PSO-BP神经网络在隧道围岩变形预测中的应用

针对滇西复杂地质条件下隧道围岩变形预测问题,以BP神经网络为基础,引入了改进后的粒子群算法,通过调试和改进建立了PSO-BP神经网络。该神经网络结合了粒子群算法的全局搜索能力和BP神经网络的局部搜索能力,非线性映射能力强,泛化能力强,具有一定的容错能力。计算结果表明:PSO-BP神经网络预测精度高,平均绝对误差为2.4 mm,平均相对误差为2.7%,满足隧道围岩变形预测精度的需要。     

基于风险分析的公路工程保险费率厘定

在考虑工程风险及保险实际理赔情况的基础上,形成了含自然灾害、项目环境等7个指标维度的风险评价体系,利用粒子群(PSO)算法优化BP神经网络的初始阈值及权值,建立了公路工程保险费率厘定模型。将该模型应用于34个公路工程保险实际案例,通过PSO-BP神经网络拟合保险样本中风险指标因素与费率之间的关系,实现费率预测。对比分析PSO-BP神经网络与BP神经网络的仿真效果,结果表明,PSO-BP神经网络模型能较好地反映公路工程实际风险水平,预测准确度高,收敛速度快,适用于保险费率厘定。     

基于粒子群算法的增压柴油机神经网络模型

神经网络是建立柴油机性能实时计算模型的有效方法.当前柴油机神经网络模型的研究大多是针对稳态工况开展,为了实现对瞬态性能的合理预测,提出了预测全工况稳态及瞬态性能的通用神经网络模型构建方法.此外,为了解决传统BP神经网络无法保证得到全局最优解、泛化能力较差的问题,采用群体智能算法中的粒子群算法(PSO)进行优化.利用某型涡轮增压柴油机的稳态和瞬态数据作为样本对模型进行训练,并与传统的BP神经网络模型进行对比.研究结果表明,PSO-BP神经网络模型可以有效预测发动机的稳态和瞬态性能,稳态预测最大误差4.54％,瞬态预测最大误差4.93％,与传统BP神经网络模型相比,PSO-BP模型可以有效实现全局寻优,提升泛化能力.     

改进PSO-BP算法在隧道洞室地基稳定性中的应用

隧道洞室稳定性问题是一个复杂的非线性力学问题,常规的方法很难描述这种复杂的非线性关系。为及时评价隧道洞室地基的稳定性,以便采取合理的开挖方案,提出了改进PSO-BP算法对其稳定性进行预测的方法。粒子群算法具有搜索速度快、效率高、算法简单等优点。BP算法有很强的非线性映射能力、泛化能力等功能,但其容易陷入局部最优。采用PSO算法克服BP神经网络的缺陷,提高BP网络模型预测精度。以重庆小什字车站洞室为例,验证了改进PSO-BP算法能够快速、准确地获取不同方案下的洞室地基安全系数,且预测结果比模糊神经网络预测结果要好,证明了该方法的可行性。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于PSO-BP优化MPC的无人驾驶汽车路径跟踪控制研究

针对模型预测控制（MPC）路径跟踪控制器在不同路面附着系数及车速下跟踪误差大的问题，提出了基于粒子群寻优（PSO）-反向传播（BP）神经网络优化MPC的无人驾驶汽车路径跟踪控制策略。首先，设计了MPC路径跟踪控制器；其次，利用PSO-BP对MPC进行优化，以控制器精度和车辆稳定性作为评价函数，获得PSO离线最优时域参数；最后，选择4种工况进行双移线跟踪对比仿真验证。结果表明：所提出的控制策略在保证行驶稳定性的条件下，低路面附着系数低速、高路面附着系数低速、高路面附着系数高速及中路面附着系数中速工况下双移线跟踪横向控制精度分别提高了50%、55%、9%和20%。     

基于HPSO-BP神经网络融合的锂电池SOC预估研究

为实现锂离子电池荷电状态(SOC)的高精度预测,采用混合粒子群(HPSO)与BP神经网络相结合的联合优化算法,通过优化神经网络的初始权值和阈值克服了种群易陷入局部极小的缺点,加快了收敛速度,减小了SOC预估的误差,通过分析磷酸铁锂(LiFePO4)电池充、放电机理,将电池电压、电流、内阻和温度作为SOC的影响因子。MATLAB仿真结果表明,HPSO-BP神经网络算法的预测精度和收敛速度较传统BP神经网络算法更优。     

基于粒子群优化神经网络PID控制的车道保持系统研究

提出一种基于粒子群优化神经网络PID的车道保持控制方法。首先搭建车路模型和EPS(Electric Power Steering,电动助力转向系统)模型;然后建立粒子群优化神经网络PID控制器,利用粒子群算法优化神经网络的初始权值和阈值,提高神经网络算法的收敛速度和精度,优化后的神经网络算法在线调整PID控制器的3个参数比例Kp、积分Ki、微分Kd,输出最优组合;最后,进行车道保持硬件在环试验,试验表明:相对于常规PID控制和神经网络PID控制,在粒子群优化神经网络控制下,车道保持系统的跟踪精度和稳定性都更高。     

遗传策略粒子群优化的粗糙集神经网络在崩塌落石灾害风险评估中的应用

本文提出一种运用遗传策略粒子群优化的粗糙集神经网络的崩塌落石风险评估智能方法。首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用遗传策略对粒子群优化算法进行改良,用该改良后的优化方法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对崩塌落石风险进行评估。仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了预测精度。     

