基于模态识别的波形钢腹板箱梁损伤位置研究

为解决波形钢腹板箱梁损伤识别和损伤定位问题,以上海塘大桥工程中波形钢腹板箱梁为研究对象,采用Ansys Workbench有限元建立波形钢腹板箱梁损伤结构计算模型,结合BP神经网络学习和重复训练功能,对波形钢腹板箱梁损伤前后的模态进行重复训练和计算,探索波形钢腹板箱梁损伤程度和位置与模态参数之间的变化规律。研究表明：波形钢腹板箱梁损伤后模态参数呈现下降趋势,不同程度和位置损伤后对模态参数影响存在一定的差异性,结构损伤程度与模态参数下降呈线性关系,训练后的BP神经网络对波形钢腹板箱梁损伤识别误差在3%范围内,验证了训练后的BP神经网络对波形钢腹板箱梁损伤识别的可靠性和准确性。     

Identification of vehicle sensor locations for link-based network traffic applications

Information on link flows in a vehicular traffic network is critical for developing long-term planning and/or short-term operational management strategies. In the literature, most studies to develop such strategies typically assume the availability of measured link traffic information on all network links, either through manual survey or advanced traffic sensor technologies. In practical applications, the assumption of installed sensors on all links is generally unrealistic due to budgetary constraints. It motivates the need to estimate flows on all links of a traffic network based on the measurement of link flows on a subset of links with suitably equipped sensors. This study, addressed from a budgetary planning perspective, seeks to identify the smallest subset of links in a network on which to locate sensors that enables the accurate estimation of traffic flows on all links of the network under steady-state conditions. Here, steady-state implies that the path flows are static. A “basis link” method is proposed to determine the locations of vehicle sensors, by using the link-path incidence matrix to express the network structure and then identifying its “basis” in a matrix algebra context. The theoretical background and mathematical properties of the proposed method are elaborated. The approach is useful for deploying long-term planning and link-based applications in traffic networks.     

BP神经网络在直流蒸汽发生器建模中的应用

针对直流蒸汽发生器数学模型建模难的问题,利用BP神经网络的全局逼近特性,对直流蒸汽发生器非线性特性进行了辨识与建模.该模型应用于核动力系统的仿真,能够快速得到直流蒸汽发生器相关参数数值.仿真结果表明,模型精度高,实用性强.该模型为直流蒸汽发生器给水控制系统的设计及仿真研究提供了有力的支持.     

改进的BP网络及其在电路故障诊断中的应用

BP神经网络在模拟电路故障诊断中的应用是一个十分热门的研究课题，但BP网络自身的学习收敛速度慢、容易陷于局部极小等缺陷则限制了其应用。提出了一种改进型的BP网络诊断模拟电路故障的方法，详细介绍了自适应学习率动量法，对模拟电路故障进行诊断和分析研究。最后，给出了仿真实例，验证了自适应学习率动量法加快了样本学习收敛速度，具有更好的实时性和诊断效率。     

OBF分解与BP网络在船舶磁场信号检测中的应用

针对水中兵器探测船舶磁场信号时信噪比较低的问题,提出了基于OBF分解与BP网络的船舶磁场信号检测算法。首先采用BP网络对测量数据进行预处理,滤除大部分环境磁噪声;再采用OBF分解算法对网络输出信号进行检测,提取归一化能量信号作为检验统计量。试验结果表明,本文算法可以显著提高信噪比,增强对船舶磁场信号的检测能力,性能明显...     

基于BP神经网络的接触电阻测量与分等定级

提出了接触电阻的软测量方法,使用红外热像仪测量表面温升,采用有限元方法计算准备训练样本,使用BP神经网络建立起接触电阻与表面温升之间的非线性映射关系,以汇流条接触电阻测量为实例,其他电气设备接触电阻的测量也可类似进行,为提高工程应用的可操作性,将接触电阻分为表征接触程度好坏的I-V级,用模式分类方法对测得的接触电阻进行分类,实现了接触电阻的定量评价和分等定级。     

基于BP神经网络的公路路基横断面填挖方信息提取方法及应用

笔者探讨了基于 Ｂ Ｐ 神经网络的横断面填挖方信息提取方法． 该方法可快速地得到任一路线中桩处在不同填挖高度 Ｈ 时的横断面填方面积 Ａｆ 和挖方面积 Ａｃ 的近似值, 并可将 Ｈ～ Ａｆ 及 Ｈ～ Ａｃ 关系图线加绘在纵断面图上, 以便掌握全线或某一区间的填挖方分布状况, 为纵断面拉坡设计提供依据． 该方法易于在 Ｃ Ａ Ｄ 系统中开发实现, 以提高勘测设计自动化、智能化水平．     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于ANN的电磁环境预测分析

人工神经网络作为一个具有高度非线性映射能力的的计算模型,在工程中具有广泛的应用前景。在数值预测方面,它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行预测。文章探讨了利用BP神经网络进行电磁环境预测的方法,通过仿真结果可以看出本方法的有效性。     

带有偏差单元的递归神经网络诊断方法在齿轮箱故障诊断中的应用

提出了带有偏差单元的递归神经网络方法,并将其应用到齿轮箱的故障诊断中．通过对齿轮箱的基本零件齿轮故障的设置,研究TBP神经网络的改进算法与带有偏单元的递归神经网络用于齿轮箱故障诊断的有效性。研究表明,带有偏单元的递归神经网络方法比BP网络训练速度快,精度要高,节省时间,能够精确实现故障定位。