LSTM神经网络模型在GPS变形监测中的应用研究

为提高GPS变形监测在工程应用中的精确度,研究LSTM神经网络在变形监测中的作用。分别利用建立的GM(1,1)模型和LSTM神经网络模型对GPS变形监测工程案例进行应用分析,与GM(1,1)模型相比LSTM神经网络模型预测误差降低幅度可达58%,相对误差降低幅度可达62%,RMSE值降低幅度为66%,结果说明LSTM神经网络模型较GM(1,1)模型有更高的预测精确度,预测结果更接近实际测量结果,深度学习的方法之一LSTM神经网络模型在GPS变形监测中有很高的应用价值。     

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。     

SSA与BP神经网络在地铁沉降监测中的应用

邻近区域施工,致使地铁沉降呈现复杂的非线性变化。对此,采用奇异谱分析(SSA)和BP神经网络对地铁结构进行分析与预测。通过SSA重建趋势序列和周期序列,分析地铁结构变化的趋势与周期波动;利用BP神经网络对重建趋势序列与时间序列分别进行预测。以上海9号线地铁沉降监测数据为例,提取趋势序列与周期序列进行分析及预测,实验证明了利用SSA对地铁监测序列进行分析以及利用BP神经网络对成分序列进行预测的可行性。     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测，提出了一种基于经验模态分解算法（empirical mode decomposition，EMD）优化非线性自回归（nonlinear auto regressive，NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律，为此使用了基于时间序列的NAR动态神经网络，该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型，以此来减少预测误差，提高预测精度.结果显示，EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测，预测精度可达93%，具有较好的应用价值.     

改进型灰色神经网络模型在水质预测中的应用

介绍了三类改进的灰色模型和BP神经网络。将三类改进的灰色模型与神经网络进行组合,得到改进型灰色神经网络组合模型,将一维序列通过三个改进的灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构。将组合模型应用到嘉陵江磁器口断面总磷浓度的预测中,结果表明:(1)用该组合模型进行预测,相对误差均在5%以下,预测精度较高,取得了较理想的预测效果;(2)WPGM(1,1)、pGM(1,1)、CGM(1,1)、组合模型预测的平均相对误差分别为5.05%、34.01%、33.65%、3.02%,与单一灰色预测方法和灰色神经网络模型相比,组合模型的适应能力和预测推广能力更好,预测精度更高。     

基于MEA-BP神经网络的PM_(2.5)质量浓度预测模型

为了解决PM_(2.5)质量浓度预测精度不足的问题,提出一种基于思维进化算法(MEA)优化的BP神经网络的PM_(2.5)质量浓度预测模型。该模型利用MEA所拥有的趋同和异化操作对BP神经网络的初始阈值和权值进行优化。以南京市每小时监测的PM_(2.5)和其他空气污染物的质量浓度数据为例,利用MEA-BP模型进行预测,并与未经过优化的模型进行对比。实验结果表明,优化后的模型能够有效避免BP神经网络易陷入局部最优解的问题,提高了预测的精度,为PM_(2.5)质量浓度的预测提供了一种新的参考方法。     

基于GA-BP神经网络模型的大坝裂缝预测

常规的BP神经网络由于初始权值和阈值问题,在对大坝裂缝开度进行预测时精度普遍不高。为此,本文首先引入遗传算法(GA)对BP神经网络进行优化,构建了GA-BP神经网络预测模型,然后分析实测资料,发现库水位、温度显著影响裂缝开度,最后将这两个因素作为网络的输入变量,利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得,通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络,本研究可为大坝的安全运行管理提供一种技术方法。     

