三种神经网络在混凝土强度预测中的应用

通过建立改进的BP和RBF两种神经网络模型，对混凝土的强度进行预测，将预测值与常规BP神经网络模型预测结果进行了比较，研究表明，改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素，在强度预测中具有广泛的应用前景。     

基于神经网络的管道损伤识别分析

利用有限元软件对管道模拟,获得模态参数作为神经网络的输入样本,采用BP,RBF网络的方法对损伤前后的某管道工程进行分析,对比并探讨两种方法在管道损伤识别中的训练结果,实现了对管道的损伤定位和损伤程度的识别。结果表明对于小样本径向基神经网络(RBF)较BP网络有较大的优势。     

结合神经网络的热泵冷凝器模型优化

本文采用了按照制冷剂状态来划分分布参数模型微元的方法,建立了冷凝器的稳态分布参数模型,并将其计算结果与实验数据做了验证。在此基础上建立了和稳态模型相结合的BP神经网络和RBF神经网络模型,通过神经网络对稳态模型进行修正,有效地提高了冷凝器仿真模型在热泵系统中的仿真精度,并比较了用两种神经网络模型进行校正的差异。     

基于BP神经网络的建筑工程造价估算研究

研究了BP神经网络在建筑成本估算中的应用,分析了建筑成本的影响因素,选取6个因素作为估算模型的参数,建立了一个BP神经网络估算模型,并通过10个样本进行了训练。结果表明,估计模型迭代85次后,网络误差达到设定的最小值,训练是收敛的;与径向基函数（RBF）相比,该模型的估计精度更高,平均误差为5.54%,表明成本估计具有良好的可靠性。研究成果可为建筑行业的投资决策提供可靠的依据,也丰富了BP神经网络在成本估算中的应用。     

基于粒子群算法的RBF神经网络零件表面缺陷分类

针对金属工件表面缺陷分类问题,提出一种基于粒子群算法的RBF(Radialbasisfunction)神经网络对金属工件表面缺陷进行分类的方法。本文采用线性递减权重法确定PSO算法中的惯性权重,用于消除PSO算法容易早熟及后期容易在全局最优解附近产生振荡现象。将线性递减权重法改进的粒子群算法运用于RBF神经网络,确定RBF神经网络中权值和阈值的最优解,并对RBF神经网络进行训练从而提高分类精度。对比实验结果表明,改进的RBF神经网络对工件表面缺陷的分类平均准确率可达94%,对比标准RBF神经网络分类和BP神经网络分类准确率有较大提高。     

基于RBF神经网络的塔式起重机安全状态模式识别

分析了径向基函数（RBF）神经网络的分类能力,提出了一种基于RBF网络的塔式超重机安全状态模式识别方法,在塔式起重机安全状态模糊综合评判的基础上,用塔式超重机状态参数及相应评判结果作为训练样率对,应用RBF网络构建了塔式起重机状态参数与整机安全状态类别之间的映射关系,给出了应用实例,并与BP网络进行了比较,结果表明该方法可行有效。     

BP和RBF在桥梁损伤识别中的应用比较

本文通过某桥对应变、挠度、振动、温度和动态轴重五个方面的监测数据的处理,得到能够反映桥梁工作状态的几个相关特征参数,然后根据这些参数以及设定的损伤指标和损伤级别,分别进行BP和RBF神经网络的训练,经过比对两次的训练误差、收敛速度等方面,最终选用RBF神经网络来实现对桥跨结构的损伤评估。     

BP神经网络对商业地产立项阶段投资风险评估

为了更好的对商业地产项目立项阶段的投资风险进行评估,应用BP神经网络构建了风险评估模型,通过MATLAB神经网络工具箱训练和检验该模型,最后通过实际应用,结果比较准确。     

基于BP神经网络的既有建筑混凝土强度预测

在分析检测数据的基础上,提取了结构服役时间、结构建造时间、结构检测时间、混凝土设计强度和混凝土碳化深度等特征参数,建立了预测既有建筑混凝土强度退化的人工神经网络模型。采用动量法和自适应调整法改进了BP算法;采用训练好的BP神经网络对既有混凝土强度最小值和混凝土强度最大值进行了预测,并与实测值进行了对比。结果表明:利用BP神经网络对既有建筑混凝土强度退化进行预测是可行的,该研究成果可为既有建筑大面积的抗震性能普查提供参考。     

基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。     

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.     

