基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

基于BP神经网络模型的基坑变形监测分析研究

基坑施工是各类大型地面及地下建筑的重要基础和前提,而随着基坑规模的不断扩大以及施工环境的日益复杂,对基坑各参数的监测和预测显得越来越重要。本文针对基坑变形预测的高精度要求,详细阐述了基坑变形的数据采集要求和预测机理,建立基于粒子群优化算法的改进BP神经网络预测模型,该模型与原始BP神经网络预测模型相比,在收敛速度和目标误差控制方面都实现了明显提升。同时,经过施工现场的实验检验,PSO-BP神经网络预测在预测精度方面,其相对误差和平均绝对百分比误差也明显降低,说明该优化模型有效提升了运算速度、预测精度,能够为安全施工提供有效支持,具备推广应用的价值。     

量子粒子群BP神经网络在GNSS高程转换中的应用分析

提出了一种基于量子粒子群神经网络(QPSO-BP)模型的GNSS高程转换方法,通过建立GNSS点平面坐标与正常高之间的三层QPSO-BP数学模型而实现GNSS高程转换。试验分析结果表明,该方法全局迭代进化搜索能力高、稳健性强、拟合及预测精度高,在GNSS高程转换方面具有良好的有效性与先进性。     

大坝变形监测的粒子群优化高斯过程预测

针对大坝变形数据的非平稳非线性特点,传统预测模型受到了一定限制。鉴于高斯过程(Gaussian Process,GP)对非平稳数据具有高自适应性,考虑到其自身在协方差函数选取以及超参数优化方面存在不足,为提高高斯过程模型的预测精度,文中通过粒子群算法(Particle Swarm Optimization,PSO)优化其超参数并选择最优协方差函数。通过实例验证分析,比较多元回归分析、GP、PSO-GP三种模型在大坝变形监测数据处理中的预测精度,表明大坝非线性预测模型粒子群优化高斯过程算法具有较高的预测精度,是一种有效的大坝变形分析预测方法。     

基于粒子群优化的BP神经网络在GPS高程拟合中的应用

讨论了利用粒子群优化(PSO)算法来训练BP神经网络的权值和阀值的原理,分析了三种GPS高程拟合实例,结果表明PSO-BP模型可以应用于GPS高程拟合中。     

基于小波去噪的BP神经网络在变形监测中的应用

对沉降数据的准确预测不仅可以预知监测目标的变形趋势,还可以避免重大事故的发生.首先采用小波去噪的方法对沉降数据进行降噪处理,然后建立BP(Back Propagation)神经网络预测模型,利用实例数据进行实验验证,同时与未去噪的BP神经网络预测模型对比.实验结果表明,基于小波去噪的BP神经网络预测模型精度较未去噪的B...     

AFSA-BP神经网络在大坝变形预测中的应用

经典BP神经网络的初始权值和阈值随机给定,使得训练速度慢、网络易于陷入局部极值。引入具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP网络的权值和阈值,建立了基于AFSA-BP神经网络的预测模型,并对大坝的实测资料进行了实证分析。与经典BP神经网络预测模型的预测结果比较表明:AFSA-BP神经网络模型不仅训练速度快,而且预测精度明显提高,是一种较好的大坝变形预测模型。     

BP小波神经网络在地铁隧道变形分析中的应用

利用小波分析能够逼近非线性连续函数和良好的局部化特性对BP神经网络模型进行改进。结合BP神经网络的非线性映射和容错性等优点,将小波分析和BP神经网络相结合,并将其应用于变形监测的数据分析处理。本文通过BP神经网络模型和BP小波神经网络模型分别对样本数据进行分析处理,并对结果进行对比,验证BP小波神经网络模型的优越性。     

基于小波去噪的BP神经网络在变形监测中的应用

在变形监测领域中,对沉降数据的准确预测能够提前获悉检测对象的变形趋势,避免事故发生.原始监测数据普遍含有异常值,从而会对预测模型精度造成一定影响,降低预测结果的准确性.以BP(Back Propagation)神经网络为基础,采用小波去噪的方式针对剔除和插补原始数据中的异常值,分别建立去噪前后BP神经网络预测模型,并利...     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

