基于GA-BP神经网络的汽车空气阻力系数预测研究

针对整车空气动力性能开发中数值计算耗时长的问题，提出一种基于GA-BP神经网络的汽车空气阻力系数预测方法。将汽车部分特征参数作为输入变量，经外流场仿真得到的空气阻力系数作为输出变量，获取数据集。采用遗传算法对BP神经网络进行参数寻优，最终建立基于遗传算法的BP神经网络模型，验证不同训练集数量对模型预测精度的影响。结果表明，GA-BP神经网络在训练样本较少时也能维持较高的预测精度，可用于汽车空气阻力系数的快速测。     

基于混沌递进预测模型与趋势检验的深基坑变形规律研究

为提高基坑变形预测精度及稳定性,首先,利用遗传算法优化BP神经网络的结构参数,再将参数优化后的BP神经网络与灰色模型结合,构建出GA-BP神经网络模型,并利用该模型实现基坑变形序列的初步预测; 其次,基于残差序列的混沌特性,再利用混沌理论进行残差优化,进一步构建考虑混沌特性优化的GA-BP神经网络模型; 最后,将SR检验引入到基坑变形趋势判断中,以检验预测结果的准确性。实例检验表明： 通过遗传算法及混沌理论的递进优化,能逐步提高预测精度,验证文章预测模型的有效性,且预测结果与SR检验结果的一致性较好,说明该预测模型的可信度高。     

基于遗传神经网络的再生沥青混合料性能预测研究

以matlab为平台,分别应用BP神经网络和遗传算法优化的BP神经网络对再生沥青混合料的性能进行预测。以旧料掺量、油石比等8个影响因素作为输入层,以动稳定度、残留稳定度等5个性能指标作为输出层,将28组归一化处理后的试验数据进行神经网络的训练、验证和测试。结果表明:遗传算法优化的BP神经网络预测表现出更加精准的预测效果。将遗传算法优化的BP神经网络应用于工程实践中,再生沥青混合料性能预测可以大大提高试验科学性和预见性。     

基于GA-BP神经网络的隧道围岩力学参数反演

为在岩土工程设计和施工中获得更加合理、可靠的岩体力学参数,改善BP神经网络算法存在的收敛速度慢、依赖初值等不足,采用GA-BP神经网络方法,对隧道围岩力学参数反演进行了研究。依托江西省萍莲高速公路莲花隧道工程,选取右洞YK35+095～YK35+135段作为模拟对象,利用FLAC3D有限差分法,按照微台阶法开挖,构建三维数值计算模型;设计了25组围岩力学参数的正交试验,代入已建立的数值模型,得到系列拱顶沉降、周边位移以及地表沉降值,由此构造了神经网络的样本;采用遗传算法和神经网络相结合,其中遗传算法种群规模取值30,最大遗传代数取值25,交叉概率取值0.8,变异概率取值0.01,通过网络训练,得到了训练成熟的GA-BP神经网络,建立了待反演的围岩力学参数与位移之间的映射关系;将莲花隧道YK35+115断面实测的拱顶沉降、周边位移和地表沉降值,输入到已训练成熟的GA-BP神经网络模型中,输出得到围岩的弹性模量、泊松比、黏聚力、内摩擦角等参数。结果表明:采用GA-BP神经网络反演获得的围岩力学参数,代入到FLAC3D数值模型中正演计算,得到拱顶沉降、周边位移和地表沉降与现场实测值仅相差2.94%,3.16%和4.86%,误差较小;基于GA-BP神经网络的隧道围岩力学参数反演方法精度较高。     

基于相关性准则和R-ELM模型的岩溶隧道涌水量预测研究

为实现隧道涌水量的高精度预测，以相关系数法和极限学习机为理论基础，构建隧道涌水量预测模型。首先，结合工程实例对隧道涌水的影响因素进行分析，并利用相关系数法分析各因素与涌水量之间的相关性，以筛选出重要影响因素；其次，将筛选出的重要因素作为预测模型的输入层，并利用试算法和经验公式优化极限学习机的模型参数，再利用M估计弱化预测误差，进而构建出用于隧道涌水预测的R-ELM模型。研究表明： 1）岩溶隧道涌水灾害的影响因素较多，包括5类一级因素和12类二级因素，不同因素对隧道涌水灾害的影响程度存在一定差异； 2）R-ELM模型预测结果的平均相对误差仅为1.12%，具有较高的预测精度，不仅验证了模型参数优化和M估计优化的有效性，也验证了R-ELM模型在隧道涌水量预测中的适用性。     

隧道涌水量模糊综合评价法研究

在不同隧道工程中影响涌水量的主要因素不同，且各因素之间相互干扰，导致当前隧址区涌水量预测方法针对不同隧道的广适性较差。对此，总结了目前主流的涌水量预测方法，对其优缺点和适应性进行了比较，并将涌水量影响因素分为5个一级权重指标和10个二级权重指标，提出了基于模糊综合评价法的隧址区涌水量预测方法，最终得到涌水量等级。根据与实际工程的实测涌水量对比结果表明，该方法可以对隧址区涌水量范围有较为准确的预估。     

