前馈逆传播算法优化及其在岩土工程中的应用

研究并分析了对BP网络收敛性能有重要影响的非线性系数的取值方法及规律,并给出了在岩土工程问题中的应用实例.利用该方法,提高了BP网络在具体工程应用中的实用性.实践证明按照此规律及方法对BP网络的收敛算法进行改进,能够明显提高网络的收敛速度及收敛精度.     

基于改进BP网络算法的隧洞围岩分类

围岩分类对指导地下工程的设计和施工具有非常重要的意义.引入人工神经网络的方法, 进行隧洞围岩分类, 在传统BP算法的基础上, 通过改进学习算法、优化传递函数和网络结构进行神经网络方法优化.采用附加动量法和学习速率自适应调整的策略改进学习算法, 使得当误差大于上临界值时, 则降低学习率, 当误差小于下临界值时, 则适当提高学习率, 这样可加快网络的训练速度, 确保网络的稳定性; 通过引入调整学习率参数, 使得传递过程更加敏感, 加快了传递函数的收敛速度, 提高了训练函数的计算精度; 通过给定隐含层节点模型的取值范围, 对网络结构进行优化, 提高了泛化精度.将改进的BP网络模型应用于广东省东深供水改造工程的隧洞围岩分类中, 分类结果与根据《水工隧洞设计规范(SL279-2002) 》的分类结果完全一致, 表明该方法具有良好的工程实用性.      

自适应BP网络在洛带气田测井解释中的应用

应用自适应算法对BP网络进行改进，可以提高BP网络的收敛速度和全局寻优性能。在此基础上，利用多种测井数据及岩心描述资料作为网络模型的学习样本，以测井解释渗透率的神经网络模型为例，通过网络的学习、训练，建立测井解释神经网络模型。并应用此模型，定量计算出多口井的渗透率值，与常规渗透率计算结果相比，BP的解释结果及精度均令人满意，同时还取得了良好的实际应用效果。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法（PSO）优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

神经网络在岩体力学参数和地应力场反演中的应用

BP神经网络已广泛地应用于岩体力学参数和初始应力场的反演分析,但在实际应用中,BP网络存在着网络训练易于过度、收敛速度慢、易陷入局部极小以及隐层节点数难于确定等缺点。采用RBF网络和改进的BP网络,利用基于有限差分格式的快速拉格朗日算法进行正分析计算,依据若干测点的正应力数据,反演了计算区域的岩体力学参数以及初始应力场。算例表明,RBF神经网络与快速拉格朗日算法相结合,在样本容量相同的情况下,反演分析的精度、网络的拓扑结构以及学习、收敛速度,均优于采用BP网络的反演算法。     

人工神经网络在铀矿测井解释中的应用

本文探讨了运用人工神经网络方法完成铀矿测井解释任务的有关问题。采用了改进的BP算法，提高了网络收敛速度，优化了网络结构。研究使用了一种基于统计的学习样本生成方法，提高了样本的质量。实际应用网络进行岩性识别和孔隙度预测，取得了令人满意的结果。     

遗传神经网络测井解释技术在宝北区块的应用初探

将遗传算法与人工神经网络(BP网络)的原理结合,对BP网络进行了改进,提高了收敛速度,并防止陷入局部极小。应用改进后的BP算法,建立了针对测井解释的神经网络模型,并应用此模型定量计算了宝北区块的多口井的渗透率值,其解释结果及精度均令人满意。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

基于人工神经网络的三峡水库库岸稳定性分级

为避免库岸稳定性评价法的随意性和不确定性,尝试采用具有处理非线性关系功能的人工神经网络方法进行库岸稳定性分级,为此构建了15-31-4结构的三层BP网络。该网络采用BP弹性算法,同时对初始权值和阀值进行了优化,实现了网络的非线性映射,并有着极快的收敛速度。用该BP网络对三峡水库的上游段库岸进行了稳定性等级判断,其结果与常规计算方法所得的结果基本相似。     

砂土加筋挡墙筋条临界长度的神经网络预测

对于加筋支挡结构的设计,神经网络模型不同于基于凝聚力基础之上的半经验公式,它不需要主观的人为假设,而是模拟人脑思维,通过数据样本的学习来获得预测结果.BP神经网络是对非线性可微分函数进行权值训练的分层网络.文中采用BP网络对给定极限荷载下砂土挡墙筋条的临界长度进行预测,试验点几乎分布在预测曲线附近,说明网络学习是成功的.对不同筋材的极限荷载与临界长度的关系进行了对比分析,表明筋材的弹性模量及筋材与填料之间的摩擦系数对加筋性能有着重要的影响.     