基于MIDAS的地铁隧道开挖对邻近建筑物的变形影响分析

地铁隧道规划往往会经过城市的繁华地段，不可避免的对邻近既有建筑物造成影响，如何有效控制地铁开挖过程中引起的建筑物变形沉降问题一直是研究的重难点。以南京地铁7号线为例，采用MIDAS数值模拟软件建立三维地质模型，首先分析地铁隧道开挖对既有建筑物的影响，后依次对三台阶法和交叉中隔墙(CRD)法开挖引起围岩变形进行研究，最后对隧道完工后的监测点曲线进行变形分析。结果表明：地铁隧道开挖穿越邻近建筑物这一过程，离隧道近的建筑物基础点沉降量很大，而离隧道远的建筑物基础点沉降量相对较小，由沉降差可知为不均匀性沉降；相比于CRD法，采用三台阶开挖法能有效降低隧道开挖处的拱顶沉降，提高隧道围岩的安全稳定性。由于隧道开挖导致围岩应力迅速释放以及初期支护效果的滞后性，相比于隧道周边收敛点变形而言，拱顶处的变形幅度则更大。     

样本量变化对上证指数预测精度的影响——基于MATLAB的BP神经网络模型的预测分析

选取具有不同变化特征的两个时段的上证指数每日收盘价为研究对象,使用基于MATLAB的BP神经网络模型,分别预测最后10个交易日的每日收盘指数,并对预测精度进行对比。结果表明,在同一个BP神经网络中,增加输入样本个数确实有助于提高短期预测的精度,但样本区间的选择是关键,时段内的样本应具有大体相同的变化趋势。当样本量变化时,调整网络模型结构也有助于提高短期预测的精度。对于深受政策影响的中国股市而言,将人工神经网络用于股市的短期预测更有意义。     

基于PSO的BP神经网络纱线条干CV值预测研究

本文简要介绍了BP神经网络所用的BP算法,针对BP算法的不足之处,采用粒子群优化算法作为BP网络的学习训练函数,优化BP网络的训练速度和精度,建立了基于PSO的BP网络模型。同时,将这种优化后的BP网络模型应用于纱线条干CV值预测技术中,验证了该网络模型的性能。     

基于CPSO-BP神经网络的PM_(2.5)浓度预测模型

为了提高大气中PM_(2.5)浓度的预测精度,采用平均影响值(MIV)算法筛选出对大气中PM_(2.5)浓度有影响的主要变量,并依次作为神经网络输入变量。利用混沌粒子学(CPSO)算法修正BP神经网络初始权值和阈值,优化BP神经网络机构,以达到提高预测模型精度的目的。以2017年西安市PM_(2.5)日均浓度数据为样本建立预测模型,实验结果表明:相比于传统BP神经网络,基于CPSO-BP神经网络预测性能更优。     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

BP神经网络与ARMA-GARCH模型在股票预测中的对比分析

考虑到股票价格瞬息万变,波动性强,用BP神经网络与ARMA-GARCH模型对上汽集团收盘价预测.对BP神经网络与ARMA-GARCH模型的股票预测结果进行对比分析,结果表明,在预测未来20d收盘价时,BP神经网络平均绝对误差比ARMA-GARCH模型低31.4%;在预测未来6 d收盘价时,ARMA-GARCH模型平均绝对误差比BP神经网络低7.4%.说明BP神经网络在长期预测中更为精准,而ARMA-GARCH模型在短期预测中具有微弱优势.     

基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型

应用基于主成分分析的BP神经网络和RBF神经网络建立了气温预测模型.通过比较模型的均方误差(MSE)和平均绝对误差(MAE)值可知,采用主成分分析的BP神经网络得到的预测模型的误差小于主成分分析的RBF神经网络预测模型.结果表明,模型采用主成分分析提取了影响因变量的重要因子,去掉了网络输入样本的自变量之间的重叠因子,同时也提高了预测能力.     

