基于神经网络算法的沥青路面使用性能组合预测模型研究

为了准确预测沥青路面使用性能变化规律,提出了基于径向基神经网络算法的路面使用性能组合预测模型PCA-GA-RBF;针对神经网络收敛速度慢、模型参数容易陷入局部最优的问题,采用主成分分析算法对路面使用性能影响因素进行了降维处理,利用遗传算法对神经网络结构进行了优化;通过路面行驶质量的预测分析对组合预测模型进行了验证。研究表明：组合预测模型PCA-GA-RBF的拟合优度R²=0.820,均方根误差S=2.645,比单一RBF神经网络预测模型误差降低了11.4%,平均预测准确率为84.13%;组合预测模型计算速率快、预测精度高、预测效果好。     

基于RBF神经网络的单塔斜拉桥模型修正

为获得某单塔双索面斜拉桥换索过程中的工作状态,建立了一种联合子结构与径向基神经网络的有限元模型修正新方法。根据模型参数修正理论,通过分析设计参数的相对灵敏度确定需要修正的参数;为满足参数离散性要求,在模型修正过程中引入了子结构方法,并认为每一子结构中的设计参数是不变的。采用径向基(RBF)神经网络作为模型修正优化算法。将子结构与RBF神经网络相结合,从而将有限元模型修正的反问题转化为正问题;同时,对子结构的划分、RBF神经网络构建以及输入输出参数的确定进行了讨论。以某单塔斜拉桥为例,验证了所提的联合模型修正方法。结果表明:计算值与测量值之间的误差,在有限元模型修正前后有很大改善。     

基于RBF神经网络的单塔斜拉桥模型修正

为获得某单塔双索面斜拉桥换索过程中的工作状态,建立了一种联合子结构与径向基神经网络的有限元模型修正新方法.根据模型参数修正理论,通过分析设计参数的相对灵敏度确定需要修正的参数;为满足参数离散性要求,在模型修正过程中引入了子结构方法,并认为每一子结构中的设计参数是不变的.采用径向基(RBF)神经网络作为模型修正优化算法.将子结构与RBF神经网络相结合,从而将有限元模型修正的反问题转化为正问题;同时,对子结构的划分、RBF神经网络构建以及输入输出参数的确定进行了讨论.以某单塔斜拉桥为例,验证了所提的联合模型修正方法.结果表明:计算值与测量值之间的误差,在有限元模型修正前后有很大改善.     

RBF神经网络在公路工程GPS高程转换中的应用

结合公路工程实例,通过RBF神经网络模型与二次曲面拟合、三次曲面拟合的对比分析,表明RBF网络进行GPS高程转换是可行的,且具有良好的精度。     

基于多源数据融合的城市出租车载客出行特征研究——以岳阳市为例

为探究城市出租车载客出行特征,在出租车GPS轨迹大数据基础上,融合居民出行调查数据、城市土地利用数据及天气数据,构建出租车载客出行量回归模型,得出出租车载客出行量与片区岗位数、天气状况、时段、片区面积有较强的相关性,而基于RBF神经网络构建的回归模型在上述4个因素的基础上增加了片区常住人口数和是否工作日2个因素.通过10折交叉验证表明,RBF神经网络回归模型的拟合效果比多元线性回归模型更好.     

RBF神经网络在公路工程GPS高程转换中的应用

结合公路工程实例,通过RBF神经网络模型与二次曲面拟合、三次曲面拟合的对比分析,表明RBF网络进行GPS高程转换是可行的,且具有良好的精度.     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

IGBT机理建模及其基于神经网络的参数辨识方法

为获取专用的绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)模型,实现IGBT电路的针对性优化,在Hefner模型的基础上,对IGBT的开通和关断状态进行了机理建模,并重点分析了其暂态过程.在此基础上,提出了基于神经网络优化算法对模型参数进行辨识的方法,获得了单个IGBT元件的机理模型.以一个FGA25N120型的IGBT为例,进行了仿真和实验研究,通过仿真与实验结果的对比,拟合优度达0.9,验证了本文所提机理模型的正确性及基于神经网络辨识所得参数的精确性.      

RBF神经网络预测水泥水化热研究

利用RBF神经网络对水泥水化热进行预测,根据水泥水化热的影响因素,建立了12个输入节点、1个输出节点的RBF神经网络模型.通过27组试验数据,验证了模型的可靠性,并与BP神经网络进行了比较.结果表明,RBF神经网络预测效果明显优于BP神经网络,前者不仅预测速度快,而且预测精度高,相对误差小于4%,在水泥水化热预测中具有...     

基于BP神经网络的沥青混合料疲劳性能预测模型

以MATLAB为平台,搭建了一种单隐层结构的BP神经网络沥青混合料疲劳寿命预测模型。模型以沥青含量、空隙率和应变水平3个指标作为输入项,疲劳寿命作为输出项。进行了不同试验条件下的四点弯曲疲劳试验,将试验数据归一化处理后得到27组数据用于训练。训练后的神经网络疲劳寿命预测模型拟合优度R2可达到0.91。采用同一组数据对传统的疲劳方程模型进行拟合,并对比两者的预测效果,各项统计指标均显示神经网络模型预测结果明显优于疲劳方程模型,且神经网络还具有疲劳方程所不具备的指标权重分析的功能。     

基于Adaptive Lasso与RF的航班运行风险预测改进研究

为了解决航班运行风险高维数组运算过于复杂的问题,同时为防止模型过度拟合影响预测精度,基于中国民航局发布的风险评估体系,以某航450组真实航班数据为标准样本,首先使用自适应套索算法（Adaptive Lasso）进行降维,从63项风险自变量中筛选出15项独立变量;然后,使用随机森林算法(Random Forest,RF)进行防过拟合处理,结果显示当使用重要度排序前12项变量拟合时,结果误差达到最小值,即得到最终预测指标;最后,构建Adaptive Lasso和RF的二阶段混合模型,同时选取主成分分析(Principal Component Analysis,PCA)、径向基函数(Radial Basis Function,RBF)网络、支持向量机(Support Vector Machine,SVM)3种对比方法,使用十折交叉验证精度.结果表明：Adaptive Lasso方法在筛选掉48项指标后,结果精度未见下降;经RF处理后4种方法评估精度均大于未处理前;Adaptive Lasso-RF混合模型的预测准确率和稳定性均优于PCA、RBF神经网络和SVM等方法.综上说明混合模型实现了有效降维和防过拟合,可大幅提升预测精度,用于解决航班风险预测问题可行并有效.     