改进的快速BP算法

ＢＰ网络现在得到了广泛的应用。然而对于学习样本较多、输入输出映射关系复杂的情况，学习速度较慢。我们分析了网络误差曲面特征，提出了快速ＢＰ算法，它可以大幅度地提高学习速度。     

基于RBF神经网络的城市需水量预测

介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。     

补偿模糊神经网络在储层参数预测中的应用

为了克服常规BP神经网络法在预测储层参数中出现学习速度慢、无法结合专家知识等不足，我们引入了补偿模糊神经网络。它是一个结合了补偿模糊逻辑和神经网络的混合系统，由面向控制和面向决策的神经元组成，其模糊运算采用动态的、全局优化运算，学习速度快、学习过程稳定，将其用于储层参数预测效果良好。     

BP神经网络的改进及其在初至波拾取中的应用

在地震资料处理中,正确的初至时间,是解决复杂地表静校正问题所需的关键参数。将BP神经网络引入到初至波拾取中,并针对经典BP神经网络收敛速度慢、易于陷入局部极小的缺点,利用组合函数法、限幅法、动量因子法及自适应学习率法等进行了改进。用模拟试验证明了这些改进方法的可行性和有效性,在应用于实际的地震记录初至波拾取中,取得了良好的应用效果。     

几种修正的自适应神经网络学习算法及其应用

针对一般ＢＰ网络的拓扑结构和参数选择的随意性问题,讨论了几种自适应ＢＰ网络,即自适应调整网络的拓扑结构和自适应调节学习步长的改进ＢＰ算法,综合二者构造了一种修正的自适应ＢＰ算法．为了验证改进算法的有效性,将这几种算法与标准ＢＰ算法进行了比较．结果表明：对于ＸＯＲ问题,这几种算法的学习速度和计算精度都有不同程度的提高．将算法用于油气预测的实际中,也取得了满意的结果     

基于改进BP网络算法的边坡稳定性评价

影响边坡稳定性的因素复杂且具有随机性和不确定性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络适用于解决非确定性的边坡稳定性评价问题。结合遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了一种用于BP网络权值学习的GASA混合策略,并综合考虑影响边坡稳定性的各方面因素,建立了基于GASA混合策略的神经网络模型,并利用大量工程资料对网络进行训练和测试,得出了一些有意义的结论。     

Texture Segmentation Based on Image Model and Neural Network

INTRODUCTIoNImagetextureanalysisisanimportantpartofresearchin-tocomputervision.Forobjectidentificationandunderstand-ing,textureanalysisisthebasisoftheresearchwork.Ingeneral,texturecanberegardedasakindofstructurethatconsistsofmanytextureelementsorpatternswhicharemoreorlesssimilar,i.e.,primitivesthatformtexturesandspatialdependenceorinteractionbetweentheprimitives.Ex-tensiveresearchhasbeendoneintextureanalysis,andrefer-ence(Haralick,l979)hasmadeathoroughsurvey.Amongthesetextureanalysismetho…     

人工神经网络氡气灾害模型在铀矿山的应用

对多层前馈神经网络模型(BP神经网络)的结构特点、数据分析、学习方法和过程等内容做了分析。以中核抚州金安铀业有限公司铀矿山氡气状态为学习训练样本及预测样本,建立铀矿山氡气灾害模型。讨论了基于BP神经网络技术的氡气灾害模型分析方法及其有效性。通过实例样本的训练检验表明,采用人工神经网络方法对铀矿山氡灾害预测取得了比较满意的效果,为神经网络在铀矿山氡气灾害预报的应用提供了可行性。     

地地震多参数BP神经网络预测煤层厚度

依据煤层反射波运动学和动力学特征，提取出了波峰波谷振幅A1、平均频率Fa、主频带能量Qf1、低频带宽能量Qf和峰值频率Fmain等5个地地震特征参数。选取8组学习样本，利用4层BP（Back Propagation)人工神经网络模型，采用动量法和自适应调整的改进算法，训练BP网络，用训练好的BP网络预测煤层厚度。经实例验证，地震多参数BP网络预测煤层厚度精度高，是一种有效的煤厚预测方法。