基于GA-BP的运营隧道工程结构安全性评估

以赣定高速公路谷山隧道工程为例,利用遗传算法和BP神经网络相结合的方法,建立运营隧道结构安全评估模型。网络结构采用遗传算法优化BP神经网络权值和阈值,提高了网络收敛速度,克服了传统的神经网络训练时间长、容易陷入局部极小值的问题。并将该模型应用到谷山隧道运营结构安全性评估中,具有较高的学习精度和较快的收敛速度。     

高速公路连拱隧道施工变形预测的GA-SVR智能模型研究

基于连拱隧道支护结构繁多,施工工序复杂,同时由于施工影响,现场监测数据较少且数据误差较大,造成传统方法很难用于连拱隧道的施工变形预测。针对于此,支持向量回归（SVR）算法可以任意精度逼近任意函数,与神经网络相比具有小样本、全局优化和泛化性能好的优点。本文结合铜黄高速公路富溪连拱隧道的施工变形监测,采用遗传算法来优化支持向量回归算法的模型参数,形成GA-SVR算法,建立起了连拱隧道变形预测的GA-SVR智能模型。采用此模型对富溪隧道后继开挖的监测时间点进行变形预测,并与GA-BP模型对比可以看出本文所建立的GA-SVR智能模型具有极高的预测精度,完全可用于连拱隧道施工期的变形预测,也为类似工程提供了借鉴。     

基于遗传神经网络的交通流量预测研究

针对BP神经网络用于交通流量预测时存在的不足,采用遗传算法优化BP神经网络初始权值的方法来提高BP网络的性能.应用改进前后的BP神经网络模型对长沙市具体路段的交通流量进行预测,通过预测结果对比,发现经遗传算法改进后的BP神经网络在降低预测平均误差的同时,迭代次数也比标准BP神经网络大大减少.     

公路隧道交通量的预测及分析

公路隧道交通量的预测对隧道通风系统的节能以及降低隧道运营成本有很重要的意义。分别利用多元统计分析法和BP神经网络两种方法对公路隧道交通量进行了预测,并对两类预测数据进行分析比较,得出了多元统计分析法适用于车流量少而且稳定的公路隧道的预测,而BP神经网络法则适用于车流量大而且不稳定的公路隧道的预测的结论。     

基于遗传神经网络的高速公路纵坡运行速度预测方法研究

车辆运行速度预测取决于多因素、非线性函数关系的建立,预测模型建立的准确与否取决于各个影响因素之间的相互作用的特性。将遗传算法与神经网络有机结合起来,以高速公路上的实测运行速度为基础,建立遗传神经网络训练和检验样本集,利用Matlab7.04的神经网络工具箱和遗传算法工具箱的函数,完成程序的编写,建立基于遗传算法的高速公路纵坡路段运行速度(V85)的神经网络预测模型,并将预测结果与实测数据进行比较。结果表明:所用遗传神经网络模型可靠,预测精度高,对我国采用运行速度的路线设计方法和线形质量评价有较高的参考价值。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。     

改进BP算法在公路工程主材价格预测中的应用研究

分析了传统BP算法的不足,利用相关分析法筛选出公路工程主材价格的主要影响因素;在确定BP神经网络结构及选取训练函数的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型,并结合合肥市石屑价格预测的实例,利用建立的预测模型,采用BP传统算法及附加动量法、自适应学习速率法、两者相结合法等3种改进算法分别预测了合肥市2个季度的石屑价格,并将预测结果进行对比,分析了不同BP算法预测结果之间的差异。结果表明,使用改进的BP神经网络算法进行公路工程主材价格预测,可以将预测误差控制在6%以内,并减少95%左右的训练步数。同时采用自适应学习速率和附加动量改进BP网络的方法相对最有效。     

BP算法的改进及其在公路工程主材价格预测中的应用

在利用相关分析法对主材价格影响因素进行筛选的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型.结合郑州市石屑价格预测的实例,分别采用3种BP改进算法进行预测,并对结果进行了对比分析.证明了使用改进BP神经网络进行公路工程主材价格预测是可行和有效的.     

BP神经网络在振冲碎石桩复合地基承载力预测中的应用

在分析振冲碎石桩复合地基承载力影响因素的基础上，结合江苏某高速公路工程的振冲碎石桩承载力试验结果，利用BP神经网络强大的非线性映射能力，建立了基于BP神经网络的复合地基承载力预测模型。模型预测结果表明:利用BP神经网络来预测振冲碎石桩复合地基承载力的方法是可行的。     

城市公共交通枢纽客流量预测实用方法研究

通过全面分析遗传算法和神经网络的优缺点,在充分考虑各种可量化因素的影响权重的基础上,建立了遗传神经网络模型,提出了城市公共交通枢纽客流量预测实用方法,并通过实例进行了分析验证。结果表明,该方法在城市公共交通枢纽客流量预测的应用过程中具有较强的学习能力和自适应性,,其预测的精度明显得到提高。     

基于遗传神经网络的货运量预测的研究与实现

针对BP网络和遗传算法的缺陷，提出了一种新的遗传神经网络优化模型，可以用来同时优化BP神经网络的网络结构和权值阈值，叙述了该算法的设计过程。利用该算法对货运量进行预测，并与标准的BP算法预测结果进行比较，计算结果表明，该算法的预测精度大大高于标准的BP算法的预测精度。     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。