基于RBF神经网络模型的板料成形变压边力优化

为了解决变压边力优化过程中RBF(radial basis function )神经网络隐层节点训练难的问题,利用人工智能算法的优越性,建立了基于人工免疫算法的RBF神经网络,并将其用于非线性函数的逼近中.结合分块压边圈与改变压边力控制技术,通过Dynaform软件进行数值模拟获得成形数据,建立了变压边力与成形质量之间的RBF神经网络近似模型.利用人工免疫智能算法对该近似模型进行优化,获得最优压边力参数.将该方法应用于S形梁冲压成形中,与优化前的结果进行比较,采用优化后最优变压边力可以抑制起皱,最大起皱量减少了89.53%.      

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

基于神经网络的交通事故严重程度影响因素研究

为分析交通事故严重程度的影响因素,运用感知器神经网络理论,从人、车、路(环境)因素及交通流因素等方面选取12个输入参数,以交通事故严重程度为输出参数,搭建基于MATLAB平台的3层前馈人工神经网络模型。对建立的网络模型的拟合优度进行检验,求解回归曲线以及总响应,并通过实例验证模型的有效性。分析表明,驾驶员性别、年龄、事故类型对交通事故严重程度的影响可以忽略不计,交通流特征对交通事故严重程度的影响最大,天气情况、路面情况对交通事故严重程度的影响程度基本相同。     

基于MEC-BP高海拔隧道供氧浓度与劳动强度规律

为解决高海拔隧道施工供氧关键技术，开展高海拔隧道供氧浓度及劳动功率对劳动强度的影响研究.通过在西藏拉萨达孜区的圭嘎拉隧道进行现场实测，以平均能量代谢率作为衡量劳动强度指标，采用肺通气量仪搜集6名测试人员在不同劳动强度(50、75 W和100 W劳动功率)和供氧浓度(20.9%、25.0%和29.0%)下的肺通量数据，并转化为劳动强度指标，运用基于思维进化算法的前馈神经网络(mind evolutionary computation back-propagation, MEC-BP)对劳动强度指标进行拟合.研究结果表明：MEC-BP神经网络拟合数据的拟合优度略高于GA-BP和BP神经网络的拟合优度；50 W低劳动功率下，施工人员平均能量代谢率对氧浓度的变化较小，最大约0.1 kJ/(min·m²)；在100 W较高劳动功率下，25%供氧浓度可作为4 200 m高原供氧浓度参考值.     

基于RBF神经网络预测的交叉口信号周期时长优化

针对交叉口信号配时仅仅依靠单一历史数据进行计算的现状,为了使交叉口信号周期时长能够充分利用过往历史数据,根据城市交通流量具有周期性与不确定性的特点,提出了一种基于RBF神经网络预测的交叉口信号周期时长优化方法.根据交叉口晚高峰历史交通流量对RBF神经网络进行训练,用训练好的RBF神经网络去预测未来某一天交叉口晚高峰的交通流量;结合直行当量系数法将预测得到的交通流量转换为等效直行车流量,建立以平均车辆延误及车辆平均停车率为主要控制目标的多目标优化模型,用MATLAB建立遗传算法进行求解;以平均车辆延误与车辆停车率为评价指标对比分析了优化方法、Webster法和实际配时3种方法得到的结果.结果表明:提出的优化方法相较于Webster法和实际配时,在工作日分别减少12％、2％的平均车辆延误,在非工作日分别减少20％、18％的平均车辆延误,提高了交叉口的通行效率.     

公交客流预测的神经网络模型

通过分析神经网络的作用机理和公交年客流量的影响冈素,以城市人口、居民收入、生产总值等9个因素作为输入神经元,输出神经元为每年的公交客流量,建立了公交客流预测的径向基神经网络模型(RBF)和BP神经网络模型,以合肥市公交量的调查数据为例,对网络进行学习与训练仿真实验,结果表明所建模型具有较高的预测精度,效果较好.     

基于RBFNN的铁路混凝土桥梁构件状态评估

介绍了RBF神经网络模型的结构和训练算法,提出了既有铁路桥梁构件的综合状态评估模型,根据RBF神经网络的自适应性和学习能力,成功的将RBF神经网络应用于既有铁路桥梁构件综合状态评估中去,并给出了便于获取,且能全面准确反映桥梁实际工作状态的输入参数.以某铁路线的若干组实测数据对RBF神经网络进行训练和测试,系统输出与期望输出吻合较好,证明了RBF神经网络评估既有桥梁构件综合状态的准确性、有效性和稳定性.     

基于神经网络的GPS高程拟合方法优选及精度分析

针对现有的几种神经网络GPS高程拟合方法,讨论了利用遗传算法(GA)、粒子群算法(PSO)优化BP神经网络权值和阀值的原理;结合分布较均匀、现势性较好的GPS和水准联测数据,试算了基于神经网络的GPS高程拟合。拟合结果表明:基于PSO算法优化的BP神经网络的拟合精度优于GA算法,误差相对更小。