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。     

基于深度学习的交通标志识别

图像识别技术是无人驾驶实现的关键，交通标志识别是图象识别的重要研究方向。选用MATLAB的AlexNet深度神经网络模型，通过迁移学习对交通路标数据集进行训练，将训练结果与传统的局部二值模式和方向梯度直方图进行对比，得到AlexNet模型的交通路标识别准确度为98.79%，后两者分别为86.3%、97.6%,AlexNet模型更优。     

基于DE-BP神经网络的桥梁损伤评估

在对桥梁损伤评估系统模型的基础上,提出了基于DE-BP神经网络的损伤评估方法。该方法引入差异演化算法(DE算法),通过对已有的桥梁损伤评估实例对神经网络进行训练,可使神经网络较好地表达评估结果与评价因素之间的关系。在网络学习过程中充分引入DE算法,避免了BP神经网络容易陷入局部最值及收敛慢的缺点,经该方法训练好的网络可以对实际桥梁进行评估。     

基于BP神经网络的居民出行方式选择模型

以城市居民出行方式选择行为作为研究对象,分析了影响出行方式选择行为的主要因素,利用BP神经网络可以自动获取研究对象的输入、输出间关系和较强的学习训练特性,建立了基于BP神经网络的居民出行方式选择模型,并通过2009年济南市居民出行调查数据对模型进行了实例分析。结果表明：BP神经网络模型能够较好地描述居民出行交通方式选择行为。     

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

基于神经网络的内燃机失火故障诊断研究

提出了一种利用排气中HC、CO2、O2浓度和内燃机工况参数神经网络的内燃机失火故障诊断方法,并提出了描述内燃机失火程度的模糊评价指标;进行了内燃机有失火故障和无故障排气成分检测对比实验,利用实验数据和内燃机工况参数,通过广义回归神经网络(GRNN)建立了失火程度评价指标与排气中HC、CO2、O2浓度以及内燃机工况参数之间关系的诊断模型,应用MATLAB软件对该模型进行学习训练,将训练好的神经网络模型应用于内燃机失火故障的诊断,结果表明,此模型能够正确诊断内燃机失火故障。     

基于神经网络的模糊推理车辆跟驰模型

根据BP神经网络自学习的特点，通过训练使模糊变量和隶属函数隐含在网络内部，并用模糊逻辑推理模拟驾驶员对车辆进行控制的过程，可以使模型更接近于真实的跟驰行为，最后用该模型进行了仿真，证明其可行性。     

混凝土桥梁损伤的神经网络评估

在桥梁损伤评估系统模型的基础上,提出了基于神经网络的桥梁损伤评估方法。该法通过神经网络对已有的桥梁损伤评估实例的学习,可使神经网络较好地表达评估结果与评价因素之间的关系,从而代替评估群体进行评估。这不仅可以减少评估的工作量。节约人力物力,还可以较好地利用和积累专家经验知识,降低评估过程中人为因素的影响,保证评估结果的客观性。同时,建立的评估系统具有自学习功能,可以在没有专家或缺少专家的条件下,模拟有经验的评估机理,完成对旧桥损伤的评估。实例计算表明,各网络模型花费很少的时间完成对样本的训练后,便可利用训练好的隐含层权值与阈值对实际桥梁进行评估。     

基于神经网络的汽车结构件低载强化特性确定

提出了一种基于径向基函数神经网络的汽车结构件低载强化特性确定方法。通过足够样本的训练,构造出一个有效的神经网络模型。对于给定的强化载荷和强化次数,应用构造的神经网络模型,可以确定相应的低载强化效果。经过对某汽车前梁和传动系齿轮低载强化特性的试验验证,证实了该神经网络可以准确快捷地预测不同强化载荷和强化次数下结构的强化效果。简化了计算过程,提高了计算精度,为基于低载强化的汽车产品轻量化设计带来了方便。     

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。     

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.      

基于迁移学习的桥墩结构损伤识别方法

提出一种深度学习的桥墩结构损伤识别方法,该方法通过迁移学习(TL)将源模型的权重和参数转移到目标模型上,加快深度模型的训练速度、提升模型损伤识别精度。使用连续小波变换将振动信号转换成时频图作为深度模型的输入,构建可识别砼结构损伤的深度模型,该模型的固定部分使用源模型的权重和参数,非固定部分的权重和参数使用新的数据训练得到;通过试验及仿真对该模型的有效性进行验证,试验方面使用砼桥梁在有损伤和无损伤时的振动信号,仿真采用ABAQUS/CAE建立砼塑性损伤识别模型(CDP)并采集振动信号;将文中方法与从零开始训练的深度卷积神经网络(CNN)及支持向量机(SVM)方法进行对比,文中方法在试验数据上的识别精度达99.1%,在仿真数据上的精度达100%,相对于传统识别方法,该方法可提高损伤识别精度和模型训练速度。     

