共查询到20条相似文献,搜索用时 15 毫秒
1.
基于神经网络的混凝土预制桩单桩竖向极限承载力参数分析 总被引:1,自引:0,他引:1
应用BP神经网络,对混凝土预制桩单桩竖向极限承载力进行预测,并分析了各种参数对单桩竖向极限承载力的影响。通过影响因素分析,确定了桩径、桩长、入土深度、桩侧摩阻力加权平均值、桩端阻力平均值等参数对单桩竖向极限承载力有影响。对混凝土预制桩单桩静载试验资料进行分析和取样,将包含上述参数的样本与单桩竖向极限承载力形成数据对,采用三层神经网络进行训练,输入层为各参数,输出层为单桩竖向极限承载力,建立了混凝土预制桩单桩竖向极限承载力预测模型。研究表明,所建立的模型能够有效地预测混凝土预制桩单桩竖向极限承载力,通过参数分析,能够得出各参数对单桩竖向极限承载力的影响规律,从而确定比较合理的单桩设计参数。 相似文献
2.
为揭示交通事件对高速公路运行状态持续时间的影响规律,研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性,基于循环神经网络理论,从时间序列数据中提取交通事件时间依赖关系;通过引入长短时记忆网络,结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性,构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例,开展了高速公路交通事件持续时长预测模型验证,对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度,并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集,注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43,平均绝对百分比误差为25.24%,均方根误差为21.17,预测精度优于其他4种预测方法。在模型的各影响因素权重中,事件类型所占权重最大为0.375,其次分别为车道数、车辆类型、天气等;采用立交出入口小时交通量作为修正参数,可以进一步提升预测精度,预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度,为公路安全高效运行提供技术支持。 相似文献
3.
《筑路机械与施工机械化》2019,(7)
为了解决国际平整度指数IRI预测模型准确性不高等问题,以路面长期性能(LTPP)数据库实测数据为基础,采用机器学习中BP神经网络建模方法对提取出的数据进行预测分析,并与传统的Logistic回归分析结果做评估对比。分析结果表明,利用传统的Logistic方法和BP神经网络得出的复判定系数分别为0.731、0.876,说明采用的BP神经网络平整度预测模型具有较高效率和预测精度以及较低的复杂度,能够有效评价路面使用性能。 相似文献
4.
为实现周围车辆行驶轨迹的准确预测,运用深度学习方法,设计了一种基于图神经网络与门控循环单元(GRU)的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图,运用图神经网络学习其交互规律,并利用Softmax函数计算出不同驾驶意图的概率;轨迹预测模型采用编码-解码的GRU网络,编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息,再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证,结果表明:所提出的模型能够更好地识别车辆的驾驶意图,且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。 相似文献
5.
针对目前汽油机进气流量预测精度不高的问题,分析支持向量回归机(SVR)应用在进气流量预测的可行性,提出一种基于SVR的进气流量预测模型。该模型通过结合支持向量回归机的结构优势,采用灰色关联分析法(GRA)对模型的特征向量进行提取,并利用遗传算法(GA)对模型参数进行寻优辨识,以提高模型的泛化性能和预测精度。运用汽油机过渡工况仿真试验数据对模型进行了训练和预测,并应用MATLAB/LIBSVM工具箱实现SVR模型的回归预测功能。结果表明:SVR模型的预测值与试验值的误差控制在2%范围之内,有效实现了过渡工况进气流量的预测;与常规的RBF神经网络预测模型、BP神经网络预测模型相比,SVR模型具有更高的预测精度,适用于汽油机过渡工况空燃比的精准控制。 相似文献
6.