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GA的BP神经网络在砂土液化评价中的应用

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。在探讨训练样本选取的基础上,耦合遗传算法和BP神经网络构建了遗传网络并应用于砂土液化的评价,通过与动量梯度下降算法改进的BP神经网络对比,表明了基于遗传算法的BP神经网络在砂土液化评价中的优越性。     

RBF网络的结构动力响应预测

由于结构主动控制对地震反应振动控制的高效性,使主动控制在建筑结构振动控制领域中,具有广阔的应用前景,但是主动控制存在难以建立一个精确的数学模型,存在时滞效应等问题.神经网络不需要建立精确的数学模型,只是通过学习输入输出训练样本数据,就可归纳出隐含在系统输入输出中的关系;应用神经网络预测结构响应可以解决主动控制中的时滞问题,为控制决策提供依据.用RBF神经网络对结构响应进行预测,以期能为结构主动控制提供一种新的思路.     

神经网络遗传算法与混合波阻抗反演

神经网络算法可以建立属性参数与预测目标之间的高度非线性映射,遗传算法有选择适者生存的特点,神经网络算法与遗传算法构成的混合波阻抗反演具有精度更高,收敛速度更快的优势。本文简述了BP神经网络算法和遗传算法的基本原理,用理论模型比较了BP人工神经网络、遗传算法与混合波阻抗反演各自的特点,用实际地震资料检验了混合波阻抗反演的实用性。     

基于BP神经网络的建筑结构隔震初步设计系统

基于BP人工神经网络,以建筑结构的抗震设防类别、设防烈度、场地类别、地震分组、高宽比、长宽比、刚度,质量和面积为主要影响因子,以隔震后结构的最大层剪力比和支座最大位移作为输出结果,建立一个隔震初步设计系统.经25个训练样本对该网络进行训练后,利用15个测试样本对网络进行了测试.通过测试结果与实际设计结果的对比,网络的平...     

BP神经网络模型在地下水质量评价中的应用

介绍了BP神经网络的基本原理和计算方法。采用6-11-5三层拓扑结构的BP神经网络模型对伊通河下游地下水质进行评价,并与内美罗指数法、模糊综合评判法和物元可拓法评价结果比较。结果表明BP神经网络计算简便、评价结果客观准确,很好地反映了地下水质量的总体状况。     

基于RBF神经网络的边坡稳定可靠度分析

RBF神经网络具有网络训练速度快、可以避免局部极小等优点。文章基于RBF神经网络理论,采用蒙特卡罗模拟法来进行结构的可靠度分析,研究了样本点的生成方法及样本数对可靠度分析结果的影响,并将基于RBF神经网络的蒙特卡罗模拟法应用于边坡的可靠度分析。计算表明:基于RBF神经网络的蒙特卡罗模拟法具有较好的计算效率和计算精度;样本点的生成方法和样本数对计算结果影响较大。与随机取样法相比,均匀设计法生成的样本点分布更均匀,由此样本点集训练生成的神经网络能更好的代替原功能函数,在相同的样本数时具有更高的计算精度;当计算精度相同时,均匀设计法比随机取样法需要生成的样本点少,计算效率高。     

改进的RBF网络在区域需水预测中的应用

利用径向基函数神经网络,建立了区域用水量预测模型,改进了RBF网络学习方法;根据某地区近年来影响用水量主要影响因素的数据对该网络进行训练,并用训练好的网络模型对该区域以往和今后不同年份的用水量进行预测;对以往用水量预测结果表明该模型有较高预测精度、通用性和客观性.