小波分解AR-BP网络模型在大坝垂直位移预测中的应用

针对大坝内部垂直位移数据序列不仅具有周期性、平稳性,且在频域上存在高、低频,显著的多尺度等特性,本实验利用多尺度小波分析的原理与方法对数据序列进行分解,对低频序列和高频序列分别建立AR模型和BP神经网络模型并进行预测,最后叠加各个序列的预测值,得到数据序列的预测结果。该方法适用于大坝垂直位移的预测,结果与自回归模型及单BP神经网络模型相比,该模型具有更高预测精度。     

粒子群算法在概率积分法沉陷预计模型参数反演中的应用

针对开采沉陷预计模型参数反演所存在的算法复杂、计算量大等缺陷,将粒子群算法引入到概率积分法开采沉陷预计模型参数反演中。研究粒子群算法反演概率积分法预计模型参数的基本原理、编码方法及适应度函数的构造方法,同时结合河北省某煤矿的实测数据,以下沉拟合值与实测值的中误差作为反演精度的评价标准对算法进行实例验证,对提高开采沉陷预计的精度有一定的参考实用价值。     

粒子群优化神经网络的土壤有机质高光谱估测

针对提高土壤有机质高光谱估测精度的问题,该文对山东省泰安市的92个棕壤样本进行光谱去噪,剔除异常样本处理后,对光谱反射率进行11种变换,发现一阶微分变换最佳;然后计算土壤有机质含量与变换后光谱反射率的相关系数,选取5个特征波段,分别利用多元线性回归、BP神经网络、支持向量机、粒子群优化神经网络4种方法建立土壤有机质含量高光谱估测模型并进行精度比较。实验结果表明,多元线性回归、BP神经网络、支持向量机和粒子群优化神经网络模型的决定系数R2分别为0.520 3、0.665 4、0.735 0和0.853 0,均方根误差分别为2.12、1.99、1.45和1.08。研究结果表明,粒子群优化神经网络的反演精度高、稳定性强,可有效提高土壤有机质的光谱估测能力。     

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。     

利用粒子群算法的小波神经网络探讨

小波神经网络(WNN)具有较强的逼近和容错能力,并具有良好的收敛性和鲁棒性。然而其网络收敛速度慢、搜索成功率低和易陷入局部极小值等缺点使得传统的小波神经网络难以得到广泛应用。本文介绍一种基于粒子群(PSO)算法的小波神经网络,其通过利用种群间信息共享进行寻优,以获得结构化的神经网络,克服了传统小波网络的诸多缺点,结合工程实例,检验了其具有较好的适用性和可靠性。     

基于神经网络的DEM趋势面逼近与分析

趋势面从宏观上揭示研究对象的特性,在各领域发挥着重要作用.神经网络可以对复杂系统进行无限逼近,进而进行预测.基于贝叶斯正则化BP神经网络和RBF神经网络对DEM趋势面进行逼近,并与二次多项式建立的DEM趋势面进行比较分析,证明该方法的可行性和有效性.     

灰色-马尔科夫模型在大坝内部变形预测中的应用

传统的灰色-马尔科夫模型一般都是等时距的。针对样本不能满足等时距的需要,通过一定方法将样本等时距化,用多变量灰色模型MGM(1,n)与马尔科夫转移矩阵相结合对等时距样本进行建模,建立非等时距的灰色-马尔科夫模型。文中结合某大坝内部水平位移实测数据,用此模型进行建模。结果表明,灰色-马尔科夫模型不仅比灰色模型的拟合精度高,而且提高了预测精度。     

模拟退火粒子群与小波的地基沉降预测应用

针对粒子群优化算法易陷入局部极小值问题,改进学习因子使其自适应调整,并与具有良好全局搜索能力的模拟退火算法结合,充分利用两种算法各自的优点,同时结合小波分析去噪,优化神经网络参数,对地基累计沉降数据进行预测,并与标准粒子群优化算法做了对比,实验表明两种方法的结合具有良好的全局和局部搜索能力,预测精度高。