PSO-BP神经网络在隧道围岩变形预测中的应用

针对滇西复杂地质条件下隧道围岩变形预测问题,以BP神经网络为基础,引入了改进后的粒子群算法,通过调试和改进建立了PSO-BP神经网络。该神经网络结合了粒子群算法的全局搜索能力和BP神经网络的局部搜索能力,非线性映射能力强,泛化能力强,具有一定的容错能力。计算结果表明:PSO-BP神经网络预测精度高,平均绝对误差为2.4 mm,平均相对误差为2.7%,满足隧道围岩变形预测精度的需要。     

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。     

基于自然选择策略的PSO-BP神经网络的滑坡可靠性评价方法

将BP神经网络良好的非线性函数拟合能力,以及粒子群算法(PSO)良好的非线性优化性能相结合,提出一种基于自然选择策略的PSO-BP神经网络的滑坡可靠性评价新方法。新方法的整体布局是以BP神经网络作为滑坡可靠性分析的响应面函数,在内部实现细节上,针对传统BP神经网络权值和阈值更新过程中容易陷入局部最优特点,采用自然选择粒子群算法来替代标准BP神经网络内置的最速梯度下降法,以达到进一步优化网络的目的。以贵州省马达岭HP1滑坡为例,验证该方法的优越性,结果证明:(1)该文提出的自然选择PSO-BP算法全局拟合能力更强,构造出的响应面误差更小;(2)降雨对于该边坡可靠性的影响小于地震,敏感性低;(3)天然工况下的HP1处于稳定状态,饱和、天然地震工况下处于低危险状态。     

BP神经网络在振冲碎石桩复合地基承载力预测中的应用

在分析振冲碎石桩复合地基承载力影响因素的基础上，结合江苏某高速公路工程的振冲碎石桩承载力试验结果，利用BP神经网络强大的非线性映射能力，建立了基于BP神经网络的复合地基承载力预测模型。模型预测结果表明:利用BP神经网络来预测振冲碎石桩复合地基承载力的方法是可行的。     

基于IGWO-BP算法的轨道交通短时客流预测

轨道交通短时客流具有随机性和非线性的特点.为提高轨道交通短时客流预测结果的准确度,研究了基于改进的灰狼优化算法(IGWO)与BP神经网络的短时客流预测算法(IGWO-BP).计算轨道交通客流不同时间序列的相关系数,确定了BP神经网络的输入和输出方式;用余弦思想和动态权重策略对原始灰狼优化算法改进,提高算法的全局搜索能力...     

基于BP神经网络的振冲碎石桩复合地基承载力预测

振冲碎石桩复合地基承载力影响因素多,各种因素间又相互作用,很难准确地计算其复合地基承载力。现行最准确的复合地基承载力载荷试验方法需投入大量的人力物力且耗时长,很难满足现场施工质量实时检测及工程进度的需求。本文在总结分析振冲碎石桩复合地基承载力影响因素的基础上,利用BP神经网络强大的非线性映射能力,建立了基于BP神经网络的复合地基承载力预测模型。模型预测结果表明,利用BP神经网络来预测振冲碎石桩复合地基承载力的方法是可行的,为振冲碎石桩复合地基承载力的快速设计检算提供了一种人工智能解决方法。     

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。     

基于改进BP神经网络的高速公路边坡稳定性分析

通过引入动量项和自适应学习率对传统BP神经网络预测模型进行改进,建立改进BP神经网络边坡稳定性预测公式,并将其应用于湖南安化某高速公路边坡工程,将其预测结果与传统BP神经网络预测结果和实际安全系数进行比较,分析边坡的稳定性并提出针对性的建议。     

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。     

改进BP算法在公路工程主材价格预测中的应用研究

分析了传统BP算法的不足,利用相关分析法筛选出公路工程主材价格的主要影响因素;在确定BP神经网络结构及选取训练函数的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型,并结合合肥市石屑价格预测的实例,利用建立的预测模型,采用BP传统算法及附加动量法、自适应学习速率法、两者相结合法等3种改进算法分别预测了合肥市2个季度的石屑价格,并将预测结果进行对比,分析了不同BP算法预测结果之间的差异。结果表明,使用改进的BP神经网络算法进行公路工程主材价格预测,可以将预测误差控制在6%以内,并减少95%左右的训练步数。同时采用自适应学习速率和附加动量改进BP网络的方法相对最有效。     

