神经网络在填石路基沉降预测中的应用

应用BP神经网络对填石路基沉降进行预测.建立BP趋势提取模型,用以代替常规BP算法中使用三次样条曲线插值的预处理方法,从而使BP预测模型能克服数据波动带来的干扰,大大提高了BP神经网络预测模型的预测效果.     

BP神经网络在土工合成材料蠕变预测中的应用研究

通过对目前广泛应用于加筋土工程的土工合成材料-CE131土工网、SDL25土工格栅进行不同应力水平作用下的长期荷载蠕变试验，获得大量的实验数据。在此基础上，运用最小二乘和BP神经网络对其蠕变量进行预测。最小二乘原理是在曲线族中寻找一曲线去拟合实验数据，从得到的误差平方和σ=0．00116来看，其拟合精度较高。BP神经网络具有白适应学习和记忆能力，尤其是三层BP神经网络模型，所得预测值与实际值误差最大为0．91％，较最小二乘3．4％的误差改善了许多，该法为蠕变预测找到了一条新的途径。     

基于BP神经网络的节能车弯道降速数学模型分析

针对节能车为有效降低燃油消耗率,在整车经过弯道时,发动机需怠速滑行的特点,对GPS车载数据采集系统得到的数据进行弯道部分数据提取。基于提取出的北京金港国际赛车场150余组数据,通过引入BP神经网络算法的方式,建立了节能车弯道降速的BP神经网络预测模型。在经遗传算法优化后,拟合优度的结果显示,BP神经网络的预测较为接近真实情况,预测效果较为良好,可以用于节能车滑行过弯速度变化情况预测,并为不同赛道不同工况下整车速度分配提供参考依据。     

改进的BP神经网络在港口物流量预测中的应用

针对传统BP神经网络模型收敛速度慢的缺陷,对其进行改进,以提高收敛速度。经运用厦门港物流出口量的历史数据进行检验分析,给出BP神经网络仿真计算方法,其仿真结果与实际结果比较,具有较高的可信度。证明了改进后的模型加快了收敛速度,提高预测结果的准确性。     

快速二阶BP神经网络在公路交通量预测中的应用

在二阶BP神经网络基础上加以改进，提出一种快速二阶BP神经网络，并将把该方法成功地用于公路交通量的预测中，通过与其它方法的比较分析，得出快速二阶BP神经网络预测方法加快了收敛速度，提高了结果的准确度，为科学地预测公路交通量提供了有力依据。     

基于径向基函数神经网络的GPS高程转换方法

针对GPS高程与正常高程的转换问题，给出了基于径向基函数（Radial Basis Function，RBF）神经网络的模型。该模型隐含层选用Gauss函数作为基函数，学习算法采用自组织选取中心法策略。用实际观测数据进行了试验和仿真，结果表明，用RBF神经网络转换GPS高程的精度优于最小二乘法。对RBF神经网络方法和反向传播（Back-Propagation，BP）神经网络方法转换GPS高程的精度进行了比较，虽然两种方法的结果相近，但RBF神经网络方法在学习速度方面远比BP神经网络方法快。由此可见，RBF神经网络方法用于转换GPS高程是可行和有效的。     

BP神经网络在土工合成材料蠕变预测中的应用研究

过对目前广泛应用于加筋土工程的土工合成材料-CE131土工网、SDL25土工格栅进行不同应力水平作用下的长期荷载蠕变试验,获得大量的实验数据.在此基础上,运用最小二乘和BP神经网络对其蠕变量进行预测.最小二乘原理是在曲线族中寻找一曲线去拟合实验数据,从得到的误差平方和σ=0.00116来看,其拟合精度较高.BP神经网络具有自适应学习和记忆能力,尤其是三层BP神经网络模型,所得预测值与实际值误差最大为0.91%,较最小二乘3.4%的误差改善了许多,该法为蠕变预测找到了一条新的途径.     

