大跨度预应力砼斜拉桥的一种施工控制方法

应用工程控制的基本原理,阐述了砼斜拉桥的一种控制方法,该方法运用于某特大砼斜拉桥的施工中,取得了显著的效果,达到了斜拉桥索力与线型的"双控"目的,对斜拉桥的施工控制,有一定的参考价值.     

大跨度预应力砼斜拉桥的一种施工控制方法

应用工程控制的基本原理，阐述了砼斜拉桥的一种控制方法，该方法运用于某特大砼斜拉桥的施工中，取得了显著的效果，达到了斜拉桥索力与线型的“双控”目的，对斜拉桥的施工控制，有一定的参考价值。     

金马大桥斜拉桥主梁悬臂施工控制

本文介绍了金马大桥斜拉桥主梁特点及悬臂施工控制方案。该桥主桥采用斜拉桥与T构协作体系且用悬臂法施工，因此，施工控制是保证本工程顺利进行的关键。     

斜拉桥施工期时变可靠度的参数敏感性分析

斜拉桥的不同工序中参数的影响程度不同,同时,施工过程中各参数存在时变性,可靠度分析中不存在显式的功能函数,因此,其参数敏感性分析存在特殊性和困难性.基于结构可靠度的一次二阶矩法原理,推导了参数敏感性计算公式,结合斜拉桥施工期的时变可靠度计算程序,分析了施工阶段斜拉桥时变可靠度的主要参数的敏感性.在此基础上可以明确斜拉桥施工过程中应重点控制的施工参数,以提高其施工质量控制的主动性,确保大桥达到设计可靠指标.     

基于BP神经网络算法的特大跨度斜拉桥施工过程中的线形预测

随着斜拉桥跨度的增大,其几何非线性因素影响越来越明显,这就需要寻求考虑几何非线性影响的特大跨度斜拉桥施工线形预测方法。文章分析BP神经网络算法的基本原理及改进措施,借助Matlab语言建立预测模型,探讨其在特大跨度斜拉桥施工控制中的应用。以某主跨为1088m的特大跨度钢箱梁斜拉桥为工程背景,验证该方法的合理性和可行性,为同类型桥梁的线形控制提供参考。     

独塔单索面混凝土梁斜拉桥索导管的定位

结合泰州市新通扬运河特大桥施工测量工程,对独塔单索面混凝土斜拉桥塔索导管和预制主梁索导管的定位方法进行介绍.通过对其空间三维坐标的计算与推导,建立了斜拉桥索导管的三维坐标方程,研制了施工导管定位装置,有效地保证了定位和放样精度.     

混凝土斜拉桥移动支架法施工阶段挠度可靠性分析

从施工控制的角度出发,针对斜拉桥施工期可靠度分析中不存在显示极限状态函数的问题,利用虚拟中间变量法在标准正态空间内重构挠度极限状态曲面;并以挠度控制为目标函数,对斜拉桥施工过程中的主梁可靠度进行计算分析;同时借助大型有限元软件,对斜拉桥施工过程的支架系统进行了准确模拟,有效分析了移动支架对斜拉桥施工期的可靠性影响.分析结果表明：支架系统材料的变异对施工期的主梁前端挠度可靠性有一定的影响;支架的几何尺寸变更对前端挠度可靠性有较大的影响;合理地选择支架施工方案可以在满足施工可靠性前提下提高工程经济性.     

部分斜拉桥施工控制特点

部分斜拉桥受力和普通斜拉桥不完全一样,因而其施工控制具有自身的特点。以龟韭沟大桥为例,从结构尺寸和受力特点出发,结合实际施工控制方法和成果,从线形控制、应力控制和索力控制3方面,探讨了部分斜拉桥施工控制的特点,提出了相应的注意事项及解决方法。     

灰色系统理论在特大跨度桥梁施工控制中的应用

为了研究灰色系统理论在斜拉桥施工控制中的应用效果,以苏通长江大桥为工程背景,采用GM（1,1）,GM（2,1）,Verhulst三种模型进行滚动预测,比较各个模型预测精度,研究3种模型在斜拉桥施工控制中的实用价值。结果表明,这些模型在斜拉桥施工控制中都有一定的实用价值,但均存在不足。     

