自校正模糊PID控制的FAST节点位移控制方法

为了解决FAST项目中2400多个节点在相邻节点拉力、外界风力、温度等环境因素的影响下仍能够达到预期运动位置,利用自校正模糊PID控制与改进型论域伸缩方案相结合的方式对FAST节点位移控制策略进行了研究.通过对FAST节点液压促动伺服系统的分析,得出被控对象的传递函数.根据误差和误差变化率的分析,进行控制器的设计,选择合理且有效的变论域伸缩因子,最后利用Simulink对改进算法进行了建模和仿真.仿真分析结果验证了基于变论域的自校正模糊PID控制对FAST节点位移控制的可行性.     

深基坑墙体位移的神经网络动态预测

针对基坑工程变形监测预报的重要性,将神经网络技术用于深基坑工程的变形预测,并用ＶＣ＾＋＋语言加以实现,最后用实例论证了神经网络方法用于基坑工程变形预测的可靠性和实用性。     

基于BP神经网络在坝体水平位移预测中的研究

利用大型软件MATLAB中BP神经网络对坝体位移进行预测。利用大坝正常运作时的观测数据,训练BP网络,用它对坝体水平位移进行有效预测,可以辅助判断实测值正确与否。这要比运用ANSYS等大型有限元软件对坝体建模计算得出位移值方便,同时根据预测的位移值及其变化情况监测大坝的健康运作与否。     

遗传神经网络方法预测地下工程位移演化规律

提出并分析了一种用于隧道和地下结构位移演变预测预报的遗传神经网络方法·应用遗传算法优化传统的神经网络结构,避免了人为选择网络结构的盲目性,较好地解决了神经网络结构选择问题,同时提高了网络学习的效率和推广预测能力;利用这种非线性智能识别新方法,预测下步施工位移变形量,并与工程中监测到的历史数据进行对比分析,以便工程技术人员据此及时调整和优化施工步序,维护地下结构的稳定性·工程实例分析表明,该方法随着样本的积累,预测精度不断提高,并具有实时性的优点,具有广泛的应用前景     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

基于小波神经网络理论的边坡位移预测

研究边坡位移混沌时间序列的预测,利用混沌系统的相空间重构理论,提出基于小波神经网络的边坡位移预测方法.通过计算表明,该方法与其它方法相比可避免误差曲面局部最小,网络节点少,参数确定较为容易,学习效率高,收敛速度快,自适应性强,精度高等优点,为边坡位移预测提供了一种可行的、新的探索途经.     

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。本文提出了一种基于鲸鱼优化卷积神经网络(convolutional neural networks,CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network,BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm,WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入到BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明,本文提出的模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(RMSE)下降了0.0305mm。     

进化BP神经网络的围岩位移预测

利用遗传算法,在BP神经网络模型的基础上, 从连接权、网络结构和学习参数等三方面进行了进化,得到了进化BP神经网络模型,并在VC 6.0平台的基础上自主开发了遗传算法进化BP神经网络预测系统,且采用十进制编码.将该系统运用于通渝隧道围岩预测中,其预测结果表明,进化的BP神经网络模型在训练时的迭代次数比未进化的BP神经网络模型下降了约9倍,提高了运算的效率,其预测结果也较准确.     

神经网络组合模型在大坝位移预测中的应用

为了提高大坝位移量预测的精度,引入了粒子群优化神经网络的组合预测方法。该组合预测方法以灰色GM(1,1)、回归分析法的预测值及预测结果的平均值作为输入,实际的大坝位移量作为输出,来进行非线性组合。实例表明,粒子群优化神经网络组合预测法的均方误差为1.1946,平均绝对误差为0.7814,均小于单一模型及等权平均模型的相应值,适用于大坝位移量的预测。     

FAST瞬时抛物面变形策略优化分析

五百米口径射电望远镜(FAST)反射面采用柔性索网作为主体支撑结构,根据拟定的变形策略要求,通过促动器连接下拉索控制主索节点变位实现巡天观测。变形策略参数值的不同会影响索网节点位移量。因此,本文基于数值计算软件Matlab建立主索节点变位数值模型,分析不同变形策略下主索节点径向、经向、纬向的位移量,在分析现有的三种变形策略的基础上,探索新的合理变形策略降低综合位移量,提高索网运行的可靠性。     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

基于神经网络的桥下开挖竖向位移预测

基于BP神经网络方法,对桥下开挖的竖向变形作了预测.从不同土层的土的参数敏感性分析结果可知,竖向位移只对首层土的参数变化很敏感,由此建立了桥下开挖竖向位移预测的神经网络,其控制参数为首层土的粘聚力、内摩擦角、弹性模量、泊松比、开挖深度和开挖长度.选用B-R方法进行迭代计算,并对建立的神经网络进行验证,结果表明该模型的预测准确度较高.     

基于自适应神经网络的调频调幅信号预测

线性调频信号在雷达和声纳探测上有着广泛的应用,利用自适应神经网络理论对线性调频信号的预测进行了研究,建立了自适应神经网络预测控制模型．在Matlab里进行了仿真,从图上可以看出,尽管在预测的初始阶段误差较大,但经过一段时间后,误差几乎趋于零．结果表明自适应神经网络能较好地对线性调频信号进行预测．     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

基于改进神经网络的GDP时间序列预测

由于GDP时间序列具有线性和非线性的特征,神经网络(NN)方法和集成预测方法等在预测分析时可能产生较大误差.以GDP的年增长率作为神经网络的输入,建立基于BPNN的GDP预测模型.利用此改进BPNN模型对我国的GDP进行预测和验证,并分别与ARIMA-BP集成模型及BPNN模型进行比较.结果表明,改进的BPNN模型预测...     

基于神经网络的集装箱运量预测

概述了神经网络的有关理论。研究了神经网络结构设计的步骤,方法及应注意的问题,应用神经网络技术对上海港集装箱运量进行了预测,并与灰色预测结果进行了比较。结果表明ＢＰ网络的预测精度高,是解决高度非线性系统预测问题的有种有效的方法。