共查询到20条相似文献,搜索用时 15 毫秒
1.
回归预测法在桥梁剩余寿命预测中的应用研究 总被引:5,自引:0,他引:5
随着公路交通事业的发展,在役桥梁的使用状态越来越引起了人们的广泛重视。准确地预测在役桥梁的剩余使用寿命可为公路管理部门的养护维修方案提供可靠的决策依据,节省了建设资金,保障了桥梁的安全。但到目前为止,该方面的研究进展比较缓慢。提出了引入回归预测这一数学原理对该问题进行研究分析,方法简单适用,文章最后运用实例加以说明,最终实现了桥梁结构剩余使用寿命的预测。 相似文献
2.
3.
核函数法与最邻近法在短时交通流预测应用中的对比研究 总被引:1,自引:0,他引:1
以北京三环路的一个区间路段作为短时交通流预测的背景,利用实际检测数据将非参数回归预测模型中核函数法和最邻近法2个不同的权函数方法进行了仿真对比研究,结果表明在相同的预测精度下,最邻近法更适合时间间隔比较短的交通流预测.将传统的最邻近法加以改进,依次加入前一时刻的交通流量、当前时刻的车辆平均速度和车道平均占用率作为搜索元素.通过对仿真实验结果的研究分析得出结论:前一时刻交通流量的引入保证了预测值和真实值具有相同的切线方向,使得预测精度得到了显著提高;车辆平均速度和车道平均占用率与交通流量具有一定的对应关系,其作用和当前时刻的交通流量相似,所以不能有效的改善最邻近法的预测精度. 相似文献
4.
5.
6.
内燃机气缸套磨损检测与使用寿命预测 总被引:2,自引:1,他引:2
采用电容法测量了气缸套在全寿命周期内的磨损量,分析了其磨损特征,得到了气缸套磨损随使用时间的发展趋势,指出在主推力面上、下止点附近的磨损量代表了气缸套的磨损程度,该区域的磨损量超过限定值会造成气缸套漏气失效,因此,可以将该区域的磨损量作为气缸套使用寿命评估的依据。根据气缸套磨损分析结果建立了人工神经网络模型,评估其使用时间,并预测其使用寿命。检测结果表明,采用BP网络模型进行气缸套的磨损状态评估与寿命预测是有效的,检测结果与实际值相近。 相似文献
7.
本文重点针对区域公路运输量的宏观预测问题建立了广义线性混合回归模型,以综合考虑运量数据自身变化的统计规律及其与社会经济变量的统计依赖关系。本文还设计了相应的算法及,便实际应用与推广。 相似文献
8.
加权盲数回归法在公路客运量预测中的应用 总被引:1,自引:0,他引:1
为克服传统客运量回归预算法中测忽视历史数据对未来预测的影响,以及无法处理影响客运量预测不确定因素的问题,提出了采用加权盲数回归方法进行公路客运量预测.该方法以不同权重区分历史数据的差别,采用加权最小二乘法确定回归系数;同时用盲数的形式来表达预测模型的相关变量,来获得客运量可能出现的多个区间,即各个区间可能出现的可信度情况.算例表明,该方法的预测结果比较合理、可靠,预测可信度高. 相似文献
9.
10.
11.
12.
利用奇异函数法对专用汽车纵梁的强度分析 总被引:1,自引:0,他引:1
利用奇异函数法导出汽车纵梁在一般受力状态下应力函数和等强度函数的通用方程,并用优化方法即相关计算机程序确定危险截面,进行纵梁强度校核。 相似文献
13.
以永林滑坡的预测为例,通过对滑坡的地质背景、滑坡的成因的分析,结合监测资料,简述曲线回归分析模型对滑坡进行预测的条件及方法。 相似文献
14.
基于径向基函数神经网络的交通量预测 总被引:1,自引:0,他引:1
采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点。在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量。 相似文献
15.
采用了径向基函数神经网络进行未来年的交通量预测,它具有收敛速度快、唯一最佳逼近且无局部极小等优点.在进行交通量预测时,选取公路里程、汽车保有量、国民生产总值、国民收入和人口作为交通量影响因子,通过2个网络模型,在输出层输出该年的预测交通量. 相似文献
16.
为了对路基沉降变化规律进行预测,避免发生工程事故,提出了将广义回归神经网络模型应用于软土地基沉降预测中的方案。通过广义回归神经网络的基本理论和概念,采用实际工程数据,用BP神经网络方法和广义回归神经网络方法进行了预测分析,比较了2种方法的3组预测结果。工程实例预测结果表明,广义回归神经网络方法的均方误差和决定系数表现都优于BP神经网络方法;证明该方法是可行且有效的。 相似文献
17.
介绍了盘式制动器混合多目标优化问题数学模型的建立,提出以制动摩擦力矩和制动时间为主要优化目标的多目标函数,为求得全局最优解,引进了遗传算法进行优化,结果表明,方法简便可行。 相似文献
18.
19.
20.
为提高电动汽车锂离子电池剩余循环寿命预测的准确性,提出了一种基于改进支持向量回归机的预测算法,利用免疫完全学习型粒子群优化算法对支持向量回归机的惩罚系数和超参数进行优化,增强其预测能力,基于NASA PCoE研究中心提供的锂电池测量数据,与完全学习型粒子群优化的支持向量回归机预测算法进行对比分析,仿真结果显示,本文提出的算法预测相对误差低于6%,容量预测平均相对误差低于0.4%,具有更好的预测性能。 相似文献