基于神经网络的桥梁异常状态识别方法

针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于主成分分析与支持向量机结合的交通流预测

为提高交通流预测的预测精度和预测速度,提出了用非线性回归支持向量机与主成分分析相结合进行交通流预测的方法。主成分分析用来对交通流预测的预测变量进行特征抽取,用较少的主成分代替原预测变量．将生成的主成分输入到非线性回归支持向量机,进行交通流预测,支持向量机的核参数利用Bayesian推理进行确定。通过对济南市交通数据的实例分析来验证该方法的有效性。结果表明,非线性回归支持向量机与主成分分析相结合进行交通流预测不但可以提高交通流预测的精度,同时还可以降低预测所需的计算量,满足交通流预测的实时性要求,预测精度比目前常用交通流预测方法的预测精度有所提高。     

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。     

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。     

BP神经网络主成分分析法在汽车保有量预测中的应用

针对影响汽车保有量预测的多个因素,采用主成分分析的方法提炼出较少的与线性无关的主要因素,并根据这些因素,利用BP神经网络方法对汽车保有量进行了预测,最后通过实例, 将BP神经网络主成分分析法计算结果和非线性模拟与全要素BP神经网络模拟结果进行比较,得知BP神经网络主成分分析法在运算效率、运算精度上较优.     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。     

基于ELMAN网络的交通流量差值预测模型

利用ELMAN神经网络，采用相关站点历史数据逼近的方法，建立了流量差值预测模型；采用主成分分析法确定神经网络输入参数；运用叠加噪声法对神经网络模型进行了泛化处理。预测模型能反映流量差值的变化趋势。     

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     

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。     

基于行驶工况特征的汽车燃油消耗的预测

本文从行驶工况特征参数来进行燃油消耗的预测。首先对典型道路上采集的百公里燃油消耗和行驶工况数据进行划分,获得大量行驶片段。接着用主成分分析法从所有行驶片段的13个特征参数中得到了3个主成分。最后利用BP神经网络对3个主成分的得分进行燃油消耗的预测。结果表明,与一般的BP神经网络相比,采用主成分分析和神经网络相结合的燃油消耗预测模型,简化了网络结构,提高了预测精度,可用来预测城市道路行驶工况的燃油消耗。     

基于小波神经网络的隧道变形预测模型研究

针对单一模型在隧道变形预测上精度不高的问题,提出了一种基于小波分析理论的神经网络模型,该模型克服了BP神经网络模型存在的收敛速度慢、结构设计盲目、易陷入局部极小点的缺陷,通过将该模型与时间序列模型、Levenberg-Marquardt法BP神经网络模型、遗传神经网络模型预测的结果比较,可以看出小波神经网络在隧道的变形预测中网络结构更简单、收敛速度更快、预测精度更高。     

基于HPSO-BP神经网络融合的锂电池SOC预估研究

为实现锂离子电池荷电状态(SOC)的高精度预测,采用混合粒子群(HPSO)与BP神经网络相结合的联合优化算法,通过优化神经网络的初始权值和阈值克服了种群易陷入局部极小的缺点,加快了收敛速度,减小了SOC预估的误差,通过分析磷酸铁锂(LiFePO4)电池充、放电机理,将电池电压、电流、内阻和温度作为SOC的影响因子。MATLAB仿真结果表明,HPSO-BP神经网络算法的预测精度和收敛速度较传统BP神经网络算法更优。     

基于神经网络的停车需求预测模型及应用

结合停车需求特点分析了停车需求影响因素,提出了基于主成分分析的BP神经网络停车需求预测模型,该模型主要是通过对城市中心区停车需求的经济、土地、交通的特征分析,利用主成分分析法,明确了影响停车需求的主成分,简化了神经网络的输入样本,消除了网络输入之间的相关性,提高了网络的性能,实现了公共停车需求的准确预测。     

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.     

驾驶员安全可靠性多因素分析

影响驾驶员安全可靠性的身心因素很多,研究中对22项指标进行分析,将有关指标合并,归纳为6种主因子:第一主因子相关变量5种,反映驾驶员的反应能力;第二主因子相关变量4种,反映中枢神经系统的平衡控制能力;第三主因子相关变量5种,反映驾驶员视觉功能;第四主因子相关变量4种,反映注意综合品质;第五主因子相关变量3种,反映驾驶员速度判断能力;第六主因子为驾驶员听觉能力。基于主因子分析进一步整合,建立驾驶员安全可靠性评价指标体系。     

基于改进型BP神经网络的沥青路面大修决策模型研究

针对常规大修决策模型PQI模型的缺陷,利用改进型BP神经网络建立沥青路面大修决策模型。改进型BP神经网络是在神经网络中间层和输出层上加入特殊的偏差单元,以加快BP神经网络的收敛速度、并提高其计算精度。本文根据安徽省高速公路沥青路面的实际情况,建立了有5个输入单元和一个输出单元的神经网络,并利用历年路况检测结果和专家对路况的主观评价结果对网络进行了训练。结果表明神经网络计算结果的精度很高。     

基于模糊综合评价的公路网发展分析方法

为了合理评价地区公路网发展状况,制定地区公路网发展规划和策略,提出了基于主成分分析-模糊综合评价的公路网发展水平评价方法。依据公路网发展规模水平、运输规模、车辆发展速度来选取公路网发展水平评价指标,利用主成分分析法将选取的评价指标进行降维处理,以确定模糊综合评价的评价指标;再通过熵值法确定评价指标的权重,采用梯形函数构建评价指标的隶属度函数,根据最大隶属度原则确定评价结果,建立主成分分析-模糊综合评价的公路网等级耦合评价模型。通过广东省21个地市公路网评价的实例分析,证明了该方法的科学性和有效性。