Kohonen神经网络模型在边坡稳定性评价中的应用

在综合分析Kohonen神经网络技术特点的基础上,将该神经网络应用于边坡稳定性分析,建立了评价边坡稳定状态的网络模型,并以大量工程实例样本对网络进行了训练和检验.结果表明,该网络模型预测精度高、简单易行,是评价边坡稳定性的一种有效方法.     

一种新型复合边坡稳定性预测模型及其应用

提供了一种将模糊层次综合评价法和K-Means聚类方法相结合的新型边坡稳定性预测模型计算方法,并将该复合边坡稳定性预测模型应用于20个边坡样本中,预测准确率达到100%,验证了该模型的可靠性和实用性。传统极限平衡法所计算出的安全系数大于1并不能完全保证边坡工程的稳定安全,该复合边坡稳定型分析模型能有效的克服单纯安全系数预测边坡稳定性的局限性,为边坡的稳定性评价提供了新思路。     

基于残差单调性的GM（1,1）修正模型及其应用研究

通过建立灰色GM（1,1）预测模型,对边坡位移进行预测。根据预测结果并利用残差在一定区间内呈单调变化的特性,再基于残差单调性重新选取样本序列,再次建立1组新的灰色模型,从而可极大地提高边坡位移预测精度。该模型被称为基于残差单调性的GM（1,1）修正模型。     

可靠性分析在边坡灰色聚类问题中的应用

选取了“过程降雨量”与“最大地震震级”作为可靠性分析的目标因素,将其可靠度引入到传统BP神经网络预测边坡灰色聚类问题的方法中,将5个典型边坡中的3个作为预测样本对其余2个进行分析,得到了两个目标因素单独作用于边坡时边坡的可靠度以及在选取的9个因素共同作用下较精确的预测结果,可以为边坡工程提供参考.     

Bayes与Fisher判别在边坡稳定性中的应用

基于Bayes判别和Fisher判别分析理论并结合工程实际,选用边坡岩土体的重度、黏聚力、边坡角、边坡高度及孔压比5个指标作为边坡稳定性预测的判别因子,建立边坡稳定性预测的Bayes判别和Fisher判别分析模型;以28组边坡已知数据作为学习样本进行训练,建立Bayes和Fisher判别函数及对误判率进行了估计以检验模型的优良性,并选用7个工程实例对所建立的模型进一步进行考察,结果全部预测正确。     

基于Fisher判别分析法岩质边坡稳定性评价

基于岩石边坡稳定性评价方法CSMR体系,建立了边坡稳定性评价的判别分析模型,选用岩体质量、结构面特征、边坡几何条件等方面的综合指标作为判别分析模型的判别因子,以多个岩石边坡工程的稳定状况样本数据进行学习训练,建立了相应的线性判别函数对待判样本进行了预测。分析结果表明,判别分析模型评价边坡稳定性准确度高、误判率低,能够反映CSMR体系各参数对边坡稳定安全系数的影响程度,是一种有效的边坡稳定性评价方法。     

圆弧滑动边坡稳定性分析的自适应神经模糊推理方法

应用自适应神经模糊推理系统的原理,建立了圆弧滑动边坡稳定性分析的自适应神经模糊推理方法,并用于对边坡实例进行了预测。预测结果表明,自适应神经模糊推理系统预测的圆弧滑动面、安全系数及稳定状况符合实际,该方法可以在圆弧滑动边坡的稳定性分析及加固设计中应用。     

Fisher判别与Bayes判别在边坡稳定性评价中的应用初探

随着边坡稳定性问题的研究越来越深入,涌现了一大批的模型和方法。将spss软件中Fisher判别和Bayes判别两种统计方法运用于工程实际,并选用边坡岩土体的重度、黏聚力、边坡角、内摩擦角及边坡高度等5个参数作为滑坡稳定性评价的判别因子,分别建立边坡稳定性评价的Bayes判别分析模型和Fisher判别模型;根据搜集的31组边坡相关数据作为学习样本进行训练,建立Bayes和Fisher判别函数,而后对误判率进行了估计以检验模型的优良性,并选用6个工程实例对所建立的模型进一步进行考察,结果表明:两种方法预测精度良好,具有较高的预测效果,是评价边坡稳定性的一种有效的方法。     

基于支持向量机和改进BP神经网络的路基边坡稳定性研究

针对京新高速公路项目在建设中遇到的裂缝、滑移、倾倒等大量边坡稳定性问题,为了探讨边坡岩土体参数与边坡稳定性间的相关关系,以及保证研究项目路段在运营期间的行车安全,实现公路网尤其是山区公路的安全、高效、便捷运行,在已有研究的基础上,分别建立了支持向量机以及附加动量因子mc而改进后的BP神经网络两种边坡稳定性预测模型。通过引入45个训练样本,对5个工程边坡实例的安全系数进行预测计算,分析了两种模型的平均误差和最大误差,比较了两种模型的预测精度和适用范围,并且对京新高速公路胶泥湾至冀晋界路段的工程边坡稳定性进行了预测。结果显示,样本训练阶段,支持向量机和BP神经网络两种模型均具有较高的模拟精度,而BP神经网络更优;在样本预测阶段,支持向量机的预测精度明显优于BP网络;当随着样本容量不断增大时,两种计算模型的预测精度也逐渐提高;通过结果可以得出,支持向量机预测模型有较强的外推能力和预测计算的有效性,可以更好地描述边坡稳定性复杂的非线性关系,更适用于边坡稳定性的预测分析。     

