multivariate regression analysis (MVRA). Results were compared based on correlation and mean absolute error (MAE) between monitored and predicted values of PPV and frequency.     

基于BP神经网络的公路网规模预测研究

对公路网规模与经济发展的关系进行了分析,利用格兰杰因果检验法筛选指标,建立了基于BP神经网络的公路网规模预测模型,并对安徽省公路网合理规模进行了预测,以促进公路网建设与发展。     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。