浅析BP神经网络算法的改进和优化

本文简要介绍了BP神经网络的缺点,着重强调了BP神经网络的算法改进,并且,利用Matlab仿真了各种改进算法的学习速度,从结果看改进后的BP神经网络能较好地解决针BP算法学习速度慢的缺点。     

基于GPS数据的出租车出行需求预测研究

近年来“网约车”数量越来越多，“网约车”等待时间长与载客热区需求大等问题也逐步显现，乘车体验亟需改善。在成都市出租车GPS数据的基础上，研究出租车出行分布规律，划分工作日为早、晚、夜高峰相关时段，引入k-距离曲线改进DBSCAN空间聚类算法，对出租车上下客点进行聚类分析，并用数据挖掘得出载客热区。采用BP神经网络预测载客热区的出行需求，预测结果表明，早高峰时段BP神经网络模型的MAPE分别较随机森林模型、岭回归模型提高了3.25%和5.87%，晚高峰时段提高了2.98%和4.32%、夜高峰时段提高了1.44%和2.58%，验证了BP神经网络在出租车需求预测方面的可行性。      

BP和RBF神经网络在边坡稳定性评估中的比较研究

通过实例分析,对BP神经网络和RBF神经网络在边坡稳定性评估中的应用进行了比较研究,结果表明,BP神经网络和RBF神经网络均能很好地对边坡稳定性进行评估,但RBF神经网络比BP神经网络的训练速度更快,效率更高,并且对于同样的精度要求,RBF神经网络对边坡稳定性的评估结果更加准确和适用。     

自由流车速影响因素定量分析神经网络法

详细地探讨路段自由流车速定量分析的一种新的算法－BP（Back Propagation）神经网络法，并与多元线性回归法相比较，认为BP神经网络法优于多元线性回归法。为了解决数据不足问题，还用多元线性回归法为神经网络法提供了典型学习模式对。     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

RBF神经网络分析方法在车辆状态远程监测系统中的应用

以往的研究者在选择车辆运行状态远程监测分析系统的分析方法时,有的人为了更快的收敛速度选择了传统的基于规则的专家系统,有的人为了更高的精确度选择了BP（Back Propagation,反向传播）神经网络,文中所介绍的RBF（Radical Basis Function,径向基函数）神经网络（以下简称径向基网络）正好可以在这两种方法之间找到一种平衡。该神经网络既保持了BP神经网络的精确度又提高了其收敛速度,是以往的研究者在BP神经网络的基础上改进而来的。文中的仿真实验验证了该神经网络的精确度和收敛速度完全可以满足我们对车辆运行状态远程监测分析系统的要求。     

快速二阶BP神经网络在公路交通量预测中的应用

在二阶BP神经网络基础上加以改进,提出一种快速二阶BP神经网络,并将把该方法成功地用于公路交通量的预测中,通过与其它方法的比较分析,得出快速二阶BP神经网络预测方法加快了收敛速度,提高了结果的准确度,为科学地预测公路交通量提供了有力依据.     

基于Matlab的BP神经网络的电控发动机故障研究

基于Matlab的BP神经网络,对电控发动机的故障进行研究。采集电控发动机故障数据,运用BP神经网络建立了故障诊断模型,并对几种常见故障进行了诊断,诊断结果表明BP神经网络在电控发动机故障诊断研究方面具有一定的实用价值。     

人工神经网络在桥梁结构等级评估中的应用

介绍了径向基函数神经网络和BP神经网络模型的特点 ,提出了基于神经网络的桥梁结构等级评估方法 ,讨论了这两种神经网络模型的误差及其收敛速度     

基于BP神经网络与多元回归的公路客运量预测研究

根据公路客运量的历史数据及相关影响因素数据,采用SPSS及MATLAB软件分别建立多元回归及BP神经网络预测模型,通过将2种模型输出的预测结果与实际数据进行对比,得出采用多元回归方法在预测客运量变化过程中所产生的误差远小于BP神经网络方法所产生的误差,认为,当数据样本量较小时,多元线性回归预测模型优于BP神经网络预测模型。     

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。     

基于改进神经网络的路基沉降预测

为克服路基沉降预测方法的缺陷和传统BP神经网络存在的不足,采用Levenberg-Marquardt算法改进了BP神经网络的收敛性,建立了路基沉降预测模型。结合津秦客运专线路基沉降实测数据,将该优化模型与传统的BP神经网络预测模型进行了对比,计算结果表明改进后的BP神经网络在路基沉降预测中精度最高,取得了好的效果。     

BP神经网络在女性假人颈部标定试验中的应用

采用BP神经网络代替响应曲面法的多项式函数,建立了基于BP神经网络的女性假人颈部减速特性模型.该模型以摆锤冲击速度、标定温度、蜂窝铝孔数、蜂窝铝切割形式为输入,10ms时刻颈部减速度为输出,实现了颈部减速特性的拟合预测功能.两种方法的预测结果表明,基于BP神经网络法的预测误差最大值为0.04m/s,而响应曲面法的预测误差最大值为0.05 m/s.