人工神经网络在桥梁结构等级评估中的应用

介绍了径向基函数神经网络和BP神经网络模型的特点 ,提出了基于神经网络的桥梁结构等级评估方法 ,讨论了这两种神经网络模型的误差及其收敛速度     

基于GA-BP神经网络水下隧道涌水量预测及应用

根据有关水下隧道渗流涌水影响因素的研究成果及预测涌水量时选择影响因素的准则,确定了用于预测水下隧道涌水量的6个影响因子。分析了遗传算法与BP神经网络结合的可行性,并利用遗传算法优化BP神经网络的权值和阈值,从而建立了多影响因子的 GA-BP神经网络预测模型,其收敛性能好、简单可行。通过比较GA-BP神经网络和经典BP神经网络模型的预测结果,验证了前者改良了后者的局限性并提高了预测精度。     

基于遗传算法的BP神经网络在桥梁安全评估中的应用

为对桥梁的安全性进行科学准确的评估,基于遗传算法与BP神经网络提出了一种新的桥梁安全评估方法。该算法采用遗传算法和误差反向传播算法(BP)相结合的混合算法来训练前馈神经网络,即先用遗传算法进行全局训练,再用BP算法进行局部精确训练,既克服了传统BP网络训练时间长,易陷入局部极值的缺点,又提高了全局收敛的效率。采用该算法对一座悬索桥——宜昌长江大桥的安全性进行评估,并与专家评估结果进行对比分析。结果证明,该算法收敛速度快,预测精度高,为桥梁的安全评估提供了一种新思路。     

基于小波神经网络的隧道变形预测模型研究

针对单一模型在隧道变形预测上精度不高的问题,提出了一种基于小波分析理论的神经网络模型,该模型克服了BP神经网络模型存在的收敛速度慢、结构设计盲目、易陷入局部极小点的缺陷,通过将该模型与时间序列模型、Levenberg-Marquardt法BP神经网络模型、遗传神经网络模型预测的结果比较,可以看出小波神经网络在隧道的变形预测中网络结构更简单、收敛速度更快、预测精度更高。     

基于遗传算法的BP神经网络在煤矿安全评价中的应用研究

针对传统BP神经网络算法存在收敛速度慢、易于陷入局部极小的缺点,本文提出了基于遗传算法的BP网络,以提高网络的收敛速度,并将其与遗传算法结合起来,充分利用遗传算法的全局搜索性能进行"粗"搜索,当搜索到全局最优点的附近时,再采用BP算法进行局部搜索。     

改进的BP神经网络在港口物流量预测中的应用

针对传统BP神经网络模型收敛速度慢的缺陷,对其进行改进,以提高收敛速度。经运用厦门港物流出口量的历史数据进行检验分析,给出BP神经网络仿真计算方法,其仿真结果与实际结果比较,具有较高的可信度。证明了改进后的模型加快了收敛速度,提高预测结果的准确性。     

基于神经网络的大断面软土隧道收敛安全监测的预测方法

在软土隧道的施工工程中,隧道的收敛变形是一个十分复杂的过程,影响因素很多,为了能够合理地模拟隧道施工后的收敛变形,指导隧道的安全施工,采用BP神经网络方法以时间和里程2个方面为出发点,对软土隧道的收敛变形进行预测。以哈尔滨市保健路打通工程为实例,证明了利用BP网络的预测结果能够很好地指导软土隧道的施工,精度更准确,对实际工程有更好地指导意义。     

长隧道入口对驾驶人心理及车速的影响

为减少高速公路长隧道入口交通事故,提高道路交通安全水平,通过实际道路试验,研究了驾驶人在长隧道入口段的心理和生理变化规律.试验采用多导生理记录仪实时记录行车过程中驾驶人心率、微波速度传感器测量记录车速变化,运用BP神经网络建立驾驶人在隧道入口段心率和速度变化的模型.结果表明长隧道入口环境中行车时驾驶人心率增加,心理紧张...     

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

MEABP神经网络在隧道监测数据处理中的应用

隧道施工中围岩的变形直接关系到隧道施工安全和工程质量,隧道变形监测是现代隧道施工中必不可少的环节,选择合理数据处理方法对现场所测数据进行处理尤为重要。文中将思维进化算法（MEA）用于优化BP神经网络,解决了BP网络的缺陷;将优化后的MEABP神经网络运用于现场监测所得隧道断面水平收敛时间序列的处理,并将其处理效果与BP神经网络处理结果进行比较,说明其有效性。     

基于改进BP神经网络的柴油机故障诊断研究

根据柴油发动机故障与征兆之间关系来建立一种采用BP算法前馈型神经网络结构,然而采用标准BP算法对神经网络训练进行训练,但存在收敛速度慢等问题。因此,又采用添加动量项和自适应学习速率两种方法对标准BP算法进行改进,并将改进的BP算法运用于神经网络训练,结果表明改进的BP神经网络能够改善收敛速度慢的缺点,而且预测故障效果较好。     

基于BP神经网络的阿拉套山隧道围岩物理力学参数反演分析

为研究高寒地区设置中心深埋水沟单线铁路隧道的围岩力学参数问题，以兰新铁路新建博州支线阿拉套山隧道为工程背景，基于FLAC3D数值模拟软件联合MATLAB中的神经网络工具箱构建BP神经网络算法，建立隧道开挖位移正演和反演模型，对围岩物理力学参数作反演分析。通过对中心水沟开挖前的拱顶和拱腰监测数据做拟合分析，发现隧道变形已趋于稳定，反演过程不需考虑中心水沟开挖对围岩的二次扰动。以水沟开挖前的拱顶沉降值和拱腰收敛值作为输入函数，以围岩的体积弹性模量K、剪切弹性模量G、黏聚力c、内摩擦角φ、重度γ作为输出函数训练神经网络模型，利用训练好的模型进行所需参数的反演分析。将反演参数代入FLAC3D正演模型计算后，提取中心水沟开挖前的拱顶沉降值和拱腰收敛值，与中心深埋水沟开挖前的实际监控量测值相比较为接近。结果证明，围岩物理力学参数的反演较为合理，对于变形的预测较为准确，可为隧道后期工程的施工和优化设计提供参考。     

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。     

基于BP神经网络的隧道围岩分类

应用BP神经网络建立了隧道围岩分类模型,对其影响因素进行分析,并对模型进行优化,将训练好的分类模型运用到贵安隧道,为隧道围岩分类提供了一种简便可行的方法。     

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算法的工程船舶建模研究

工程船舶由于自身没有动力,其运动过程是一个复杂的非线型系统,因受到环境等因素的干扰,很难对工程船舶特点建立一个理想的运动过程的数学模型.文章利用遗传算法的全局寻优特点来优化BP神经网络的连接权系数,很好地解决了这个问题.经训练后的模型仿真实验得到了很好的证实.     

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。