滑坡预测径向基神经网络法

在边坡稳定分析的基础之上,引入径向基网络的理论,提出了边坡滑动的径向基网络预测方法.以边坡高度、边坡角度等作为输入模式变量,建立径向基神经网络训练样本,用于滑坡稳定性评价.通过样本的学习训练,用训练后的径向基神经网络来预测滑坡,通过工程实例与评价结果比较,证明了该评价方法具有较高的精度,也表明该模型能较好的用于滑动预测.     

大坝安全监测异常值诊断方法研究

针对水利工程安全监测变量之间作用机理的复杂性及监测奇异值产生的不确定性,结合人工智能技术在处理不确定性复杂信息和深度挖掘数据特征方面的优势,提出了基于人工智能技术的水利工程安全监测奇异值智能诊断方法。首先对监测数据采用莱茵达准则进行异常值识别并同时综合进行异常值成因分析并将结果数值化;然后根据奇异值位置构建包含奇异值的数据序列并将其进行标准化处理,提取标准化监测数据序列的第一主成分作为模型训练输入样本,数值化的异常值成因分析结果作为训练输出样本;最后采用卷积神经网络进行分类训练和预测,以混淆矩阵、ROC坐标、AUC值和准确率作为模型训练和预测评价指标,最后以某工程大坝水平位移监测数据为例进行实例验证分析。实例结果表明:基于人工智能技术的大坝安全监测奇异值智能诊断方法预测混淆矩阵匹配度较高、ROC坐标为(0.03,0.96)、AUC值近似为1.00、精确率为92.00%,因此其奇异值诊断预测结果良好,所建奇异值智能诊断方法具有操作方法简单、智能化程度高及可靠性强等特点,具有一定的工程应用价值。     

基于GM(1,1)模型的水电站溢洪道边坡变形预测

边坡系统具有一定的灰色特征,基于某水电溢洪道边坡现场实测数据,构建边坡变形预测的GM(1,1)模型,通过误差分析,预测结果与实测结果较为一致,所建立的模型具有较高的精度和可靠性。对未来三期边坡位移量进行了预测,其平均增幅为21.93%,增速明显较大。建议加强监测频次,并根据实时监测数据,采取必要的预防及工程处置措施。研究成果对于该溢洪道边坡安全及应急处置具有重要的意义。     

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。     

基于RBF神经网络的电池电解液密度预测

为了对电池电解液密度进行预测,建立了RBF神经网络模型,用电池放电试验数据对其进行了训练和检验。利用训练后的神经网络模型进行了电池电解液密度的预测,预测值与实测值的最大误差值为0.022g/cm~3,均方根误差值为0.004 g/cm~3左右。结果表明,RBF神经网络方法可以满足预测精度要求,从而可用于建立电池剩余电量实时监测系统,降低电池维护工作量并延长电池的使用寿命。     

基于遗传算法优化BP神经网络的输水管道地基沉降预测分析

埋设在地下的输水管道多应用于长距离输水,其结构易受地基沉降影响。本文建立了神经网络模型,并基于遗传算法对神经网络模型进行优化,利用某实际工程的监测数据,对其所产生的地基沉降值进行预测并分析,从而起到监测预警的效果,可为同类工程提供参考。     

一种潜艇作战软件质量评价的新方法

提出一种基于专家知识与神经网络的潜艇战术应用软件质量评价方法.该方法运用专家知识对软件质量指标进行了修正,并作为模型的输入,利用模糊综合评判方法获取该模型的训练数据和测试数据训练神经网络,将训练好的神经网络用于对软件进行质量评价.经算例仿真证明该方法是可行和有效的.     

船舶柴油机NOx排放特性神经网络预测中的试验设计

研究船舶柴油机NOx排放特性神经网络预测中的学习样本选取试验设计方法。根据用于主机的船舶柴油机可能持续运行范围的工况变化特点,提出采用功率因素变边界的均匀设计法进行试验设计选取样本,并验证了其可行性。研究结果表明,变边界均匀设计法选取的样本用于神经网络训练,预测精度明显高于随机样本选取法。4位级变边界均匀设计法选取的样本训练得到的神经网络模型,NOx排放浓度预测误差小于3.8%,NOx比排放预测误差小4.5%。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

岩质边坡稳定性影响因素分析

边坡稳定性涉及到诸多因素,引入人工神经网络预测边坡稳定性的方法——误差逆传播学习算法效果显著。边坡稳定性预测系统的输入信息包括岩土体参数、几何参数等,而输出信息则是网络预测的安全因子和稳定状态。土质边坡主要以圆弧滑移破坏为主,岩质边坡主要以楔形破坏为主,通过人工神经网络预测的结果与实际监测结果的对比分析,证实了BP神经网络在评价岩质边坡稳定性方面的效果显著。