针对大跨度桥梁等工程结构在紊流场作用下的抖振响应预测问题,以薄平板为例,将数值模拟的薄平板抖振响应时程结果作为训练与测试数据,选用风场时程数据作为输入,并将薄平板的横向位移、竖向位移以及扭转角响应时程数据作为输出,分别采用带外部输入的非线性自回归(NARX)、长短期记忆(LSTM)、卷积长短期记忆(Conv LSTM)、注意力机制长短期记忆(LSTM-AM)神经网络模型预测薄平板的抖振响应。进一步地,将迁移学习(TL)方法与上述神经网络模型相结合,提出基于Davenport准定常抖振理论获取大量源任务数据的方法。通过筛选出的可用源任务数据,训练上述神经网络模型并经共享权重、微调参数后完成对薄平板目标任务数据的预测,并最终构建了TL-Conv LSTM-AM组合模型来预测薄平板抖振响应的思路。研究结果表明:在薄平板抖振响应预测中,LSTM模型的预测精度要高于NARX模型;引入卷积计算和注意力机制均有利于时序数据的预测,因此Conv LSTM和LSTM-AM模型的抖振响应预测精度相比单一的LSTM模型的预测精度要高;当上述神经网络模型结合迁移学习方法后能有效提升抖振响应的预测精度,但在局部... 相似文献
7.
8.
9.
10.
通过对桥梁桩基的沉降预测,能有效地评价和判断桥梁的稳定性,为现场施工提供一定的指导依据。同时,系统性的预测方法能有效提高预测精度,因此,将灰色模型和BP神经网络进行耦合,建立了桥梁桩基沉降的初步预测模型,再利用马尔科夫链建立误差修正模型,实现桥梁桩基沉降的分阶段预测。该模型发挥了灰色模型“累加生成”灰色序列的优点,增加了沉降数据的规律性,又充分利用了BP神经网络和马尔科夫链的非线性预测能力,具有系统性强、全面性高等优点。同时,利用2个实例进行验证,结果表明实测值和预测值较吻合。其中,实例1平均相对误差为1.37%,实例2的平均相对误差为1.39%,两实例的预测结果差异不大,具有较高的预测精度,验证了所提预测模型的有效性。 相似文献
11.
基于混沌时序最小二乘支持向量机的汽油机瞬态空燃比预测模型研究 总被引:1,自引:0,他引:1
针对由氧传感器构成的瞬态空燃比反馈控制系统无法满足实时性要求的问题,提出了基于混沌时序最小二乘支持向量机(LS-SVM)的瞬态空燃比预测模型。对试验采集到的一维空燃比数据利用相空间重构技术构造多维空间数据,恢复空燃比时间序列的多维非线性特性,然后采用LS-SVM对重构后的数据进行训练及预测,得出预测结果。仿真结果表明:与Elman神经网络预测模型及前馈BP神经网络预测模型相比较,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度。 相似文献
12.
13.
在公路隧道前馈式通风控制系统中,需要对下一控制周期内的交通流进行在线预测。针对公路隧道交通流的特点,分别建立了神经网络预测模型和模糊逻辑预测模型,并采用仿真手段对它们的预测效果进行测试。测试结果表明,神经网络预测模型对正常交通流的预测精度较高,而模糊逻辑预测模型则对异常交通流的预测精度较高。 相似文献
14.
15.
16.
17.
城市地铁车辆段整体道床区路基对工后沉降有严格要求。为保证路基沉降观测数据的可靠性,首先采用沉降观测异常数据判别方法,对沉降数据进行了预处理;根据路基沉降数据的特性,分别以支持向量机和神经网络法为核心技术构建了路基沉降预测模型,并通过工程实例详细介绍了预测方法与过程。对比分析表明:基于支持向量机和神经网络法构建的预测模型均有较好的预测精度;预测结果显示,依托工程路基沉降已基本趋于稳定,运营期不会发生较大的工后沉降,现有地基处理与路基填筑压实的施工方法是有效的。 相似文献
18.
19.
介绍了基于RBF神经网络的短时段交通量预测模型,并利用该模型对高速公路所采集的数据进行仿真预测分析。预测结果表明RBF神经网络预测方法通过定义合理的网络结构参数可以获得较高的预测精度,能够满足路网调度对短时段交通流预测的需求。 相似文献