基于YOLOv3神经网络的城镇建筑参数获取及震害预测

随着经济社会的发展,城镇区域建筑的数量和结构类型在更新换代,抗震性能需进一步评价,而城镇建筑信息的高效获取是震害预测及抗震性能评估的前提。为提高建筑物信息获取方式的效率,该研究采用YOLOv3神经网络从建筑图像中识别建筑物参数,包括确定YOLOv3神经网络的训练参数,选取建筑图片进行YOLOv3神经网络训练,验证识别结果与实地调研数据的一致性;在此基础上,采用震害类比预测法对城镇建筑进行震害预测获得福州市某区域群体建筑震害矩阵。结果表明：建筑图片的训练结果较好,建筑参数识别结果和实际调研数据一致,该方法可实现城镇区域建筑信息的有效提取及群体建筑震害的准确预测。     

建筑结构的震害预测方法

震害预测工作是通过一定的方法,针对城市建筑物在遭遇地震灾害时,建筑物和工程设施等的损坏程度以及经济损失等以及由此而产生的灾害做出的预测工作。震害预测工作中,需要使用正确的预测方法,针对现有的建筑物结构进行正确的分析和预测,并且对其未来的抗震能力进行全面地预测,根据该评价结果做出相应的加固对策,以此不断提高建筑物的抗震能力。当前,我国在建筑结构震害预测方面的研究已经有了一定的成绩,这些预测方法是根据一定的理论基础形成的,在实际工作中有较强的指导意义。     

建筑结构的震害预测方法

震害预测工作是通过一定的方法，针对城市建筑物在遭遇地震灾害时，建筑物和工程设施等的损坏程度以及经济损失等以及由此而产生的灾害做出的预测工作。震害预测工作中，需要使用正确的预测方法，针对现有的建筑物结构进行正确的分析和预测，并且对其未来的抗震能力进行全面地预测，根据该评价结果做出相应的加固对策，以此不断提高建筑物的抗震能力。当前，我国在建筑结构震害预测方面的研究已经有了一定的成绩，这些预测方法是根据一定的理论基础形成的，在实际工作中有较强的指导意义。     

基于统计分析的土石坝震害预测

根据汶川地震中绵阳市100座震损土石坝资料,以统计学软件SPSS为基础,采用逐步线性回归分析方法,确定了影响土石坝裂缝、渗漏、滑坡等常见震害的主要因素,建立了土石坝裂缝、渗漏、滑坡等常见震害的预测模型,为土石坝除险加固设计和震损水库应急抢险提供参考。     

基于BP神经网络的改良黄土强度参数预测

选用新型固化材料SH改良黄土,以室内土工试验数据为学习样本和测试样本,通过BP神经网络模型就含水率对改良黄土力学参数的影响进行了预测分析,结果表明:隐含层函数为正切tansig函数、输出层为对数logsig函数、隐含层神经元数为9时训练次数最少,模型误差最小;根据试验数据建立了非线性预测模型,预测结果与试验数值基本吻合,内摩擦角的平均误差为0.5%,黏聚力的平均误差为7.74%,内摩擦角的预测效果优于黏聚力的,但整体误差较小,且都在土工试验允许误差范围内,可见将BP神经网络应用到力学参数的预测中是合理的。     

基于神经网络的岩爆分级预测

为了检验神经网络在岩爆预测分级中的可行性,利用神经网络的模式识别特性,构建了岩爆分级预测的神经网络模型.以13组实测数据作为神经网络的训练样本、5组实测数据作为测试样本验证神经网络的工作性能.验证结果表明,神经网络的岩爆分级预测结果与实际结果完全一致,表明训练良好的神经网络可以用于工程实践中的岩爆分级预测.     

基于RBF神经网络的降雨量预测

文章论述了鉴于降雨量受众多因素的影响和具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的降雨预测模型.经实例验证,该模型收敛速度快、预测精度高。并且与BP神经网络模型对比结果表明,该方法避免了BP神经网络的局部极小及收敛速度慢等缺点,在精度,训练速度等方面优于BP神经网络。     

基于改进BP神经网络的水分入渗参数预测模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为150组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型,其中模型的输入变量为土壤基本理化参数,输出变量为Philip入渗模型参数吸渗率S和稳渗率A,由两模型的预测结果发现,预测误差均小于6%,在建模误差允许范围之内,所建模型可靠;对比模型预报结果发现,联合归一化法处理过的输入数据更具代表性,且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验,结果表明对入渗参数预测的相对误差均小于10%,模型预报精度较高,可满足实际应用的要求。     

滑带土强度参数的人工神经网络预测

利用改进BP网络技术,提出了确定滑带土强度参数的新方法。分析了滑带土强度参数的影响因素,并以收集的部分滑坡的实际数据作为训练和模型检验样本,采用动量法进行训练建立预测模型。模型检验表明,训练的模型具有较高的精度。该方法在确定清江水布垭古树包滑坡滑带土强度参数中效果较好,所得数据与其它常规方法综合确定的参数基本一致。     

基于BP神经网络的区域需水预测

本文基于BP神经网络L-M的改进算法,建立人工神经网络区域需水预测模型,选取GDP、人口、粮食作为区域需水预测因子,将BP神经网络模型应用到文山州区域需水预测中,并运用MATLAB神经网络工具箱进行模拟计算.     

