沥青混合料的循环神经网络本构模型构建探讨

由于沥青材料高分子成分的复杂性、温度的敏感性等原因,沥青混合料的本构关系一直是未能很好解决的工程问题。该文首先在Python中使用Tensorflow进行了循环神经网络的搭建,并用Boltzmann叠加原理生成了训练循环神经网络所需要的数据。训练结果表明:循环神经网络高度拟合了Boltzmann叠加原理的计算结果,初步验证了采用循环神经网络对沥青混合料进行本构分析的可行性。运用迁移学习理论仅用一组数据再次精确拟合了Boltzmann叠加原理的计算结果,表明在成功训练循环神经网络的基础上将能够用少量数据完成对其他沥青混合料的本构分析。     

优化GM(1,1)模型在桥梁静载试验中应用

设计一种适用于桥梁静载荷试验中极不完备数据条件下的优化GM(1,1)模型。使用3个前置神经网络模块替换传统模型中的微分拟合过程,利用神经网络的回归能力对其进行优化,使用1个后置神经网络模块结合1个数据解模糊模块替换传统模型的数据还原过程,其他数据处理方式沿用传统模型的数据处理方式。经过仿真计算,发现不同桥梁设计规模下,优化模型的标准差显著低于传统模型,证实优化模型具有较显著的算力提升。     

基于神经网络的汽车操纵稳定性模型研究

对神经网络隐层神经元个数的确定方法以及神经网络预测结果评价方法进行了研究.在此基础卜建立了SX6120型大型客车操纵稳定性神经网络模犁,并对该模型进行了仿真研究和试验验证.结果表明,所建立模型对车身侧倾角、横摆角速度和侧向加速度都具有较高的仿真精度,能较好地表征该客车的操纵稳定性.     

基于灰色系统和神经网络的实时交通量预测组合模型研究

介绍了将灰色系统理论和人工神经网络模型作为预测工具所具有的优缺点,建立了单一的GM(1,1)灰色系统模型。对传统的BP神经网络模型进行改进,在权值函数中加入一个动量因子作为阻尼系数,可大幅降低其容易陷入局部极小值的可能性。同时对学习率加以改进,使其能进行自我调节,于是构建了单一的BP神经网络模型。将单一的灰色模型和BP网络模型进行有机融合,得到了灰色系统—神经网络的组合模型。为验证这3种模型的预测效果,选取某一高速公路路段的单向交通量数据,通过Matlab软件编程进行拟合和预测,发现所建的组合模型综合预测效果最佳。     

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。     

基于神经网络的车辆跟驰模型的建立

车辆跟驰是一种难以操作的驾驶行为，驾驶员必须同时考虑许多因素。本文应用神经网络模拟无车道变换行为的单一车道车辆跟驰行为（加、减速，不动作）。神经网络的自学习特点，使得神经网络模型能把驾驶员周围的各种信息并行结合起来产生可靠的模拟结果。     

采用生长模型对自平衡试桩荷载～位移曲线的研究

自平衡试桩法用于评价基桩承载力具有一定优势,但一直未能有效解决如何描述上段桩的荷载～位移曲线的问题,且在工程试桩时存在上段桩未达到极限状态的情况,此时不能测得上段桩承载力的真实值.基于生物生长型模型与实测荷载～位移曲线,运用Matlab对荷载～位移曲线进行生长型拟合,将拟合结果与双曲线模型拟合结果进行对比,分折了由两种...     

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。     

基于贝叶斯组合模型的短期交通量预测研究

提出一种新的贝叶斯组合神经网络模型并将其应用于短期交通流量的预测。模型通过实时跟踪模型的预测表现,根据研究提出的分配算法不断调整模型的信用值,从而挑选并组合得到精度更高的预测模型。介绍了该模型的基本原理及在示范路网中的实际应用,通过选取反向传播神经网络和径向基函数神经网络,用以构造贝叶斯组合模型,并在测试数据集中进行了性能比较。计算结果表明：模型的预测性能整体上优于单一的神经网络模型,并且确保了模型预测的稳定性。     

燃料电池堆在路面振动下的神经网络模型

试验建立了一个基于Matlab神经网络工具的典型BP神经网络模型,通过垂直、纵向、横向3个方向期望输出与模型输出的误差比较,从而验证燃料电池堆的神经网络模型可以作为一种异常诊断工具。     

