基于BP神经网络的事故黑点治理紧迫性排序研究

在当前社会经济水平下,有限的治理资金限制了治理道路危险源的数量,为了在保障道路安全的前提下,使有限的资金达到最大的治理效果,必须根据各类事故黑点的危险程度及治理的迫切性等对事故黑点治理紧迫性进行排序,从而根据紧迫性大小制定事故黑点的整治计划。该文提出基于BP神经网络的事故黑点治理紧迫性的排序方法,考虑多重因素建立了包括4个一级指标和6个二级指标的事故黑点治理紧迫性评价体系,并将评价指标作为BP神经网络的输入单元,通过模型设计、参数设计以及样本训练,建立基于BP神经网络的事故黑点治理紧迫性排序模型。最后,本文用实例验证了该模型对检验样本的输出值与期望值一致。     

基于人工神经网络模型的车门关闭声声品评价方法研究

基于BP人工神经网络研究了利用汽车关门声客观评价量进行声品质评价的方法.利用所采集声音样本的主、客观评价结果对BP人工神经网络进行训练,对训练好的网络进行主观评价预测;另外,对人工神经网络模型的输入量即关门声客观评价参数进行了研究.结果表明:基于人工神经网络模型的声品质评价方法是有效的;音调度是汽车关门声的一个重要特征量,将音调度一并作为输入参量,不仅可以提高网络的收敛速度,而且可以降低网络预测误差.     

基于BP神经网络的路面不平度识别

将BP神经网络作为识别路面不平度的工具，确定了用于识别的评价指标。建立了前后轮路面不平度滤波白噪声模型和汽车平顺性4 自由度平面模型，通过仿真获得车辆响应和前后轮路面不平度，作为BP 神经网络的输入和输出。采用3 层BP 神经网络识别路面不平度，先后构造了44 种车辆响应输入方案进行训练和测试，通过评价指标选出最优输入方案。研究结果表明，在车辆行驶的常用路面和车速条件下，识别前后轮路面不平度的最优输入方案由车轮垂直加速度、车轮垂直位移和悬架动挠度组成。     

基于改进型BP神经网络的沥青路面大修决策模型研究

针对常规大修决策模型PQI模型的缺陷,利用改进型BP神经网络建立沥青路面大修决策模型。改进型BP神经网络是在神经网络中间层和输出层上加入特殊的偏差单元,以加快BP神经网络的收敛速度、并提高其计算精度。本文根据安徽省高速公路沥青路面的实际情况,建立了有5个输入单元和一个输出单元的神经网络,并利用历年路况检测结果和专家对路况的主观评价结果对网络进行了训练。结果表明神经网络计算结果的精度很高。     

基于BP网络的道路水泥再生混凝土性能的评价

为了评价道路水泥再生混凝土的性能,在分析BP神经网络原理的基础上提出了用BP神经网络模拟道路水泥再生混凝土性能与各影响因素间关系的方法。根据道路水泥再生混凝土的实际工况,建立了3个输入节点、4个输出节点的BP神经网络模型,通过9组试验,验证了模型的可靠性。结果表明,实测结果与预测结果相接近,BP神经网络模型可以较准确的评价道路水泥再生混凝土的性能。     

混合GANN模型在路面评价中的应用

针对GA与NN优缺点互补的特点，摒弃以往GANN模型的不足，采用以GA优化BP网络权值与阈值，再用BP网络对GA搜索到的近似最优解进行微调的方法，建立了一种能充分发挥两者优势的混合GANN模型，并将模型应用于高速公路沥青路面使用性能评价之中。介绍基于混合GANN的高速公路沥青路面使用性能评价模型，通过与其他评价模型的分析对比表明：该评价模型精确、易于实现，是一种实用的高速公路沥青路面使用性能洋价模型。     

基于BP神经网络的桥梁技术状态评估

用养护规范中17个评价指标作为输入层网络神经元,把桥梁损伤等级参数作为输出层神经元,建立了桥梁评估3层BP神经网络模型.选用湖北省110座旧桥的评估数据作为训练样本,后10个作为测试样本,经过2 068次迭代运算的网络训练,得到了误差满足精度要求的收敛网络.将待评估的桥梁参数输入训练好的网络,得到评估桥梁的技术状态等级...     

