粘弹性人工边界在地下结构抗震分析中的应用

地下结构地震反应分析需考虑结构-地基的动力相互作用,其中场地土层的自由场反应分析是确定地震输入的关键问题。以往地下工程实例表明,在结构动力时程计算中,能否有效模拟无限地基边界对结构抗震分析有很大的影响。基于某地下综合体项目进行抗震评估,采用黏弹性人工边界模拟自由场震动响应,克服工程中传统分析里不能模拟场地无限域的缺点。为地下结构的动力时程分析提供可靠数值依据。     

云南省民航客运发展预测

民航运输是云南省在进行综合交通运输建设的重点之一,也是该省在未来"十四五"(2021-2025年)和"十五五"(2026-2030年)规划期间的研究热点。本文以云南省为研究范围,以省内民航客运为研究对象,选取省内主要的社会经济因素为影响因子,运用主成分分析法(PCA)、反向传播神经网络算法(BP神经网络算法)和回归分析法,构建了省内民航客运的预测模型,得出省内各主要机场在"十四五"末和"十五五"末的预计旅客吞吐量,对省政府在进行机场改扩建上有一定的指导意义。     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

人工神经网络在基坑变形性状研究中的应用

基坑工程不仅要保证维护结构本身的安全,而且要保证周围建(构)筑物的安全和正常使用。开展基坑工程变形性状研究具有重要意义。影响基坑变形的因素很复杂,传统的计算方法已无法准确预测基坑的变形。人工神经网络(ANN)有很强的解决非线性问题的能力。近些年来基于ANN的方法在岩土工程中得到了广泛的应用。本文对ANN在基坑工程中的应用研究进行了综述,并对其发展方向进行了分析。     

基于神经网络的感应电动机特性辨识新方法

提出并论证了一种基于神经网络的感应电动机特性辨识新方法,只需测得电机两相电流数值便可以辨识出电动机转矩和转速,用改进的Levenberg-Marquardt算法对神经网络进行学习和训练,构建了适合电动机转矩转速观测的BP神经网络。由于RBF神经网络无论是在逼近能力、函数拟合和学习速度方面都优于BP网络,也利用RBF网络进行了辨识。该方法较已经提出的方法相比,需要的检测量少,辨识方法简单。仿真研究表明,RBF神经网络辨识效果优于BP神经网络。     

复突触神经网络模型及其稳定性研究

传统的Hopfield网络在联想记忆、优化计算方面发挥了重要作用,但该网络存在一个弊端,即它只能处理线性或二次的最优化问题。因此,本文首先对Hopfield神经网络进行了扩展,将其称为复突触神经网络(或模型),扩展的网络不仅可以解决目标函数或约束中含有高阶的最优化问题,而且还可以处理目标函数含有对数、三角形式等较复杂函数的最优化问题;然后给出了该网络稳定的充分条件并给出了证明,同时对网络中的权矩阵是否对称也进行了讨论;最后结合典型的模糊c均值聚类问题验证了该模型的有效性。     

铁路行车事故分析中的语音压缩方法

在铁路运输中，安全行车是第一位的。一旦出现行事事故，对事故原因的分析往往十分棘手。采用黑匣子技术能够准确地记录列车运行中的各种信息，但巨大的语音存储量需求是黑匣子技术的一个难关。若采用传统的语音压缩技术，则理论和实现都很复杂，并且成本太高。采用神经网络不仅简单易行，还有提高信噪比的功能。     

接触网检测车数据处理软件

本文通过分析接触网检测车数据处理系统的数据流向，数据组成及工作过程，确定了软件结构，软件功能及数据结构，同时讨论了软件设计中所采取的主要技术。     

基于闭环力反馈原理的非线性液压主动阻尼悬架模型的研究及优化设计

本文在理论上建立了一套基于主动力反馈原理的新型主动阻尼悬架的设计和优化方法。首先提出了该主动阻尼悬架的实现模型，该模型是在传统的液力减振器的基础上，应用半主动控制的思想，结合力反馈的原理建立起来的内部液压反馈阻尼网络模型。理论优化分析和计算机仿真表明，通过该液阻网络模型，即可以实现电控的主动阻尼悬架的功能，它可以根据汽车行驶路况的好坏，自适应地调节悬架阻尼大小以实现主动阻尼悬架的最优控制。     

一种自学习策略及其在模糊控制与神经网络控制中的应用

提出一种新的自学习控制策略。模糊控制与神经网络控制的仿真研究证实该策略具有易于实现、在线学习、跟踪控制和一定通用性的优点，并具有满意的学习功能。