基于网络基坑沉降预测的马尔可夫修正模型

分析灰色GM(1,1)预测模型存在的理论缺陷,指出灰色GM(1,1)预测模型虽可用于小样本基础数据预测,但对基础沉降一类随机性强、波动性较大的数据拟合质量较差,预测精度降低。因而,提出利用马尔可夫链修正神经网络模型,其计算过程为:首先建立神经网络动态拟合模型作为基础沉降变化的基准线,在此基础上应用马尔可夫链确定系统状态转移概率矩阵,最后通过系统状态划分样本值与模型拟合值之间的残差及中误差等指标分析计算,最终完成基础沉降的准确计算,该模型应用于基础沉降工程实例运算,取得较好效果。     

基于神经网络的发动机空载模型辨识

发动机空载工况的辨识在车辆动力学传动系统仿真和车辆的起步，换档自动控制中起着得要的作用，分析了发动机空载工况的特点和神经网络在非线性系统辨识中的优越性，建立了发动机空载工况辨识的神经网络模型，并根据实验所得数据对４９２汽油空载工况进行了辨识，取得了满意的效果。     

车用电池模型研究

由于社会和环境的需求,电动汽车市场规模不断扩大,对车用电池的研究也在不断加深。其中,电池模型的研究起着十分关键的作用,它关系到电池系统对SOC、SOH、工作参数曲线等信息的描述准确与否,进而关系到相关控制策略的执行,影响整车的参数和性能。文章介绍了三类电池模型——简化电化学模型、等效电路模型和神经网络模型。简化电化学模型采用数学方法描述电池内部的反应过程,等效电路模型使用电路网络模拟电池动态模型,神经网络模型是利用人工智能的方法模拟电池的运行。神经网络非线性、多输入多输出、泛化能力强的特点,尤为有利于描述电池这一高度非线性系统,是研究和应用的重点。     

基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑.研究了利用多源数据预测城市信号控制主干道旅行时间的方法.以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系.以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析.研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MA PE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果.      

利用神经网络模型实现压气机特性图的三维逼近

利用BP神经网络模型对涡轮增压发动机中的压气机进行建模，得出其通流特性和效率特性图，给出拟合的相关系数，并将此模型应用于涡轮增压发动机整体系统的模拟计算中。     

一种新的GPS高程拟合方法及其在京哈高速公路测量中的应用

基于BP神经网络法和最小二乘支持向量机(LS—SVW),提出一种新的针对道路控制测量的GPS高程拟合方法。选择高斯函数作为其核函数,将其应用至京哈高速过境段的控制点测量中,并将高程拟合结果与BP神经网络、平面拟合、最小二乘法、GA—GRNN、LS—SVM二次曲面和三次样条曲线拟合法等高程拟合方法对比。结果表明,该模型具有拟合精度高、所需样本小、泛化能力强等特点,成功地解决了高维数、非线性、小样本等问题,是一种较适合于公路控制测量的GPS高程拟合方法,具有较高的推广价值。     

土料及砂的弹塑性模型参数研究

通过大量室内试验得出某工程用土料和砂料非线性弹簧模型参数和弹塑性模型参数，并用所求得的参数对实测的应力－应变曲线进行拟合，从理论的角度分析了各模型的拟合情况。为弹塑性模型用于有限元计算提供了参考借鉴。     

适用于汽车转弯制动仿真的轮胎力学模型

通过对轮胎试验结果的分析,用统计拟合方法建立了一种适用于转弯制动联合工况仿真的轮胎力学模型。所建模型与实际情况接近,计算简便,在用理论分析建模困难时,而采用试验数据进行统计建模不失为一种有效的途径。     

基于AHP和FNN的军用电源装备系统综合评判模型

针对目前我军军事训练成绩评判方法的不足,例如受人为因素影响大、局限于定性评判等,分析了军用电源装备系统,研究了层次分析法(Analytical Hierarchy Process,AHP)、模糊综合评判法、模糊神经网络算法(Fuzzy Neural Network,FNN),提出了AHP模糊神经网络综合评判模型。通过该评判模型,对装备系统进行仿真评判,研究表明评判结果符合装备系统的实际情况,验证了该评判模型的实用性,为军用电源装备系统优化设计提供了理论依据和技术支持。     

汽车磁流变减振器神经网络模型研究

提出了用3个输入单元、1个输出单元和7个隐含单元的神经网络来摸拟汽车磁流变减振器的动力学特性,采用实验室测试得到的数据和基于高斯—牛顿法的改进算法对神经网络的连接权值进行优化。神经网络预测结果与试验测试结果比较表明:提出的神经网络模型能够比较准确地预测磁流变减振器的动力学特性。