改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。     

基于BP神经网络对隧道围岩变形的预测

在隧道的施工过程中,对隧道围岩变形的预测有利于信息化指导施工。本文以上鹤高速公路的军马场隧道为研究对象,建立了基于BP神经网络的隧道围岩预测模型。结合实测典型断面拱顶下沉和周边收敛的数据,以Matlab软件为平台编制了相应的计算程序,并对实际值和预测值进行比较分析,结果表明该模型满足精度的要求,有一定的工程意义;数值分析表明隧道围岩变形有一定的规律性。     

基于马尔可夫链修正的神经网络隧道围岩变形预测

将神经网络预测模型与马尔科夫链结合,应用于公路隧道围岩的开挖变形预测问题中。选取菠萝山隧道YK2+805断面监测点进行研究,利用量测的连续16天拱顶位移进行BP神经网络样本训练,建立菠萝山隧道拱顶位移值预测的BP神经网络模型,运用马尔科夫链对拱顶位移预测值修正。结果表明,基于马尔科夫链修正的BP神经网络预测模型预测效果良好,平均预测精度高于单一BP神经网络预测模型精度,与GM-MC模型精度一致或更优,能够满足工程实际要求。     

改进的BP神经网络在路基沉降预测中的应用

针对传统BP神经网络存在的缺点,提出基于遗传优化的变梯度反向传播的BP神经网络预测方法,采用遗传算法优化BP神经网络的初始权重,建立路基沉降预测模型。该模型可克服BP神经网络模型存在的收敛速度慢、易陷入局部极小点等缺点。结合现场实测数据,将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统BP神经网络预测模型对比,结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜于广泛推广应用。     

基于BP神经网络的冲积河床桥墩局部冲刷深度预测模型

桥墩局部冲刷深度是确定桥墩基础埋深的重要依据,过大的冲刷是桥梁水毁的主要原因之一.利用神经网络和一些实测数据建立BP神经网络模型,进行冲刷深度的预测,用收集到的桥墩局部冲刷数据样本训练并测试BP神经网络模型.测试结果表明由BP神经网络模型得出的桥墩局部冲刷深度预测值与实测值比较吻合,说明该神经网络模型预测桥墩局部冲刷深度是可行的、有效的.     

基于深度置信神经网络的半潜式平台浮体运动模型和响应预测研究

半潜式平台承受着风、浪、流等复杂环境荷载的耦合作用,在工作海况下平台的浮体运动多为波频小幅运动.在极端海况下平台产生大幅运动对结构的安全带来威胁.本文基于深度学习理论,开展了半潜式平台运动响应预测及分布规律的研究.首先,按照10 min为时间间隔对环境监测信息进行划分,对风速、波浪压力等环境监测信息的分布规律进行研究并选取合适的分布拟合参数,结合分形学理论及统计分析的方法,提出了实测风速、波浪压力等数据的特征参数,并结合浪高、周期、流速、流向等实测数据,建立了具有降维特征的环境信息输入参数;其次,基于实测响应数据,以横摇为例,以10 min为时间间隔对其监测信息进行划分并对其分布规律进行研究,并选取合适的响应分布拟合参数作为响应的特征参数;接着,利用北斗远程传输系统传输的监测数据,基于深度置信神经网络(Deep Belief Network,DBN)建立极端海况下实测环境荷载与实测响应的关系模型,并与基于BP、Elman神经网络的关系模型预测结果进行对比,可以看出,基于DBN神经网络的关系模型预测误差仅为5.07％,结果较为准确;最后,基于DBN神经网络建立了荷载特征参数与响应分布拟合特征参数的关系模型,并与基于DNN、BP神经网络的关系模型预测结果进行对比.研究发现,基于DBN神经网络的预测模型结果更为准确,更接近于真实响应的分布规律,可以对工作海况下平台安全作业提供一定的指导.     

基于BP神经网络模型下的桩群阻力预测

在30m长、3m宽、0.26m深的循环水槽中,应用阻力相似理论进行物理模型桩群模拟,以试验中的实测桩群阻力数值作为期望值,建立基于BP神经网络的桩群阻力预测模型。应用该模型进行桩群阻力预测,通过对比实测数据,发现预测值相对误差很小,预测结果合理可信。由此可以认为,以物理模型试验数据为基础,依托神经网络进行桩群阻力预测的方法值得推广和探讨。     

基于SAPSO-BP网络模型的港口潮汐实时预报

为了提高港口码头潮汐预报的精度,提出一种自适应变异的粒子群优化算法SAPSO,将SAPSO优化算法与BP神经网络结合,用以潮汐水位的实时预报。SAPSO-BP网络模型运用自适应变异的PSO算法优化BP神经网络的网络参数,克服了传统BP神经网络所具有的对初始权值阈值敏感、容易陷入局部极小值的缺点,最后选用Isabel港口的实测潮汐值数据进行潮汐水位的实时预报仿真试验,用以验证SAPSO-BP预测模型的实用性和可靠性。     

基于广义回归神经网络的路基沉降预测

为了对路基沉降变化规律进行预测,避免发生工程事故,提出了将广义回归神经网络模型应用于软土地基沉降预测中的方案。通过广义回归神经网络的基本理论和概念,采用实际工程数据,用 BP 神经网络方法和广义回归神经网络方法进行了预测分析,比较了2种方法的3组预测结果。工程实例预测结果表明,广义回归神经网络方法的均方误差和决定系数表现都优于 BP 神经网络方法;证明该方法是可行且有效的。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