遗传退火算法在木兰溪防洪工程软基沉降预测中的应用研究

基于自然进化原理的遗传算法是一种解决岩土工程复杂非线性问题十分有前景的方法。然而遗传算法容易陷入局部收敛,对遗传算法进行改进加入退火因子解决了这一问题。软土地基沉降受众多因素的影响,在时序上表现出复杂的非线性特征。针对木兰溪防洪工程的沉降预测问题,运用MATLAB编写模拟遗传退火算法程序进行了预测分析。计算结果与实测资料基本一致,它在全局优化、非线性优化、多参数优化等方面表现出了传统算法无法比拟的优势。     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

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。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

基于改进BP网交通流动态时序预测算法的研究

针对城市交通“智能运输系统”，提出了基于改进BP神经网络理论模型的路面交通流动态时序的预测算法，在BP算法的自适应学习率，在动量法优化网络收敛性等方面，进行了深入研究，并改进了基本BP算法中的收敛速度慢和易陷入局部最小点等问题，章给出了基于改进BP算法的交通流态时序的预测算法仿真实验，结果验证了该算法的可行性和先进性，在交通流时序预测方面有一定的应用价值。     

基于MATLAB的BP神经网络在隧道中的应用

隧道工程是一个复杂的综合系统,各种参数具有很大的不确定性,这给判定隧道的工程性质带来了困难.BP神经网络则是处理复杂系统的有效工具,通过实例介绍基于MATLAB的BP神经网络在隧道工程中的应用,探索了等差时问序列的数据处理和预报问题,认为利用其对隧道工程的量测数据进行处理和预测是有效的.     

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。     

基于投影寻踪神经网络模型的短时交通量预测研究

准确有效地预测短时交通流量是实施交通诱导及控制的前提与关键,但由于短时交通流量具有高度复杂性、随机性、非线性和不确定性等特性,导致预测难度高、准确度低、实时性差。基于此,文中综合利用投影寻踪技术和BP神经网络的优点,提出了运用投影寻踪回归模型和BP神经网络技术相结合建立组合模型的预测方法,并编写出模型的算法程序。将该组合模型应用于路段短时交通量的实时预测实例,实验结果证实该组合模型具有较好的预测能力和较强的时效性。     

BP神经网络预测煤矸石路堤沉降

针对煤矸石路堤沉降预测问题,基于BP神经网络非线性映射能力和学习能力,提出学习率可变的动量BP神经网络以预测常安高速公路煤矸石路堤沉降。利用实测沉降资料建立路堤沉降模型,该模型克服了动量BP神经网络收敛速度慢、训练时间长的缺点。同时采用postreg函数对网络训练结果进行了检验。结果表明:该模型有较高的预测精度,预测误差较小,可用于煤矸石路堤沉降预测。     

基于支持向量机和改进BP神经网络的路基边坡稳定性研究

针对京新高速公路项目在建设中遇到的裂缝、滑移、倾倒等大量边坡稳定性问题,为了探讨边坡岩土体参数与边坡稳定性间的相关关系,以及保证研究项目路段在运营期间的行车安全,实现公路网尤其是山区公路的安全、高效、便捷运行,在已有研究的基础上,分别建立了支持向量机以及附加动量因子mc而改进后的BP神经网络两种边坡稳定性预测模型。通过引入45个训练样本,对5个工程边坡实例的安全系数进行预测计算,分析了两种模型的平均误差和最大误差,比较了两种模型的预测精度和适用范围,并且对京新高速公路胶泥湾至冀晋界路段的工程边坡稳定性进行了预测。结果显示,样本训练阶段,支持向量机和BP神经网络两种模型均具有较高的模拟精度,而BP神经网络更优;在样本预测阶段,支持向量机的预测精度明显优于BP网络;当随着样本容量不断增大时,两种计算模型的预测精度也逐渐提高;通过结果可以得出,支持向量机预测模型有较强的外推能力和预测计算的有效性,可以更好地描述边坡稳定性复杂的非线性关系,更适用于边坡稳定性的预测分析。