基于人工神经网络的土石坝震损病害的预测研究

本文介绍了基于L-M(Levenberg-Marquardt)算法的BP神经网络模型,利用模型对土石坝进行损害预测.选取243座震损土石坝水库为研究对象,确定土石坝裂缝、渗漏、滑坡为本次预洲的指标.同时采集243座水库震损土石坝的裂缝、渗漏、滑坡等三大震损病害资料,通过专家意见划分其等级,作为实测值.经过神经网络模型反...     

基于深度神经网络的高位滑坡范围预测

以贵州尖山营滑坡为工程背景,通过对深度学习的总结与分析,建立多层感知器模型以对该滑坡危险区范围进行非线性预测研究。通过对深度神经网络算法的优化,构建64-128-32-1四层多层感知器模型,并以滑坡最大高差、滑坡体积、滑源区坡度、坡脚坡度、地层倾角作为输入量,以滑坡最大水平运动距离作为输出量对该模型进行训练,实现影响因素与运动距离的非线性映射。根据对贵州省尖山营滑坡调查和研究,尖山营滑坡区域面积约648 700 m2,体积约1 200万 m3,属于特大型滑坡。依据最优模型对该滑坡进行滑距预测,滑坡平面直线距离1 769 m区域内为危险区域。     

基于RBF神经网络的农业需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络农业需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

基于BP神经网络的义乌市降水量预测

水资源已经极大地制约了义乌市的经济发展,对义乌市降水量的预测,意义十分重大。BP神经网络具有自学习、自组织和容错性等一系列优点,用其来进行降水量预测是可行的。经过多次试预测,选出12月NINO-3区海表平均温度作为预测因子,义乌市5—6月的降水总量为预测对象。将1981—1999年12月NINO-3区海表平均温度的数据作为网络训练样本,2000—2002年义乌市5—6月的降水总量作为测试样本。网络测报结果平均误差为15.90%,预报情况良好。     

基于RBF神经网络的工业取水量预测研究

介绍了径向基函数（RBF）神经网络的结构、原理和训练算法。以某市为研究对象,建立了RBF神经网络工业取水量预测模型,采用最近邻聚类学习算法确定径向基函数的宽度、聚类中心和权值。结果表明：RBF模型具有较强的非线性处理能力和逼近能力,且结构简洁、学习速度快、预测精度高,泛化能力强,克服了BP神经网络学习过程收敛过分依赖于初值和可能出现局部收敛的缺陷。     

基于Matlab神经网络的流域年径流量预测

阐述了运用人工神经网络模型对流域年径流量径流序列做出预报,表明人工神经网络模型在水文预报中具有一定的优势。通过BP神经网络算法得到了适合该神经网络模型的训练算法。以渔峡口站年径流量实测序列为研究对象,在数值试验的基础上建立了年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

基于BP神经网络的吉林省中部旱情预测

本文选择以吉林省具有气象监测要素的中部三个墒情站进行BP模型预测。以2002-2009年降水、蒸发、气温、风速、土壤含水率均为实测资料。通过采用BP神经网络模型进行预潮分析,预测姑果显示,平均绝对误差为-0．9,60％预测值偏小,相对误差小于±10％占70％、小于20％占93％,相对误差能够满足预测要求。表明模型预测精度较高。可以用于实际工作中。     

基于遗传神经网络的城市用水量预测研究

介绍了BP(误差反向传播算法)和GA(遗传算法)及GA-BP 3种神经网络,并以此分别对城市用水量进行预测.实验结果表明,基于GA-BP算法的神经网络方法应用于城市用水量的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小.GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为未来短期城市用水量负荷的准确预测提供了新的思路与方法.     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

基于模糊神经网络的岩溶发育预测研究

结合武汉市某工程地质条件,选取5种输入参数,应用模糊神经网络模型,得到各评价区域的岩溶发育预测结果,并与BP神经网络模型的预测结果进行对比。结果显示,模糊神经网络模型在高风险区和安全区的相对误差分别为-9.6%、1.3%,均小于BP神经网络模型的-13.5%、3.6%;中风险区的相对误差相近,在一定程度上说明模糊神经网络模型预测结果比BP神经网络模型效果更好,精度更高。此外,对误差产生的原因也进行了分析。