基于小波神经网络的上海港集装箱吞吐量预测

针对港口集装箱吞吐量预测精度不高的问题,采用小波函数作为隐含层传递函数改进BP神经网络进而建立小波神经网络,并对2008-2017年上海港的每月集装箱吞吐量数据按照前三个月预测后一个月的方式构建出训练数据和预测数据,同时与BP神经网络在同样数据情况下的预测精度进行比较分析。结果表明:小波神经网络的预测误差明显小于BP神经网络,其预测性能更好。     

基于遗传小波神经网络的港口船舶交通流量预测模型比较

对船舶交通流量进行准确预测在现代智能交通系统领域发挥着重要作用,为提高对船舶交通流量预测的准确性,本文将遗传算法分别与小波分析和神经网络进行结合,构建改进遗传小波神经网络模型,对广东省船舶交通流量的季度数据进行预测,并与遗传BP神经网络和传统小波网络等算法的预测进行对比。结果表明:经过遗传小波神经网络预测模型的误差相比传统的遗传BP神经网络模型和小波神经网络模型大幅度减小,提高了预测精度,从而保障水上交通安全,给水上安全主管部门的相关决策提供理论依据。     

基于BP人工神经网络的公路软土地基沉降预测

采用BP人工神经网络,利用杭瑞高速公路软土地基实测沉降数据直接建模,进行了软土地基最终沉降量的预测,将预测结果与曲线拟合法中的双曲线法、指数曲线法、三点法的预测结果进行了对比分析。证明神经网络法能避免传统方法计算过程中各种人为因素的干扰,计算精度高,泛化性强,简便易行。     

基于GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

基于BP神经网络的载荷试验研究

BP神经网络是工程中广泛应用的一种神经网格模型,对BP神经网络原理进行简要介绍,根据现场载荷试验数据,运用BP神经网络技术建立载荷试验过程中承压板沉降值与载荷值大小之间的相关性模型,并对载荷试验过程进行预测,将预测结果与实测值进行对比,结果表明预测结果与实测值基本吻合,为今后载荷试验过程模拟提供可借鉴的方法。     

基于神经网络的船舶主机零件磨损监测方法的研究

针对船舶主机零件磨损监测问题,将油液的光谱数据建立成为时间序列的函数,然后依据BP神经网络的分析手段,对主机内润滑油中的铁元素含量进行了预测,进行了预测模型的建立,最后,运用遗传算法改进了BP神经网络,提高了预测值的精度和稳定性。实验结果表明:遗传神经网络的预测精度显著高于BP网络,该方法可以用于船舶主机的磨损监测。     

基于iFEM和虚实结合的加筋板应变场构建研究

iFEM(inverse finite element method)是目前进行结构应变场构建最有前景的方法之一,其目的是在结构离散应变采集过程中,以最少的实际测点获取满足精度要求的结构应变场。在一些局部区域应变数据不易采集时,可尝试采用虚实结合的方式进行离散应变数据的采集。本文以船舶典型结构加筋板为例,根据实测数据,结合仿真模型,依据Xgboost的测点回归方法,基于iFEM技术依次计算实测、仿真和虚实结合三种方法的应变场重构精度,分析误差原因。通过预测,当47个物理测点时平均误差最低,为1.92%,以虚实结合路径输入15个点和21个点时结果与验证点的误差均小于3%,验证了虚实结合快速补充缺失数据的应变场重构的方法操作性强、准确度高。     

BP神经网络在长螺旋成孔压灌注混凝土桩单桩极限承载力预测中的应用

BP网络(Back Propagation Neural Network)是工程中广泛应用的一种神经网络模型。根据试验数据,运用BP网络对长螺旋成孔压灌注混凝土桩单桩极限承载力进行预测,将预测结果与实测值进行比较。结果表明,神经网络方法预测的结果与实测值的误差满足工程要求。     

海上风电机组齿轮箱进口油温异常预测

由于海上风电机组齿轮箱要长期承受无规律的变向变载荷的风力作用以及强阵风的冲击,为保证风电机组可靠运行,对齿轮箱进口油温进行异常预测。结合风电机组SCADA运行数据提出了一种基于SVM-RFECV算法和BP神经网络的风电机组齿轮箱进口油温异常预测方法。首先完成数据的预处理,然后利用SVM-RFECV算法计算不同变量的重要度,并选择平均交叉验证均方误差的最小变量组成最优特征,最后利用选取的最优特征数据建立的BP神经网络的预测模型,实现对风电机组齿轮箱进口油温异常预警。通过海上某风电场现场实际SCADA数据对模型进行验证,结果表明提出的方法能有效实现对风电机组齿轮箱进口油温异常预测。     

基于L-M贝叶斯正则化方法的BP神经网络在潜艇声纳部位自噪声预报中的应用

基于L-M贝叶斯正则化方法使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文中将BP神经网络和L-M贝叶斯正则化算法相结合用于潜艇声纳部位自噪声预报.分析了影响声纳部位自噪声的各种参数.利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳部位自噪声进行精确预报.