等维BP神经网络在沉降预报中的应用研究

为解决神经网络在沉降预报应用中的局限性,结合灰色理论等维信息策略和BP神经网络建模思想,利用数据序列本身构建训练样本,建立等维BP神经网络预报模型,并利用数学工具MATLAB编程实现,进行实际的变形预测,通过与灰色理论GM(1,1)模型的预报效果进行比较,表明该等维BP网络模型具有更高的预报精度,可以达到更好的预报效果。     

BP神经网络与多项式拟合在沉降监测中的应用

采用BP神经网络和多项式拟合的数据处理方法并在MATLAB中编程实现,将两种模型在隧道沉降监测与预报中的可行性和精确性进行对比,得出两种模型的适用范围和预报精度。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

BP神经网络在高层建筑沉降预测中的应用

利用人工神经网络强大的非线性映射和学习能力,提出了基于BP人工神经网络的建筑物沉降预测方法。以某实例工程1期～12期的沉降观测数据为基础,建立网络模型,并对13期～l6期实际观测值与预测值进行了比较,结果比较理想,从而验证了改进的BP人工神经网络对建筑物的沉降预测是可行的,且具有广阔的工程应用价值。     

基于BP神经网络的建筑物沉降预测模型研究

人工神经网络(ANN)是一个拥有高度非线性映射能力的计算模型,有较强的动态处理能力。在对其进行研究的基础上,利用MATLAB建立BP神经网络的建筑物沉降预测模型,指导建筑物的沉降预警工作。通过将建筑物沉降的实测数据和模型的预测数据进行对比分析,发现两者间的误差相对较小,预测模型能很好地反映建筑物沉降的发展趋势,对于建筑物沉降预警工作有着极其重要的意义。同时,研究结果也证明了BP神经网络预测模型具有较高的精确性和稳定性,可以在类似工程中加以应用。     

基于BP神经网络的矿区地表沉降预测研究

BP神经网络具有非常强的非线性映射能力,广泛应用于分类识别、逼近、回归、压缩等领域。本文基于BP神经网络的理论基础,利用某矿区地表沉降观测点1~10期的实测沉降数据资料,结合MATLAB建立针对矿区地表沉降的预测模型,并预测其11~15期的沉降情况。通过将预测值与实测值进行对比,分析预测模型精度,结果表明BP神经网络用于矿区地表的沉降研究是可行的。     

一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型

提出一种基于马尔科夫链修正的遗传BP神经网络预测模型（GA-BP-MC）,利用遗传算法的全局寻优能力初始化BP神经网络权值和阈值,初步建立GA-BP神经网络预测模型,结合马尔科夫链的无后效性修正模型预测值,形成高精度GA-BP-MC神经网络变形预测模型。结合高铁桥墩沉降数据,分别与BP神经网络、GA-BP神经网络预测模型进行对比,结果表明,该预测模型精度最高。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

基于神经网络的变形预报方法研究

对BP,RBF,Elman 3种神经网络模型进行了简要概括,将其应用于实际工程案例中,经过多角度综合分析,验证了3种模型进行变形预报的可行性,同时得出对实际工程具有指导性意义的结论。     

回归分析和BP神经网络在地表沉降监测中的应用

采用回归分析法中的曲线拟合法和BP神经网络模型的数值处理方法,对比两种方法在预测地表沉降中的有效性和准确性,对提高信息预测的精度和准确度有着积极的作用。     

BP神经网络模型在采水地面沉降中的应用研究

随着我国各项建设对水资源的需求越来越大,导致由地下水开采而引起的沉降问题成为当前研究的热点课题。本文对某矿区采水地面沉降进行了模型设计,通过对部分实测数据的训练,优选出该模型的网络结构和网络参数,并且用Matlab软件编程实现对其他监测点的计算和预测。通过研究表明本文所建立的BP神经网络模型能较准确反映采水地面沉降的规律,同时也能较准确地预测地下水开采引起的地面沉降。     

顾及不确定因素的GA-BP神经网络在路基沉降预测中的应用

BP神经网络初始权值和阈值输入不同,将导致BP神经网络预测不稳定,精度也不是很高.通过遗传算法（GA）对BP神经网络的初始权值和阈值进行优化,能很大程度上提高预测的精度,但是,由于输入层不可能将影响输出的所有因素都包含在内,而这些没有考虑到的因素势必影响预测结果.文中将这些无法得知的不确定因素当做一个综合影响因素,定义为X因素,在建立模型时加以考虑.实验结果表明,这种顾及不确定因素的GA-BP神经网络模型能进一步提高预测精度.     

BP神经网络在GPS导航中的应用

Kalman滤波常用于GPS动态数据的处理,由于系统存在的不确定性和非先验性,导致滤波产生较大的估计误差,甚至发散。介绍了BP神经网络算法及其非线性逼近能力,并基于BP神经网络的非线性逼近性能设计了BP神经网络进行GPS导航的新算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹,其导航解具有良好的精度和可靠性。     

基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

基于BP神经网络的地图数字化误差纠正

由于在数字化采集过程中不可避免地会引入系统误差和异常误差,因此消除和削弱这些误差的影响是提高空间数据质量的关键。然而由于图纸变形不均匀,扫描误差又极其复杂,用常规的多项式拟合技术只能消除部分有规律的系统误差,很难完全消除它们对地图数字化坐标的影响。BP神经网络是一个高度非线性映射系统,能以任意精度逼近。结合地图数字化坐标改正的特点,本文给出了基于BP神经网络地图数字化坐标误差纠正的方法,并通过实例验证了该方法的有效性。     

基于神经网络的大坝位移模型分析

结合某大坝工程实测数据,建立该大坝位移量和相关因子的逐步回归模型和神经网络模型,并对两者模型结果进行比较,结果表明神经网络方法在大坝变形分析和预报方面效果良好。     

基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。     

BP神经网络拟合区域似大地水准面的应用分析

针对区域重力似大地水准面与GPS/水准数据可能受系统误差影响而降低计算精度的问题,采用BP神经网络拟合区域似大地水准面,削弱系统误差等因素影响,提高区域似大地水准面的拟合效果。分析BP神经网络进行区域似大地水准面拟合的局限性。使用不同区域范围的数据进行验证,结果表明BP神经网络在控制区域内能够较好地逼近实际似大地水准面,而在区域之外具有较差的外推能力。