共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
鉴于传统BP神经网络在高铁桥沉降变形预报中随机性强、收敛速度慢、易陷入局部极值等缺点,本文引入了顾及邻域粒子群影响的改进粒子群算法(IPSO)优化BP神经网络,建立IPSO_BP的高铁桥台沉降变形预报模型,组合模型的预报结果与高铁沉降变形评估方法—Asaoka进行比较,结果表明:基于改进的粒子群优化BP神经网络模型较高铁桥传统BP预报模型收敛速度更快,预报精度更高;预报评估结果与Asaoka方法预报的结果相符,证明了IPSO_BP模型的可靠性和实用性。 相似文献
3.
《混凝土》2014,(7)
针对混杂纤维混凝土强度受多种因素影响,强度与各影响因素之间关系为复杂的非线性问题,通过人工神经网络的自适应、自学习和非线性映射,可以找到以影响因素为输入变量、以混杂纤维混凝土强度为输出变量之间的非线性关系,在文献试验实测值的基础上采用MATLAB神经网络工具箱建立了四个三层RBF和BP神经网络模型,采用所建立的RBF和BP神经网络对混杂纤维混凝土的抗拉强度和抗折强度分别进行预测,并将各自的预测值和实测值进行了对比分析。结果表明:RBF神经网络预测值与试验实测值吻合良好,较之BP神经网络有更高的强度预测能力,该方法可行且预测精度满足工程需要,为工程上研究混杂纤维混凝土强度提供了新方法。 相似文献
4.
5.
6.
7.
基于济南市济泺路穿黄隧道工程,研究了BP神经网络和灰色GM(1,1)模型分别对隧道开挖影响周边建筑物沉降的预测。BP神经网络模型和灰色系统模型预测深基坑周围建筑物沉降,均能够取得较好的预测结果;对建筑物的沉降量进行中长期预测时,BP神经网络模型更适合进行预测;灰色GM(1,1)模型的特点需使用的实测数据少,该模型适用于短期预测,在监测数据较少时能够发挥较好作用。 相似文献
8.
中短期基坑沉降监测序列具有非线性和数据量小的特点,导致常规预测模型很难获取准确的预测结果。针对传统模型未考虑到历史时刻沉降情况对未来沉降量具有不同影响的缺点,本文采用ALSTM(Attention LSTM)预测模型,并以某大厦基坑工程变形监测的数据为例进行验证。实验结果表明,相比LSTM、支持向量回归和BP神经网络模型,ALSTM模型能够取得更加准确的预测结果,适用于短期和中短期两种情况下的沉降变形预测。 相似文献
9.
变形监测一定程度上可以预测沉降发展趋势,本文采用灰色模型和神经网络的建模理论,介绍了GPS测沉降数据的预报处理流程,并利用上海市CORS网的数据分析GPS沉降预报,运用模型对GPS测沉降数据进行预测,最后利用中误差理论对精度进行评定,得出了灰色模型和神经网络模型在GPS沉降数据预报方面精度是可靠、精确的结论,从本文数据看神经网络预测的精度比灰色模型预测精度更符合实际。 相似文献
10.
提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。 相似文献