基于人工神经网络的公路黄土高边坡稳定性预测研究

文章介绍了BP网络模型的计算过程并对其性能进行了改进。在此基础上,分析了影响黄土高边坡稳定性的因素,包括土体的容重γ、粘聚力c、内摩擦角φ、孔隙水压力比γu,地震烈度,边坡坡比和边坡高度H。在对西部四省地区上百个黄土高边坡稳定性进行调查的基础上,结合典型的实测数据,应用改进的神经网络BP模型对其进行预测和评价研究。结果表明:改进的BP模型具有收敛快、数据输入方便等优点,预测结果相对传统方法来说更准确、可靠,具有一定的推广的价值。     

模糊神经网络在发动机怠速控制中的应用

讨论了发动机怠速控制方法,对用模糊控制，BP神经网络控制方法进行了深入研究，给出了模糊控制和PID调节在怠速控制上的对比及BP神经网络用于学习模型控制器的输入与输出之间的函数关系，以取代模数控制规则表。在BP网络的训练过程，采用了自调整的学习算子以加速收敛，并给出了仿真结果。     

RC梁桥承载力BP神经网络预测模型

在分析RC梁桥承载力影响因素的基础上 ,将人工神经网络 (ANN)技术引入RC梁桥承载力评估中 ;选取 8种损伤指标作为BP神经网络的输入值 ,桥梁承载力指数作为输出值 ,建立了RC梁桥承载力预测 3层BP网络模型 ;使用MATLAB程序 ,完成了样本归一化、样本训练、仿真逼近和结果预测 ,使BP神经网络理论在实际应用中实现了计算机化 ;讨论了提高模型预测精度的措施     

人工神经网络在钢渣稳定土强度预测中的应用研究

在分析钢渣土强度影响因素基础上，选取钢渣龄期、钢渣细度、钢渣掺量3种主要因素作为人工神经网络的输入值，钢渣土7天无侧限抗压强度作为输出值，建立了钢渣土强度预测的BP网络模型。研究结果表明:训练BP神经网络时，17组自变量数据中无侧限抗压强度的网络拟合值与实测值基本重合，误差为-4.054%~3.214%。BP网络方法应用于钢渣土强度的预测方面具有较高的精度，预测与实测结果最大相差为0.02 MPa，最大误差为5.556%，可见，基于3参数的BP神经网络模型在钢渣稳定土新型路床材料7天无侧限抗压强度中的应用     

基于人工神经网络的边坡稳定性评价

应用改进的BP神经网络模型对国道107线清连一级公路部分高危边坡进行了稳定性评价研究。研究表明，改进的BP模型具有收敛快、数据输入方便、预测结果准确可靠等优点*     

BP人工神经网络在铁锣坪斜拉桥施工控制中的应用

以沪蓉西国道主干线铁锣坪特大桥为工程背景,引入了BP人工神经网络对未施工梁段的前端标高变化进行预测,将影响梁段标高变化的因素作为输入样本,实测标高变化作为输出样本对BP网络进行训练,利用BP网络具备输入参数与输出参数之间的非线性映射关系的特点对后续梁段在斜拉索第三次张拉完毕后的标高变化进行预测。     

基于神经网络技术沥青混合料体积参数预测模型研究

将BP神经网络引入到沥青混合料体积参数预测之中,通过灰关联分析手段总结出沥青混合料体积参数的主要影响因素,并以此作为网络输入单元编制体积参数预测模型程序,利用MATLAB强大的图形界面设计功能形成模型的可视化界面。同时通过调整网络内部的结构形式,寻求出一种预测效果最优的结构形式用于网络模型的建立。     

基于神经网络的停车需求预测模型及应用

结合停车需求特点分析了停车需求影响因素,提出了基于主成分分析的BP神经网络停车需求预测模型,该模型主要是通过对城市中心区停车需求的经济、土地、交通的特征分析,利用主成分分析法,明确了影响停车需求的主成分,简化了神经网络的输入样本,消除了网络输入之间的相关性,提高了网络的性能,实现了公共停车需求的准确预测。     

基于BP神经网络模型的白车身轻量化安全性评价

通过有限元模拟和BP人工神经网络相结合的方法,开展基于白车身对整车安全性能的评价。采用10款车型的有限元分析结果,建立BP人工神经网络,通过白车身安全系数、轻量化系数和弯曲刚度可以较好地预测整车安全星级。在该网络模型下,在白车身设计开发阶段就可以判断整车的碰撞安全是否满足星级开发目标,进而及时进行优化。     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

基于主要特征因素与BP-GEP网络的公路工程造价预测模型探究

基于GEP编程的信息搜索能力和BP网络建立了公路工程特征因素与工程造价的关系模型,并对模型进行了最优性预测评价,从而满足工程造价预测的实际应用需求。文章运用MATLAB仿真软件获取了影响公路工程造价的12个影响因子,并运用BP神经网络训练获得了影响公路工程造价的7个主要影响因素。针对选定影响因素基于BP网络和GEP算法给出了4个不同公路造价预测模型的评价指标和优模型解的分析。研究结果表明:基于主线里程、通道数量、路基土石方量、桥梁数量、隧道数量、地貌特征、利息率7个主要特征因素的两种算法模型所获得的预测结果精度要显著高于考虑全部特种因素的模型结果;基于主要特征因素的GEP网络算法模型获得的预测结果更为精确,模型最优;应用GEP网络在处理公路工程造价这类非线性空间全局搜索中具备了很高的搜索效率,能有效弥补BP网络泛化能力较低的问题。     

基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.