基于SOFM神经网络的砂土液化评价

提出应用自组织特征映射(SOFM)神经网络进行砂土液化评价,根据实测资料和行业规范,建立具有7个输入参数,4个输出类别的SOFM神经网络模型对砂土液化的严重程度做出评价.实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化的研究提供了新方法.     

基于神经网络理论的砂土液化的判别

本文探讨了用神经网络方法来研究土的抗液化性能与土参数之间的非常复杂的非线性关系,并对实例进行网络测试,测试结果与其它液化判别方法所得的结果相比要更为可靠。     

重塑含粘粒砂土的动模量和液化势

本文通过对含粘粒(粘粒含量≤9％)重塑砂土的自振柱和动三轴试验研究,探讨了其剪切模量和液化势随粘粒含量变化的一般规律:并通过X光扫描电镜,对含粘粒砂土的颗粒结构进行了观察,分析了其动剪切模量和抗液化性能随粘粒含量的增大而减小的机理。 研究的结果还表明,以动剪切模量间接预测含粘粒的砂土的液化势是可能的。     

基于GIS的安全系数法在区域砂土液化评价中的应用

砂土液化研究是一项复杂的系统的工作,是岩土工程界重要的研究方向.在工程勘测中,仅凭有限的单孔钻探资料推测建设区域的整体液化情况是缺乏科学性的.因此,在综合了液化判别规范的基础上提出液化安全系数法,并借助GIS相关理论和方法,以ArcGIS软件为平台在实例中得以应用,实现了对区域的砂土液化分级预测,为基于有限资料下的大区域砂土液化判别及预测提供了可行有效的途径.     

基于神经网络理论的砂土液化的判别

本文探讨了用神经网络方法来研究土的抗液化性能与土参数之间的非常复杂的非线性关系 ,并对实例进行网络测试。测试结果与其它液化判别方法所得的结果相比要更为可靠     

基于补偿模糊神经网络的集群创新能力评价

目的为了提高产业集群创新能力及企业的整体创新水平,增强产业国际竞争力．方法将补偿模糊神经网络算法应用到产业集群创新能力评价当中,构建了基于网络结构的集群创新能力评价指标体系,通过因子分析将指标体系精简为6个因子,以6个因子为输入,建立补偿神经网络模型,实现对集群创新能力的评价研究．结果应用Matlab进行编程运算,从实验结果来看,误差非常小,训练结果令人满意,取得了很好的效果．结论该方法适用于产业集群创新网络能力的绩效评价,从而为研究产业集群的评价提供了一个新的思路．     

基于GRNN的砂土液化危害等级评价模型研究

影响砂土地震液化的因素复杂且具有随机性和不确定性.神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的砂土地震液化评价问题.在分析广义回归神经网络的基本原理和算法基础上,建立了砂土液化危害等级评价的广义回归神经网络模型.然后用收集到的工程实例样本对该模型进行训练和检验,并与BP神经网络判别结果进行对比.结果表明,广义回归神经网络性能良好、预测精度高,是砂土地震液化危害等级评价的一种有效方法.     

荆州长江大桥桥基场地砂土液化试验分析

对荆州长江大桥桥基场地进行砂土液化试验,由试验结果得到砂土层在不同振动次数下的抗液化强度和地震作用时的等效平均剪应力,对两者进行比较,从而可知砂土层发生液化的可能性.由液化的深度和液化指数,对桥基进行了液化评价,评价的结果可以给大桥的桥基设计提供相关的参数.     

砂土地震液化的模糊综合评判法

根据砂土液化问题具有的模糊性和不确定性,建立了一种判别砂土液化发生可能性的模糊综合评判模型。在提出的砂土液化模糊综合评判模型中,通过综合地震烈度、标贯击数、地下水位和平均粒径等影响砂土地震液化的因素,采用梯形隶属函数并分别给出各因素隶属函数的表达式。通过工程实例计算验证了该模型的可行性,计算过程简单明了,有一定的实用价值。     

一种基于补偿模糊神经网络的水质预测方法

在污水处理系统过程控制中,对水质变化规律进行预测是控制系统可靠、稳定运行的重要环节.介绍了基于模糊逻揖和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点,建立污水处理厂CFNN的水质预测模型.实例预测结果表明该模型对初始值的选择不敏感,具有很好的收敛性和预测精度,适合实际工程应用.     

砂土液化判别的人工神经网络方法

应用人工神经网络原理，根据地震液化的实测资料，建立了 ８个因素综合考虑的预测砂土液化的ＢＰ神经网络模型．通过实例计算与模型评价，验证了该模型的科学性、高效性并较规范法具有更高的预测精度，不仅为砂土液化提供了又一新的研究方法，而且为进一步完善规范公式提出了建议．     

应用模糊神经网络完成模糊控制器的设计和仿真

介绍了模糊神经网络的基本结构,讨论了利用模糊刘经网络技术通过离线学习的设计模糊控制器的方法。     

模糊神经网络在机器人控制中的应用

为克服机器人控制过程中存在的许多不确定因素的影响,构造了一种新型模型神经网络结构,提出了一新算法,并将其应用于机器人控制,取得了满意的仿真效果,表明有极强的鲁棒性。     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

基于神经网络的自学习模糊控制

将神经网络与模糊控制相结合，提出了一种基于神经网络实现自学习模糊控制的方法，并给出了神经网络训练、控制器离线自学习、控制器在线自学习的相应算法，利用该方法，可以实现控制器的离线自学习和在线自学习，从而在控制对象发生变化时，通过控制器自学习改善系统的控制性能，仿真结果表明了该方法的有效性。     

模糊神经网络在机动多目标跟踪中的应用

研究了模糊神经网络方法在机动多目标跟踪中的应用该方法把模糊和神经网络结合起来,优势互补,一方面可以用语言描述的规则构造网络,使网络中的权值具有明确的意义;另一方面引入了学习机制,学习的结果改善了原有的规则,提高了知识表示的精度。     

模糊神经网络在GPS高程转换中的应用

介绍了模糊神经网络基本原理和GPS高程转换方法,采用模糊神经网络算法,实现了GPS高程转换.在用模糊神经网络进行GPS高程转换时,输入变量模糊分割数对计算结果的精度起着关键作用,模糊分割数过少,计算精度较低,过多,模糊规则数会急剧增加,计算精度不一定高,同时又会影响系统计算速度.为了进一步提高GPS高程转换的精度,模糊神经网络模型参数的选择以及网络结构的确定等问题,都需要进一步的研究和实践.