BP神经网络在混凝土性能预测中的研究进展

随着人工智能技术的快速发展,BP神经网络在混凝土性能预测研究中的应用愈加广泛。文章在介绍BP神经网络设计原理的基础上,对BP神经网络在混凝土强度和混凝土耐久性方面的研究现状进行分析,总结BP神经网络在混凝土性能预测研究中的主要特征并提出未来展望,以期为混凝土性能预测相关研究提供理论参考。     

基于LM算法改进BP神经网络的基坑管线变形预测

通过提出一种基于Levenberg-Marquardt算法改进BP神经网络的方法探究基坑开挖对邻近管线变形性状的影响。以管线水平位移量和竖向位移量为预测结果,建立包括管径、堆载、材质、管线埋深、开挖方案、开挖顺序、开挖深度、纵向距离8个影响因素的多元参数预测模型。通过将管线变形预测值与实测值比较,证明采用Levenberg-Marquardt改进BP神经网络的算法预测结果更准确,具有更好的泛化性能。该模型将为预测基坑开挖引起的管线变形性状提供技术参考,为基坑工程信息化施工提供决策依据,从而达到减少基坑开挖安全事故、保护管线的目的,在实际工程中具有一定的推广应用价值。     

改进BP神经网络算法在基坑沉降预测中的应用

提出一种采用BP神经网络算法来预测深基坑沉降的方法，结合具体工程实例，构建了预测深基坑周边地表沉降具体BP神经网络模型，预测结果表明，该模型有较高的预测精度，可作为预测沉降的一种新方法。     

BP神经网络算法对建筑保温材料性能的预测

针对建筑保温材料性能表征十分复杂、困难的情况,利用人工神经网络BP算法,建立了复合保温材料性能预测模型,模型由3层神经元组成,分别为输入层、隐含层和输出层。以炉渣复合材料性能与成分的关系为研究对象,采取108组实验数据对神经网络进行8 000次训练,神经网络输出值的平方平均误差为0.000 12。然后,选用18组实验数据对训练成熟的试验神经网络模型进行检测,并把检测样本的神经网络输出值和试验值进行比较。结果表明:所建立的网络能反映炉渣复合保温材料与材料性能之间的关系,为实验设计提供了新的思想,节省了时间和劳动力。     

基于BP神经网络的建筑工程承发包价格预测

通过分析已有的承发包价格预测方法,选取BP神经网络对承发包价格发展变化进行预测,并建立基于BP神经网络的建筑工程承发包价格预测模型,以西安市砖混结构住宅为例,证明了该模型具有很好的实用性和可操作性。     

BP神经网络模型在建筑沉降预测中的应用

在系统介绍了BP神经网络预测模型在建筑沉降预测中的应用,对建模步骤做了阐述之后,建立BP神经网络预测模型对某建筑物的沉降变形做了预测。在对预测结果进行分析后发现该模型在沉降预测方面有较高的实用价值。     

基于EKF的小波神经网络在变形预测中的应用

提出一种新颖的用于变形预测的基于扩展Kalman滤波的小波神经网络学习算法,与BP算法相比,该方法具有更好的收敛率和学习能力,并通过实例计算证明了该方法具有较高的精度和较快的计算速度。     

基于BP神经网络的自密实清水混凝土性能预测研究

针对自密实清水混凝土试验周期长、表观性能影响因素多等问题,应用BP神经网络对其性能预测,有效减少试验量,快速找出外加剂最优掺量。基于BP神经网络卓越的非线性处理功能,将减水剂、消泡剂、引气剂、坍落度作为输入变量,自密实清水混凝土的7 d抗压强度、扩展度、气孔面积、色差作为输出变量,建立含有2层隐含层的BP神经网络模型,利用试验所得12组数据,预测自密实清水混凝土的性能,将预测值与试验值进行比较,确保模型高精确度。结果表明：神经网络模型预测结果良好,强度预测的相对误差最高达到10.8%,其余均在10%以下,其中第11组的混凝土性能最优,预测与实际结果相吻合。     

基于BP神经网络混凝土抗压强度预测

在阐述BP人工神经网络原理的基础上,针对影响强度的主要因素,建立了多因子混凝土抗压强度3层BP网络模型,以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料含量及置放天数作为模型输入参数,混凝土抗压强度值作为模型的输出,对混凝土抗压强度进行了预测.实验结果表明:所建BP神经网络混凝土抗压强度预测模型最大...     