基于RBF神经网络识别路面不平度的研究

针对应用RBF神经网络识别路面不平度的输入选择、输入方案确定和识别效果评价3个问题,提出了一种解决方法。对RBF神经网络和训练过程进行了分析,选择车辆可以测试的车辆响应作为RBF神经网络输入,引入正交试验设计确定RBF 神经网络输入方案,采用相关系数和均方根误差作为RBF神经网络识别效果的评价指标。通过采用车辆和路面不平度系统4自由度平面模型仿真获得车辆响应和前轮路面不平度,应用RBF神经网络对常用路面等级和常用车速行驶下某汽车的前轮路面不平度进行了识别。结果表明,所提出的方法解决了基于RBF神经网络识别路面不平度的3个问题,可以用于其它神经网络识别路面不平度。     

基于GA-BP的运营隧道工程结构安全性评估

以赣定高速公路谷山隧道工程为例,利用遗传算法和BP神经网络相结合的方法,建立运营隧道结构安全评估模型。网络结构采用遗传算法优化BP神经网络权值和阈值,提高了网络收敛速度,克服了传统的神经网络训练时间长、容易陷入局部极小值的问题。并将该模型应用到谷山隧道运营结构安全性评估中,具有较高的学习精度和较快的收敛速度。     

基于无师GFMM神经网络的公路工程工时定额测算方法研究

论述了工时定额的概念及影响因素、常用的工时定额制定方法、线性神经网络模型的不足。提出了一种模糊极大极小人工神经网络模型的工时定额测算方法,该方法不仅具有一般神经网络的优点,可以输入n维模糊量,而且能够直接处理模糊变量。同时,网络的训练采用无师学习方法,使得模型能够应付新出现的影响因素,从而可以解决新技术、新工艺的出现对工时定额的动态影响。     

滑坡变形的人工神经网络预测模型及应用

根据人工神经网络对信息处理的能力,选用较成熟的反向传播网络模型,在详细的工程地质勘察和理论分析的基础上,利用某滑坡中部变形监测数据,通过多次试验的方法,建立了具有1个输入层、15个隐含层、1个输出层的反向传播网络模型。通过神经网络的学习与训练,建立了滑坡位移和时间之间的人工神经网络非线性关系模型,并应用非线性模型预测了滑坡在未来几个月的变形情况。     

基于BP神经网络的兰州新区现代有轨电车适用性评价

在综合考虑兰州新区现代有轨电车线网规划的基础上,基于BP神经网络建立现代有轨电车适用性研究分析训练模型,利用Matalab软件实现神经网络学习过程,根据训练结果,对兰州新区现代有轨电车适用性进行评价。     

隧道施工安全评价模糊神经网络技术应用研究

针对高速公路隧道施工系统的安全评价问题,将模糊理论与神经网络相融合,研究建立了一种模糊神经网络评价模型。阐明了评价系统的工作原理及实现方法。利用历史样本数据对网络模型进行学习训练和测试,工程实例结果显示,评价精度满足工程应用要求。该评价模型具有对环境变化的自学习能力,对权值进行调整,动态地评价公路隧道施工系统的安全状态,是公路隧道施工安全评价方法中的一种新的评价方法。     

基于Res-CNN和燃油压力波的柴油机喷油器故障诊断方法

燃油喷射系统的工作质量直接影响柴油机工作过程及性能。针对利用燃油压力波进行故障诊断时压力波特征点自动化识别困难、影响实时在线监测的问题,提出了利用深度学习图像识别理论进行喷油器故障诊断的方法。通过喷油泵试验台进行了喷油器典型故障模拟试验,测取了高压油管燃油压力波,分析了不同故障状态下燃油压力波动特征及规律,建立了基于深度残差的卷积神经网络(Res-CNN)模型,以一维燃油压力波信号为输入,进行喷油器故障诊断检测及验证,并对故障特征学习过程进行了可视化分析。结果表明,该模型较传统方法具有更高的诊断准确率,验证了直接应用燃油压力波图形识别方法进行在线实时监测的可行性。     

基于Mask R-CNN网络模型的无人驾驶感知

近几年深度学习技术在图像检测方面的应用取得了极大的突破,利用卷积神经网络模型可高效且准确的识别目标。一种开源网络模型——Mask R-CNN,被用于无人驾驶感知检测,取得了较好的检测效果。为了进一步提高检测精度,提出迁移学习方法重新训练网络,使得网络更适用于无人驾驶领域的感知任务。