BP神经网络在悬浮桩复合地基沉降预测中的应用

针对悬浮桩加固深厚层软土地基,提出了根据前期沉降观测资料进行沉降预测的BP神经网络模型.工程实例验证表明:该模型预测精度高,简便易行,可为今后的悬浮桩复合地基沉降预测和计算提供参考.     

高填路堤沉降观测及质量控制方法

对高填路堤的沉降观测方法进行讨论和研究,并就现有路堤施工控制方法论述可知,影响公路高填路堤沉降的因素较多,在对实际高填路基进行质量控制时,因根据实际情况,选用合适的方法,以保证工程质量。     

高填路堤沉降观测及质量控制方法

对高填路堤的沉降观测方法进行讨论和研究,并就现有路堤施工控制方法论述可知,影响公路高填路堤沉降的因素较多,在对实际高填路基进行质量控制时,因根据实际情况,选用合适的方法,以保证工程质量.     

山区高填路堤不均匀沉降防治措施

论述了山区高填路堤不均匀沉降的原因及防治措施,以确保路基工程有足够的稳定性和耐久性。     

注浆法在山区高填路堤不均匀沉降中的应用

结合注浆法成功处理邢台市山区部分高填路堤不均匀沉降的实例,就注浆法的基本原理、设计方案、施工要点等进行了阐述,提出了注浆法处理路基不均匀沉降的显著社会和经济效益。     

基于BP神经网络的软土路基施工期沉降预测与仿真

在高速公路软基沉降预测与施工控制中,把现场填土厚度、时间及实测沉降量信息作为学习样本,经过BP神经网络训练后,建立了动态仿真预测模型,用该模型预测当前及下一级填土后的沉降量,判断下一级填土是否可行及对路堤稳定性的影响,以实现对软基沉降及工程施工的事前仿真控制,避免工程事故的发生.实际工程应用表明,该模型的预测精度满足工程建设的需要.     

改进的BP神经网络在路基沉降预测中的运用

针对BP神经网络存在训练过程不确定的缺点,基于MATLAB建立改进的BP神经网络模型,该模型可克服BP神经网络模型在训练过程中收敛速度慢、易陷入局部极小点等缺点。结合实体工程实测数据,将该优化模型与指数曲线模型、双曲线模型、泊松曲线模型和Compertz模型对比分析,结果表明改进的BP神经网络模型在黄土路基沉降预测中精度最高,可运用于黄土路基的沉降预测。     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型．该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点．结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比．计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景．     

基于BP神经网络下的隧道涌水量预测

一直以来隧道涌水都是隧道施工过程中的重大难题,涌水可能会导致隧道延误工期,造成巨大的财产损失,甚至还可能引发隧道塌方,导致人员伤亡,施工机械损坏。以富家山隧道为依托工程,通过收集施工过程中发生涌水时的一些数据,运用BP神经网络对隧道的涌水量进行预测。     

指数曲线法在软土地基沉降预测中的优化与应用

从“确保沉降预测精度、简化沉降观测工作”的角度出发,根据软土地基固结沉降特性,分析了指数曲线法现行计算方法的应用特点,对指数曲线法的计算过程进行了优化．以湖南省岳阳市城陵矶（松阳湖）进港道路K2＋850断面为例,分析了沉降预测结果的精度变化规律．研究结果表明,正确应用指数曲线法,不仅可使软土地的沉降预测精度高,还能大大降低沉降观测频率,节省沉降观测投入,具有积极的应用价值．     

基于BP神经网络的仓储烟草霉变预测

烟草霉变预测尚没有有效的方法。为实时预测仓储烟草的霉变程度,选取仓储环境的温湿度和烟草的自身含水量参数作为神经网络的输入层,烟草霉变度作为输出层,建立BP神经网络烟草霉变预测模型。选取78组实测数据作为训练样本对预测模型进行训练,得出了神经网络的阈值和权值。利用14组预测样本针对该预测模型进行了仿真,并进行了线性回归分析。结果表明,建立的烟草霉变预测模型具有较高的预测精度,预测值和实际值的偏差在[-0.028,0.033]之间,相对误差绝对值的平均值为0.0019。最后,在基于嵌入式ARM+Linux+Web的某公司烟草仓库智能监测系统中,实现了烟草霉变实时预测功能,取得了较好的效果。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

基于主成分和BP神经网络的汽车保有量预测

针对汽车保有量预测建模中输入因子过多而导致神经网络规模过大、泛化能力差的问题,通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。对此,以我国汽车保有量预测为例进行的仿真计算表明,结果令人满意,这也同时证明了该方法用于汽车保有量预测的可行性与有效性。     

基于主成分和BP神经网络的汽车保有量预测

针对汽车保有量预测建模中输入因子过多而导致神经网络规模过大、泛化能力差的问题,通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。对此,以我国汽车保有量预测为例进行的仿真计算表明,结果令人满意,这也同时证明了该方法用于汽车保有量预测的可行性与有效性。     

BP神经网络在交通流量预测中的应用

路段上的交通流量受各种因素的影响,是一个典型的非线性系统。由于神经网络具有识别复杂非线性系统的特性,故将BP神经网络应用于交通流量的动态预测中是可行的。     

改进的BP神经网络预测模型及其应用

针对传统BP神经网络算法在对预测问题中存在的网络具有易陷入局部极小、收敛速度慢的缺陷,引入附加动量法和自适应学习速率法改进BP神经网络预测模型．将改进后的预测方法应用于企业的市场需求预测问题,以某汽车制造企业过去12个月汽车销售量的实际数据为样本,分别采用基于时间序列和基于因素分析两种预测模型,对所提出的改进预测方法进行实证分析．结果表明：所提出的算法对销售量的预测精度较高,误差均小于8．8％,运算时间也有所降低,预测结果表明文中所提出的算法在处理网络易陷入局部极小、收敛速度慢的预测问题方面的有效性．     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.