基于RBF神经网络的边坡稳定性预测

RBF神经网络具有极强的非线性映射能力,精度高。本文基于RBF神经网络原理,采用自组织选取中心法,建立基于RBF神经网络的边坡稳定性预测模型,并选取大量边坡工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在处理边坡稳定性预测问题中,该方法具有很好的适应性和较高的精度。     

人工神经网络在灌芯砌体抗压性能中的应用

提出基于径向基函数的人工神经网络方法,根据实验数据模拟灌芯砌体的抗压性能,建立模型,并验证了RBF神经网络在灌芯砌体抗压强度预估中具有良好的效果。结果显示,RBF神经网络在这方面有很好的应用前景。     

基于RBF神经网络的建设项目的投资风险评价模型

建设项目建设中存在各种各样的风险,科学的风险评价方法在项目的投资决策中显得尤为重要。文章介绍一种基于径向基函数(RBF)神经网络风险评价方法。首先阐述RBF神经网络的原理,然后结合实例建立基于RBF的风险评价模型,仿真模型表明该模型的结果满足项目投资风险评价要求,具有一定的参考价值。     

基于RBF神经网络的边坡稳定可靠度分析

RBF神经网络具有网络训练速度快、可以避免局部极小等优点。文章基于RBF神经网络理论,采用蒙特卡罗模拟法来进行结构的可靠度分析,研究了样本点的生成方法及样本数对可靠度分析结果的影响,并将基于RBF神经网络的蒙特卡罗模拟法应用于边坡的可靠度分析。计算表明:基于RBF神经网络的蒙特卡罗模拟法具有较好的计算效率和计算精度;样本点的生成方法和样本数对计算结果影响较大。与随机取样法相比,均匀设计法生成的样本点分布更均匀,由此样本点集训练生成的神经网络能更好的代替原功能函数,在相同的样本数时具有更高的计算精度;当计算精度相同时,均匀设计法比随机取样法需要生成的样本点少,计算效率高。     

基于RBF网络边坡失稳风险评价模型

鉴于边坡工程失稳风险评价系统属多维非线性问题,分析了RBF神经网络评价边坡失稳风险可行性,建立了边坡失稳风险评价指标体系和基于RBF神经网络的评价模型,从而构建了完整的边坡工程失稳风险神经网络评价系统。经实例研究表明,该系统评价结果稳定可靠,具有良好的应用前景。     

基于自适应RBF神经网络算法的建筑结构递阶分散控制研究

针对建筑结构振动控制的递阶分散控制问题进行研究。首先,通过设置全局控制器消除子系统间的关联耦合;在此基础上,结合Lyapunov稳定性理论和RBF神经网络理论设计了仅依赖于子系统位移和速度响应反馈信息的自适应控制律,并利用差分进化（DE）算法对自适应RBF神经网络局部子控制器相关参数进行优化,建立了适用于建筑结构振动控制的自适应RBF神经网络递阶分散控制（ARBFHDC）算法。对ASCE 9层Benchmark模型进行递阶分散控制设计、优化及仿真分析。结果表明,不同地震激励下,基于ARBFHDC算法设计的递阶分散控制较传统集中控制而言有更好的控制效果,且能保障各子系统作动器处于最大功效工作状态。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。     

电机故障诊断中RBF神经网络的应用

分析了RBF神经网络的特点及原理,针对RBF神经网络进行电机故障诊断的重点进行了探讨,同时就RBF网络的模型结构和算法作了论述,为实现电机故障诊断模型的优化设计提供了可行的途径。     

RBF神经网络在燃气负荷预测的应用

介绍RBF神经网络技术,提出一种基于RBF神经网络的燃气月负荷预测模型,实例预测取得了较好效果。探讨了数据归一化参数对负荷预测精度的影响。     

RBF神经网络在燃气负荷预测中的应用

简要介绍了RBF神经网络技术,提出了一种基于RBF神经网络的燃气负荷预测模型,实例分析取得了较好效果,并探讨了数据归一化方法对负荷预测精度的影响.     

混凝土氯离子扩散系数的RBF神经网络预测模型

提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

应用RBF神经网络的预应力混凝土碳化深度预测研究

在现有混凝土碳化研究成果基础上,建立了预应力混凝土碳化预测模型。随后,运用径向基函数神经网络的基本原理,通过对影响预应力混凝土碳化深度因素的分析,建立了预测碳化深度的RBF和GRNN网络模型。通过实例进行了分析计算和预测,预测结果具有较高的精度。可以说,人工神经网络预测方法是一种可同时考虑各种影响因素组合、行之有效的混凝土碳化预测分析方法。     

基于时空序列模型的RBF神经网络在河流水位预测中的应用

河流水位预测一直以来都是水文预报中研究的热点。河流水位变化不定,具有时间上和空间上的变化性、多维性、动态性和不确定性等,给水位预测带来了挑战。本文综合考虑河流水位时空信息,建立基于时空序列的RBF神经网络预测模型来预测河流水位。实验中预测了金沙江下游向家坝水文站的水位信息,并将实验结果与其他多种水位预测方法比较,实验结果显示基于时空序列的RBF神经网络模型在河流水位预测中具有较高精度,证明了方法的可行性。     

基于径向基神经网络的桥梁有限元模型修正

基于某预应力混凝土大跨刚构-连续梁桥的ANSYS有限元模型,提出一种基于径向基神经网络的有限元模型修正方法。该方法以不同设计参数条件下有限元模型模态分析频率作为输入向量,以对应的桥面单元、中墩、边墩的弹性模量、密度等设计参数修正值作为输出向量,利用径向基神经网络来逼近两者之间的非线性映射关系。结合该桥梁结构健康监测系统中加速度传感器监测的桥梁结构动力反应的加速度数据,利用神经网络的泛化特性,直接计算出有限元模型设计参数的修正值。研究结果表明:修正后的有限元模型能更真实地反映结构的物理状态,较好地反映该桥梁结构的真实动力特性。     

RBF递归神经网络在供热解耦控制中的应用

针对供热过程耦合特性和节能控制的需要,提出了一种基于径向基函数(RBF)递归神经网络的供热解耦控制方法。通过典型信号响应与最小二乘结合的方法得到供热耦合系统模型,利用RBF递归神经网络进行解耦控制,消除了质调节、量调节通道间的非线性强耦合作用。仿真结果证明该方法具有良好的解耦控制特性,满足供热系统多回路控制的要求。