关于斜拉桥施工控制方法的分类研究

主要根据相关的文献资料,对斜拉桥的常用施工控制方法、控制方法中的误差处理方法、索力调整方法、桥塔施工控制方法均进行了相关研究。结果证明,在现阶段,应用于斜拉桥施工控制方法中较有效果的是自适应控制法,其他方法尚需完善。因此,必须加强对其他施工控制方法的改善,使斜拉桥施工控制的方法更多样化,为以后的斜拉桥施工提供更多便利与选择。     

桥墩局部冲刷深度模糊神经网络解的初步探讨

结合模糊系统和神经网络的优点,建立模糊神经网络桥墩局部冲刷深度的预测模型.用收集到的桥墩局部冲刷数据样本训练并测试模糊神经网络模型.测试结果表明:由模糊神经网络模型得出的桥墩局部冲刷的模拟及预测值与实测值比较吻合.这说明该模糊神经网络模型预测桥墩局部冲刷深度是可行的、有效的.     

Relations Between Wavelet Network and Feedforward Neural Network

A comparison of construction forms and base functions is made between feedforward neural network and wavelet network. The relations between them are studied from the constructions of wavelet functions or dilation functions in wavelet network by different activation functions in feedforward neural network. It is concluded that some wavelet function is equal to the linear combination of several neurons in feedforward neural network.     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

基于遗传算法与小波神经网络的客流预测研究

针对轨道交通短时客流具有动态性、非线性、不确定性的特点,提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法.该方法利用具有全局搜索最优的遗传算法优化小波神经网络,有效的避免了神经网络易陷入局部最小值的缺陷.在分析轨道交通短时客流的特征上,利用实测数据对模型进行验证.结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用.     

基于小波网络的船舶柴油机燃油系统故障诊断

采用小波变换和BP神经网络的辅助式结合,通过小波变换提取故障特征向量作为BP神经网络的输入值,设计并组建了小波神经网络;利用小波变换模极大值分析高压油管燃油压力信号的奇异性,提取故障特征向量;根据故障采集数据并建立学习样本,通过网络训练建立BP神经网络输入和输出间良好的非线性映射,进而通过特征向量输入BP神经网络来诊断故障。实验数据分析表明:该方法具有良好的诊断效果。     

改进的小波神经网络在桥梁施工控制中的应用

桥梁线形的预测和调整对于大跨径桥梁施工控制具有重要的指导作用。利用小波分析技术对实测数据进行消噪处理,将BP神经网络与Morlet小波结合起来,建立相应的小波神经网络模型,并对桥面标高偏差进行预测。结果表明,采用该方法对桥梁施工控制有较好的预测精度。     

用改进的前向神经网络预测铁路货运量

对影响铁路货运量的因素进行了分析。根据影响铁路货运量的诸因素的特点，介绍了一种改进的前向神经网络预测方法，并建立了铁路货运量前向神经网络预测模型。算例表明，其预测精度高于常规预测方法。     

小波神经网络改进结构及其学习算法

论述了小波神经网络用于信号分类识别的模型结构,在此基础上,充分利用小波变换时频分析的局部化特性,提出了一种改进的网络结构,建立了非显式小波的网络的学习算法。计算机模拟表明,该结构提高了信号分类识别的精度和灵敏度。     

Wavelet Neural Network Based Traffic Prediction for Next Generation Network

By using netflow traffic collecting technology, some traffic data for analysis are collected from a next generation network （NGN） operator. To build a wavelet basis neural network （NN）, the Sigmoid function is replaced with the wavelet in NN. Then the wavelet multiresolution analysis method is used to decompose the traffic signal, and the decomposed component sequences are employed to train the NN. By using the methods, an NGN traffic prediction model is built to predict one day＇s traffic. The experimental results show that the traffic prediction method of wavelet NN is more accurate than that without using wavelet in the NGN traffic forecasting.