基于支持向量回归机模型的地下水位动态模拟

研究地下水位动态变化,对于正确评价和合理利用地下水资源、防止土壤盐碱化及保护生态环境具有重要意义。为探讨不同核函数支持向量回归机对地下水位预测的效果,分别采用多元回归、BP神经网络及3种不同核函数SVR建立地下水位预测模型并进行对比分析。结果表明,RBF核函数SVR预测结果平均相对误差为0.85%,均方根误差为0.004,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.58%及0.006,精度次之;多项式核函数SVR预测结果对应误差分别为3.72%及0.016,精度与BP神经网络模型大致相同,但高于多元回归模型。在现有3种常用核函数SVR地下水位预测模型中,基于RBF核函数SVR模型预测能力最强,其次是Sigmoid核函数;而多项式核函数则效果最差。     

基于神经网络的温凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射.通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度.另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力.     

基于BP神经网络的污水处理水质建模与模拟

分析了BP神经网络原理及污水处理过程中BP网络模型设计,经过对苏州市某污水厂123组实测数据异点剔除和归一化处理后,对网络进行了训练和学习,30组数据用来检验网络,并用另外70组实测数据进行了实际仿真模拟,分析模拟结果表明,对各出水水质指标的模拟平均相对误差均小于5%,建立BP神经网络活性污泥法污水处理过程模型是有效的、可行的。     

基于智能分析的供水管网浊度模拟研究

在分析国内外供水管网水质研究现状的基础上,对管网水的浊度特性及演变规律进行了深入研究,总结了饮用水浊度指标在管网中的变化规律,并据此筛选出对管网水浊度变化影响较大的三方面因素,即流速、水龄、总铁含量.在对主要因素进行连续监测的基础上,运用MATLAB分别构建BP和RBF神经网络模型对管网水浊度进行模拟分析,结果表明模拟值与实测值吻合良好,RBF神经网络的非线性逼近能力更强,预测精度更高.     

基于RBF神经网络的混杂纤维混凝土强度预测

针对混杂纤维混凝土强度受多种因素影响,强度与各影响因素之间关系为复杂的非线性问题,通过人工神经网络的自适应、自学习和非线性映射,可以找到以影响因素为输入变量、以混杂纤维混凝土强度为输出变量之间的非线性关系,在文献试验实测值的基础上采用MATLAB神经网络工具箱建立了四个三层RBF和BP神经网络模型,采用所建立的RBF和BP神经网络对混杂纤维混凝土的抗拉强度和抗折强度分别进行预测,并将各自的预测值和实测值进行了对比分析。结果表明:RBF神经网络预测值与试验实测值吻合良好,较之BP神经网络有更高的强度预测能力,该方法可行且预测精度满足工程需要,为工程上研究混杂纤维混凝土强度提供了新方法。     

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。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型:BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

基于神经网络的混凝土强度预测

在传统预测混凝土强度的基础上,提出一种基于人工智能的新的预测方法,建立了两种神经网络模型：BP神经网络和RBF神经网络,实现了从新拌混凝土成分及其特性到硬化后混凝土强度之间的复杂的非线性映射。通过对试验数据的学习,网络结构可以早期预测混凝土28d抗压强度。另外,还利用BP神经网络模拟分析了混凝土成分质和量的变化对抗压强度的影响,其结果符合已知的经典混凝土强度变化规律,表明神经网络模型具有较高的精度和较强的泛化能力。     

基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化

以25个深基坑工程地表沉降实测资料为训练样本,综合考虑多个主要影响因素,应用粗糙集对次要影响因素进行约简,然后建立地表沉降的7-15-1粗糙集BP(RS-BP)神经网络预测模型对5个检验样本进行预测及预测精度分析,并将该模型与传统BP神经网络预测模型进行对比。结果表明:传统BP神经网络预测其平均相对误差达到15.04%;而RS-BP神经网络预测平均相对误差较小,为5.55%,满足精度要求。因此,基于粗糙集BP神经网络预测模型在预测精度上优于传统BP神经网络预测模型。     

基于遗传算法优化BP神经网络的钛合金旋转超声磨削力预测

为预测钛合金旋转超声磨削过程中磨削力的大小,提出了使用遗传算法优化BP神经网络模型来预测磨削力的方法,首先建立磨削力与加工参数(超声频率、超声功率、进给速度、主轴转速)和磨具参数(磨料浓度、磨料粒度)之间的BP神经网络预测模型,采用遗传算法(GA)优化BP神经网络的阈值和初始权值,依据"六因素三水平"的正交试验结果对神经网络模型进行训练。然后对旋转超声磨削力进行仿真预测,神经网络模型预测值与试验值的误差较小,平均相对误差仅为5.97%,结果表明,使用所提模型预测钛合金旋转超声加工的磨削力具有较高的预测精度。     

BP神经网络和RBF神经网络在墩柱抗震性能评估中的比较研究

通过仿真实例,对BP神经网络和RBF神经网络在墩柱抗震性能评估中的应用进行了比较研究.训练和仿真结果表明,BP神经网络和RBF神经网络均能很好地对墩柱的延性进行抗震性能评估,并且,在相同精度要求下,RBF神经网络比BP神经网络的训练速度更快,效率更高,充分体现了RBF神经网络的优越性.同时也总结了BP神经网络和RBF神经网络所存在的不足.实际应用中,可以以此结论为指导来设计神经网络.     

径向基网络在结构设计与分析中的应用

详细地介绍了径向基(RBF)神经网络的结构和基本原理。基于RBF神经网络能够逼近任意非线性函数的特点,提出了一种基于RBF神经网络建立结构分析模型的方法。与BP网络的仿真结果对比表明,所建立RBF神经网络模型收敛速度快,拟合精度高,适用于复杂结构的建模问题。     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息;RBF网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

基于径向基神经网络的基坑支护位移预测方法

简要分析了径向基神经网络相对于BP神经网络的优点,利用径向基神经网络建立了基坑支护水平位移的预测方法并编制了基于径向基神经网络的支护位移预测程序.结合实际工程监测数据中的基坑支护结构水平位移数据,对网络进行训练并利用训练好的网络对基坑支护结构的水平位移进行了预测.从预测结果与实测结果的对比分析来看,利用径向基神经网络对基坑支护水平位移进行预测是可行的,其精度符合工程实际的要求.     

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。     

基于神经网络的GPS水准方法的研究与分析

分别将BP网络和RBF神经网络应用于GPS水准高程拟合研究,在此基础上,选择某一地区的GPS水准实测数据进行了高程拟合实验,并将得到的最后精度进行了对比分析,得出基于BP神经网络模型在GPS高程异常拟合中具有较高的精度,并提出科学建议。     

结合神经网络的热泵冷凝器模型优化

本文采用了按照制冷剂状态来划分分布参数模型微元的方法,建立了冷凝器的稳态分布参数模型,并将其计算结果与实验数据做了验证。在此基础上建立了和稳态模型相结合的BP神经网络和RBF神经网络模型,通过神经网络对稳态模型进行修正,有效地提高了冷凝器仿真模型在热泵系统中的仿真精度,并比较了用两种神经网络模型进行校正的差异。     

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。     

改进的RBF网络在区域需水预测中的应用

利用径向基函数神经网络,建立了区域用水量预测模型,改进了RBF网络学习方法;根据某地区近年来影响用水量主要影响因素的数据对该网络进行训练,并用训练好的网络模型对该区域以往和今后不同年份的用水量进行预测;对以往用水量预测结果表明该模型有较高预测精度、通用性和客观性.     

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。