枣林滑坡的混沌判断和预测

文章概述了枣林滑坡的工程地质情况;该边坡2001～2002年累计滑移达到10m,严重威胁附近居民以及交通安全。根据边坡工程的观测位移时间序列,基于相空间重构,给出了最大Lyapunov特征指数的计算步骤;以及给出了边坡位移时序的线性和非线性两种混沌预报模式。利用上述混沌分析方法,对枣林边坡的位移观测序列进行了分析计算,获得其最大Lyapunov特征指数为0.14;并对位移序列进行了预测;与观测位移相比较,位移预测结果比较理想。     

基于K近邻算法的沥青红外光谱质量控制

沥青质量的优劣直接影响沥青路面的性能。红外光谱技术作为一种无损、快速的微观分析手段,能够对沥青品牌进行识别,对于沥青质量控制具有十分重要的意义。为提高沥青红外光谱技术质量控制的准确性,选取K近邻算法对红外光谱数据进行解析和训练,共收集了7种不同品牌的共336个沥青样本,通过衰减全反射傅里叶变换红外光谱仪对其进行光谱采集和分析。结果表明,使用K近邻算法对沥青红外光谱数据分析具有可行性;当K=6,且σ=0.1时,此时沥青品牌预测误差最小,识别准确率达到95%左右。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型...     

基于交叉验证的XGBoost算法在岩爆烈度分级预测中的适用性探讨

为解决机器学习算法在样本较少时，所得岩爆烈度等级的预测结果存在可靠性不足的问题，采用一种基于交叉验证的XGBoost算法，并讨论其适用性。先选取岩石单轴抗压强度σc、单轴抗拉强度σt、洞室围岩最大切应力σθ、岩石弹性变形指数Wet以及岩体完整性系数KV等5个评价指标； 再以国内外岩爆实例数据为样本，通过多次交叉验证计算XGBoost算法岩爆预测准确率，与支持向量机算法、随机森林算法所得准确率比较； 最后对评价指标重要性进行分析。结果表明： 1）在样本较少时，样本划分和排序的随机性对预测结果影响较大，通过多次交叉验证求取预测结果平均值，可提高结果可靠性； 2）评价指标中KV与σθ重要性最大，σc重要性最小； 3）XGBoost算法具有较高的预测准确率，在岩爆烈度分级预测中具有一定适用性。     

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于灰色理论的高速公路小修保养维修量预测模型

在仅有通车5 a以下维修量的小样本数据条件下,为了合理、科学地预测高速公路小修保养维修量,量化年平均日交通量、年均降雨量、年均温度和通车年限4个因素对维修量的影响程度。提出了基于Matlab的灰色系统预测模型,以实际调研路段5 a的统计数据为样本,运用灰色关联度模型对4个因素的影响程度进行量化评估;分别建立均值GM(1,1)单变量预测模型与GM(1,N)多变量预测模型对维修量进行预测分析。研究结果表明:上述4个影响因素与维修量的灰色关联度均大于0.5,说明上述4个自变量对维修量均具有较大影响;GM(1,1)模型70%的预测结果误差小于15%,GM(1,N)模型75%的预测结果误差大于30%,从而得出GM(1,1)预测模型比GM(1,N)预测模型的预测结果更加准确。因此,对通车5 a以下维修量的小样本数据预测,选用单变量预测模型更加合理、有效。     

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。     

基于支持向量机理论的经济圈交通网络评价研究

为快速高效地对经济圈交通网络进行评价分析,在确定经济圈交通网络评价指标后,采用新的评价方法——基于支持向量机的综合评价方法,通过计算机编程对样本数据学习,能较好地识别经济圈交通网络的评价等级。支持向量机对小样本、非线性的数据具有较好的学习识别能力,对具有相同数据特性的经济圈交通网络评价指标数据进行模式识别,可以准确地判断经济圈交通网络发展水平所属等级。最后对珠三角和长三角经济圈交通网络评价指标数据进行验证,并与基于BP神经网络的评价方法进行对比分析,结果表明该方法客观、准确,具有较高的评价效率。     

高填方路基的沉降变化规律及其预测方法研究

通过对高填方路基沉降变化的分析与研究,总结出其沉降变化的发展规律,建立了泊松曲线和龚帕斯曲线组合而成的模糊自适应变权重组合预测模型。通过运用该组合预测模型预测实体工程的沉降变化,证实了该方法比单一预测模型具有更高的预测精度与更佳的适用性。     

宝兰铁路重塑黄土的轴向拉伸试验研究

为了揭示“宝兰重塑黄土”的抗拉特性,设计了一台测量精确、应用方便的土体抗拉试验装置,利用此装置对重塑黄土试件进行轴向拉伸试验,得到重塑黄土的应力-位移关系曲线、干密度和含水率对抗拉特性的影响规律。研究结果表明:重塑黄土抗拉强度随含水率的变化存在峰值,表现出两种不同的破坏形态,在塑限前主要受弹性变形控制,超过塑限后主要受塑性变形控制;重塑黄土的抗拉强度与干密度之间呈指数关系;重塑黄土的极限位移与干密度之间成线性关系。     

基于名义应力法的疲劳卡片构建方法研究

基于有限元的疲劳寿命预测可应用于各行业,疲劳寿命预测精度的提高,离不开有效的材料疲劳卡片,疲劳卡片反映了载荷水平与疲劳寿命的关系。通过设计合理的材料试样的疲劳试验,结合试验与有限元计算,计算不同损伤参量创建应用于疲劳寿命分析的材料疲劳卡片,同时对疲劳卡片的仿真精度进行了验证。结果表明,基于名义应力法构建的疲劳卡片具备较高的预测精度,结合材料试验数据与仿真结果构建的多应力比S-N疲劳卡片,可用于其他适用于应力疲劳分析的零部件疲劳寿命分析,为提高零部件疲劳寿命预测精度提供新的技术途径,为零件的前期结构设计提供参考,可在不同领域进行推广并开展进一步分析研究。