基于小波变换的神经网络空调负荷预测研究

基于小波变换的思想建立了递归BP网络模型来预测空调负荷,改进了网络权值、闽值的修改算法,引入了折扣系数法以提高近期预测精度,结合一实例进行了空调逐时冷负荷预测,结果表明该方法预测精度高,适用于空调负荷预测。     

基于小波神经网络的边坡预报模型研究

边坡变形具有复杂性、随机性、不确定性、地域性、时效性等的特性,对边坡进行精确的预报一直是一个难题。针对此问题,本文建立了基于小波分析的神经网络预报模型来对边坡变形进行研究,结果表明小波神经网络预测模型具有更灵活有效的函数逼近能力,预报的精度高,并通过实例验证了小波神经网络预测模型的高精度性。     

The Effects of Detector Spacing on Traffic Forecasting Performance Using Neural Networks

An investigation was made as to how short-term traffic forecasting on motorways and other trunk roads is related to the density of detectors. Forecasting performances with respect to different detector spaces have been investigated with both simulated data and real data. Pruning techniques to the input variables used for neural networks were applied to the simulated data. The real data were collected from the M25 motorway and included flow, speed, and occupancy. With the data used in our study, the forecasting performances decrease with the increase of detector spaces. However, by taking the assumed costs of detector infrastructure into account, it may be concluded from this study that increasing coverage to a spacing of 500 m gives little extra benefit and may actually be counter productive in certain circumstances. It was concluded that, on the basis of current evidence, a detector spacing of between 1 and 1.5 km might be optimal.     

基于小波神经网络的轧制压力高精度预报模型

由于传统的轧制压力计算模型结构简单,即使采用自适应技术,也难以适应不断提高的精度要求。为了提高精轧机组轧制压力预设定精度,采用小波神经网络方法对轧制压力进行预报,利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。经离线仿真证明,该小波神经网络该方法的预报精度优于同等规模的BP网络,预报结果的相对误差基本限制在5%以内。且其训练方法具有收敛速度快的特点,具有很好的在线应用前景。     

小波神经网络在软基沉降组合预测中的应用

将小波神经网络组合预测模型引入软土路基沉降预测中。把5组不同形式的s型增长模型单项预测结果作为小波网络的输入向量,将代表相应时刻的实际值作为小波网络的输出,对软基沉降序列进行非线性组合预测。预测结果表明,小波网络组合预测的结果比各单项模型预测的结果都好,与BP神经网络相比,小波网络的收敛速度更快,预测精度更高,模型的泛化能力更强。     

Artificial Neural Networks for Forecasting of Fuzzy Time Series

Abstract: In this article, an artificial neural network for modeling and forecasting of fuzzy time series is presented. Modeling fuzzy time series with fuzzy data as random realizations of an underlying fuzzy random process enables forecasting of future fuzzy data following the observed time series. Analysis and forecasting of time series with fuzzy data may be carried out with the aid of artificial neural networks. A significant advantage is the fact that neural networks do not require a predetermined process model to simulate and forecast time series possessing fuzzy random characteristics. Artificial neural networks have the ability to learn the characteristics of an existing fuzzy time series, to represent the underlying fuzzy random process, and to forecast future fuzzy data following the time series observed. The algorithms developed are demonstrated using a numerical example.     

基于BP网络自整定的PID控制在加工过程中的应用

基于BP神经网络自整定的PID控制,把BP神经网络与传统的PID控制很好的结合在一起,利用BP神经网络实时在线学习来调整PID的三个系数,这样充分发挥各自优势,从而拓宽PID控制的应用领域.对车床加工过程进行建模,加入BP神经网络自整定PID控制,以车床加工过程作为被控对象进行仿真研究.仿真结果表明,加工过程在BP神经网络自整定的PID作用下的控制效果良好.基于BP神经网络自整定的PID控制较传统的PID控制具有更好的鲁棒性和自适应性.     

Effect of Representation on the Performance of Neural Networks in Structural Engineering Applications

Abstract: The pattern-mapping, pattern-classification, and optimization capabilities of neural networks have been used to solve a number of structural analysis and design problems. Most applications exploit the pattern-mapping capability and are based on the back-propagation paradigm for neural networks. There are a number of factors that influence the performance of these networks. This paper initially discusses these factors and the domain-dependent and -independent techniques presently available for improving performance. The paper then considers the effect of representation, selected for the input/output pattern pairs, on the performance of these networks and demonstrates that representations based on dimensionless terms, derived from dimensional analysis, lead to improved performance. It is shown that dimensional analysis provides a representational framework, with reduced dimensionality and embedded domain knowledge, within which effective learning can take place and that this representational change can be used to enhance the domain-independent and -dependent techniques presently available for improving performance of these networks.     

电力负荷预测神经网络模型的设计

为提高电力负荷预测精度,本文采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法 ,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

一种基于神经网络的电梯故障诊断方法

针对电梯控制系统的安全性问题,提出了一种基于GCAQBP学习算法的神经网络模型,并将该模型应用于电梯故障诊断系统中。使用该方法对电梯的几种典型故障进行诊断分析。结果表明,该方法具有较好的实用效果。