基于EMD和GA-BP神经网络的大坝变形预测

提出一种基于经验模态分解 （ＥＭＤ）和遗传 ＢＰ神经网络的大坝变形预测新算法。该算法首先通 过 ＥＭＤ对变形序列进行分解,有效分离出非线性高频波动分量和低频趋势分量;然后应用遗传算法优化 ＢＰ神经网络的权值和阈值,再对各分量进行建模预测;最后叠加各分量预测值得到预测结果。应用新算 法与灰色 ＧＭ （１,１）、回归模型、普通卡尔滤波和遗传 ＢＰ神经网络算法进行对比分析。结果表明,该算 法具有较强的自身内部环境优化和外部平台构建能力,自适应能力和非线性拟合能力较强,在一定程度上 保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。     

基于EMD-PSO-BP网络模型的大坝变形预测

针对大坝变形具有非平稳性、非线性等特点,将经验模态分解(EMD)和粒子群算法(PSO)引入到BP神经网络中,建立EMD-PSO-BP模型。该模型采用EMD将复杂的大坝变形数据分解成有限个相对平稳的分量,并利用粒子群算法优化BP神经网络对各分量分别建模预测,叠加重构各分量预测值作为最终预测结果。实验结果表明,EMD-PSO-BP模型具有较好的非线性映射能力、学习能力和自适应能力,能有效地提高变形预测精度,其预测精度明显优于BP神经网络模型,较PSO-BP模型也有所提高。     

基于经验模态分解与人工鱼群神经网络的短期负荷预测

提出了采用经验模态分解（EMD）、人工鱼群算法的RBF神经网络与BP神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用经验模态分解（EMD）将非平稳的负荷序列分解成若干平稳序列,然后根据分解后各分量的特点构造不同的神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。     

基于EMD和神经网络的时间序列预测

提出了一种新的时间序列预测方法:利用EMD分解法和神经网络进行信号预测。EMD分解法是一种自适应的信号处理方法,适用于分析非线性、非平稳过程。这一方法分三个基本步骤:首先对待预测的时间序列进行EMD分解,产生多个基本模式分量IMF(Intrinsic Mode Function),接着对各个分量分别用神经网络进行预测,然后重构各分量的预测值,得到最终预测结果。仿真结果表明该方法较之以往的参数模型法以及直接用单一的神经网络进行预测更加准确有效。     

EMD遗传神经网络方法

针对BP(back propagation)神经网络搜索速度慢、容易陷入局部最小的缺陷,提出了经验模态分解(EMD)遗传神经网络方法,首先用对带噪的信号进行分解,得到信号的各阶本征模函数分量,每个本征模函数分量对应着一个能量不同的频段,即一种故障特征,将各频段能量的特征向量作为优化神经网络的输入样本;其次用遗传算法对神经网络的初始权值和阈值进行优化.利用EMD遗传神经网络方法对滚动轴承多类故障信号进行分析,可提高故障识别能力.     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.     

FastICA遗传神经网络算法

针对反向传播（BP）算法和基于负熵固定点迭代快速独立分量分析（FastICA）方法各自的优缺点,提出了FastICA遗传神经网络算法,对滚动轴承进行故障识别.首先对信号进行FastICA分离,得到振动信号故障信息的独立分量,每个独立分量对应着相应的能量,将各个独立分量的能量构成特征向量;其次利用遗传算法对BP神经网络的初始权值和阈值进行优化,得到遗传神经网络;最后将特征向量作为遗传神经网络的输入样本进行故障识别.利用该方法对滚动轴承多类故障信号进行识别,提高了故障识别能力.     

基于遗传-BP神经网络预测单桩竖向承载力

在遗传算法改进BP神经网络的基础上,利用遗传算法的全局优化能力和BP神经网络的较强的高次非线性能力和自学习能力,建立预测单桩竖向承载力的遗传—BP神经网络模型。通过利用济南地区现场试桩资料对该模型进行训练和检验,证明本文所建立的遗传—BP神经网络预测模型预测精度高,适用性强,可以作为桩基工程设计和理论研究的参考计算工具。     

基于 EMD 和 RVM 的股指期货价格预测

提出了一种基于EMD（经验模态分解）与RVM（相关向量机）的股指期货价格预测方法。首先将目标价格序列通过EMD技术进行分解,然后对分解后的分量进行重组得到三个新序列,通过分析这三个新序列的特点,构造不同的RVM模型对每个新序列分别进行预测,最后将三个新序列的预测结果通过RVM组合得到最终预测值。实验结果表明,该方法能取得良好的预测效果。     

Banach代数中的行列式理论

探讨了 Banach 代数中的行列式理论.给出了具有单位元的迹 Banach 代数具有行列式的充要条件.     

非织造布滤料性能及过滤过程的研究进展

对近年来非织造布滤料的研究进展做了简要综述,介绍了内部结构的研究及表征、过滤性能及其影响因素、过滤过程的计算机模拟,指出进一步发展所需要解决的问题。     

Towards Excellence in Science Chinese Academy of Sciences

<正>May 26,2014,BeijingScience is a human enterprise in the pursuit of knowledge.The scientific revolution that occurred in the 17th Century initiated the advances of modern science.The scientific knowledge system created by human beings,the tremendous productivity brought about by science,and the spirit,methodologies and norms formulated in scientific practice since the 17~(th)Century have long become essential elements of     

SCIENCE CHINA Technological Sciences SUBJECT INDEX TO VOLUME 57(2014)

<正>~~     

单面约束系统的微分变分原理与运动方程

研究单面约束力学系统的微分变分原理和运动方程。方法利用Ｄ＇Ａｌｅｍｂｅｒｔ原理建立Ｄ＇Ａｌｅｍｂｅｒｔ－Ｌａｇｒａｎｇｅ原理．Ｊｏｕｒｄａｉｎ原理和Ｇａｕｓｓ原理,结果与结论得到系统的微分变分原理和带乘子的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ形式,Ｎｉｅｌｓｅｎ形式和Ａｐｐｅｌｌ形式的运动方程。     

q-树的重构性

q 是一个正整数,所谓 q-树的图是递归定义的:最小的 q-树是完全图 K_q,一个 n+1阶的 q-树是通过在 n 阶 q-树上加上一个新点并连接这点与 n 阶 q-树中任意 q 个互相邻接的点而获得,其中 n≥q.1-树我们通常称为树.在本文中,证明了对任意正整数 q,q-树是可重构的.     

β-环糊精-毛细管区带电泳分离扑尔敏对映体

采用毛细管区带电泳模式,以β-环糊精为手性选择剂分离了药物扑尔敏的光学对映体.考察了在不同背景电解质 pH 值尤其是较低 pH 值下环糊精浓度对对映体表观淌度差的影响,并研究了有机改性剂尿素在分离中的作用.     

层状球形夹杂复合材料的弹性模量

利用层状球形夹杂在无限大基体中的局部化关系及平均应力场理论,给出了一种方法来分析含 n 种层状球形夹杂所构成复合材料的弹性模量.对于文献给出的空心玻璃球和高分子基构成的复合材料,该理论的预测与实验吻合很好.当表层稍失时,该理论退化为传统的 Mori-Tanaka平均应力场理论.     

高师物理专业人才培养与基础教育衔接问题的研究

分析了当前高师物理专业人才培养与基础教育人才需求存在的问题,结合调查情况,提出了高师物理专业在培养目标、课程设置、教学内容、教学方法及实践教学环节方面的改革措施。     

JOURNAL OF BEIJING INSTITUTE OF TECHNOLOGY TOTAL CONTENTS(Vol.23)

正~~