基于B样条曲线逼近的边坡临界滑动面的混合启发式搜索算法

采用三次均匀B样条函数模拟边坡任意形状滑动面,探讨了B样条曲线的端点处理方法和有效滑动面生成策略。将万有引力算法(GSA)与粒子群算法(PSO)两种启发式算法相融合,同时引入雁阵效应、非线性惯性权重进行改进,提出一种新的混合启发式搜索算法(HHA)。该算法增加了粒子的记忆性与群体信息交流功能,协调了全局和局部寻优能力。数值试验表明:HHA能有效克服GSA易陷入局部最小的不足,具有更好的优化精度、效率与稳定性。结合Morgenstern-Price法,对生成的有效滑动面计算安全系数,并以安全系数为目标函数,采用HHA搜索临界滑动面。4道标准考题分析验证发现:三次均匀B样条曲线能合理逼近任意形状临界滑动面;HHA对临界滑动面的搜索优于GSA,对非均质、含软弱夹层及考虑地震效应的复杂边坡均具有适用性。     

基于QPSO—RBF的交通量预测方法研究

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础,为了更好的对其进行预测,在分析径向基函数(RBF)神经网络预测模型的特点和标准粒子群优化(PSO)算法缺陷的基础上,将量子粒子群优化(QPSO)算法的全局搜索能力与RBF神经网络的局部优化相结合,克服了标准PSO算法收敛不稳定性和RBF神经网络易陷入局部极小值的缺点,并建立了QPSO-RBF的交通量预测模型.仿真实例结果表明,提出的预测模型预测精度较高,具有较强的学习能力和预测能力,对于交通量预测具有一定的可行性和有效性.     

基于粒子群优化的RBF神经网络交通流预测

交通流量预测一直是实时自适应交通控制的关键问题。以城市道路网络中典型的两相邻交叉口为研究对象,提出了基于粒子群优化的RBF神经网络的信号交叉口交通流量预测模型。该模型以RB F神经网络为基础,采用分组优化策略,用粒子群优化算法对基函数的中心、方差和RBF网络权值进行优化,从而提高了网络的预测精度。通过仿真,并与其他算法对比,表明了本文方法的有效性。     

基于粒子群优化和极限学习机的底盘测功机加载扭矩模型

汽车底盘测功机通过电涡流测功器产生加载扭矩模拟汽车行驶在道路上时所受到的阻力。针对电涡流测功器输出扭矩的非线性特性,提出采用极限学习机神经网络建立电涡流测功器输出扭矩模型的方法,并利用粒子群算法优化网络结构提高模型的准确性。仿真结果显示,模型的平均相对误差为1.3%。通过与BP神经网络模型相比较,极限学习机模型显示出了更高的准确性。     

基于响应面法的连续刚构桥结构优化设计

为了获得连续刚构桥的最优结构设计参数,综合考虑桥梁的力学性能和经济性,以响应面方法为工具,提出了一种考虑各设计参数之间相互影响的桥梁结构优化设计方法。目标函数综合考虑了结构的弯曲应变能和混凝土用量,采用拉丁超立方试验设计,建立了结构参数与目标函数的响应面模型,并用粒子群算法寻找最优解。以一座三跨预应力连续刚构桥为例,进行了结构优化设计,使目标函数值相对于优化前减少了13.6%。研究表明:基于响应面法的桥梁结构优化设计方法,优化效率高,优化结果精确。     

沙湾特长隧道软弱破碎千枚岩围岩参数敏感性分析与反演研究

为解决甘肃渭武土建试验2标沙湾特长隧道围岩软弱破碎、遇水软化以及强度低等使得围岩力学参数难以准确确定的难题,采用ABAQUS数值计算和正交设计方法进行参数敏感性分析,确定各参数对围岩变形的影响程度。基于粒子群优化的BP神经网络算法建立PSO-BP参数反演分析方法,并编制反分析程序。根据反演的参数进行数值模拟,分析围岩和支护结构位移、应力及塑性区分布情况。研究结果表明： 沙湾隧道围岩位移影响因素重要性依次为黏聚力c、泊松比μ、内摩擦角φ、弹性模量E;PSO-BP参数反演分析方法是一种有效的反分析方法,具有较高的精度。     

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法（PSO）优化支持向量机（SVM）的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测.研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO SVM的预测精度更高.     

基于小波网络的发动机瞬态工况进气流量动态辨识与预测研究

由于发动机进气系统具有复杂的非线性动态特性,因此构建了进气流量小波网络辨识与预测模型,并利用最小二乘法(DLS)对小波网络参数和预测控制率进行了学习和优化,以提高小波网络预测模型的可靠性和预测精度。作为对比建立了基于BP神经网络的预测模型,并利用瞬态工况试验数据分别对两种模型进行了仿真研究。结果表明,小波网络模型能有效地预测发动机瞬态工况进气流量,与BP神经网络预测模型相比,误差精度更高,可用于发动机瞬态工况空燃比的精确控制。     

汶川地震诱发滑坡特征

地震触发滑坡,会造成房屋被毁,道路中断,阻塞河流并形成可能溃坝的堰塞湖。本文以茂县为例,震后调查茂县因地震共产生滑坡和滑坡隐患点共191处,经调查分析主要具有以下特征:(1)滑坡和滑坡隐患点主要沿主干公路和岷江及支流分布,数量达90余处;(2)受主震影响,破坏严重,地质灾害以地表开裂(潜在滑坡)、滑坡和崩滑为主;(3)具有群发性特征,由于区内岩体破碎,风化严重,河流深切,人类工程活动强烈,形成较多的高边坡,在天然状态下处于稳定状态,但在地震力的作用下,瞬间形成了大量的滑坡和滑坡群;(4)滞后性特征,主震后在多次佘震和持续强降雨影响下,又发生了多处灾害,而且这种趋势还会持续相当长一段时间,应做好防灾工作。     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。