基于LSTM-DNN模型的入侵检测方法

针对基于深度神经网络模型的入侵检测方法存在的梯度减弱或消失问题，提出了一种LSTM(Long-Short Term Memory，长短时记忆)神经网络改进的DNN(Deep Neural Networks，深度神经网络)模型．该模型主要包括LSTM神经网络和DNN2部分，LSTM神经网络通过记忆或遗忘进行数据流量特征提取，然后将其输入DNN进行训练、入侵检测．模型中采用优化算法，加快了网络收敛．实验表明，与LSTM模型相比，LSTM-DNN模型具有较好的性能，准确率更高，运行时间更短．     

新陈代谢GM(1,1)模型在现代有轨电车沉降预测中的应用

目前灰色模型在建筑物、边坡、高铁等领域的沉降预测中的应用研究较多,而在现代有轨电车中的沉降预测中应用比较少,并且现代有轨电车在运营阶段的沉降变化量较小。用灰色GM(1,1)模型和新陈代谢GM(1,1)模型对有轨电车筏板的沉降监测点的监测数据进行预测并比较。结果表明,新陈代谢GM(1,1)模型剔除了旧数据,增加了新的预测数据,提高了模型预测精度。验证了模型在现代有轨电车筏板进行沉降预测的可行性,为今后类似情况的沉降监测预测提供参考和借鉴。     

基于影响因素筛选-优化组合模型的隧道变形预测研究

隧道变形监测是其安全施工的必设项目,对其预测研究具有重要意义,但隧道变形影响因素较多,难以直接开展变形预测研究。因此,研究先利用相关系数法评价各因素对隧道变形的影响程度,以确定隧道变形的主要影响因素,并将其作为变形预测模型的输入层信息;其次,再利用RBF神经网络构建隧道变形预测模型,且为保证预测精度,采用试算法和粒子群算法优化隐层节点数及相关模型参数。实例研究表明:相关系数法可很好地评价各影响因素与隧道变形间的相关程度,且不同监测项目的影响因素存在一定差异;同时,预测结果的相对误差均小于2%,说明优化RBF神经网络的预测精度较高,可靠性强,适用于隧道变形预测。     

盾构隧道近距斜交下穿既有地铁车站变形沉降数值模拟分析

【目的】盾构隧道下穿既有地铁车站施工过程对地层的扰动会对既有车站产生影响，为最大限度地降低施工风险，保证既有站的安全及正常运营，需要开展相关研究。【方法】利用MIDASGTS-NX有限元数值模拟软件，以郑州市某盾构隧道下穿既有地铁车站为背景，按照接收端地层加固、左线盾构施工、右线盾构施工的顺序，建立三维有限元模型。【结果】预测施工过程既有站主体结构的变形规律和内力变化，分析计算盾构隧道近距离斜交下穿施工过程对既有地铁车站的影响，将预测结果与实际施工监测数据进行对比，验证了该模型计算结果的准确性及可行性。【结论】研究成果为隧道近距离斜交下穿既有站施工引起的沉降变形提供理论依据，对于指导施工、保证施工安全具有借鉴意义。     

改进GA-BP神经网络在高校教学质量评价中的应用

为了提高高校教学质量评价的有效性和准确性,提出了一种基于混合智能优化算法的教学质量评价模型。引入熵值法客观地确定教学质量评价体系的指标权重及初始评价结果,利用自适应变异的遗传算法(Genetic algorithm)优化BP神经网络(Back propagation neural network)的参数,建立教学质量评价模型。实验结果表明,与BPNN(Back propagation neural network)、GA-BPNN(Genetic algorithm-back propagation neural network)模型相比,预测精度分别提高15.04%和5.41%,收敛速度明显提高,说明基于自适应变异的GA-BPNN教学质量评价模型能够及时有效地完成教学质量评价。     

ANN-CE:一种预测DNA结合位点的改进神经网络方法

基于误差平方和最小原则的神经网络方法并不适于解决DNA结合位点的预测问题,提出了一种改进的神经网络方法(ANN-CE)被用于对DNA结合位点进行预测.这是一个以交叉熵函数为目标函数的三层反向传播神经网络.计算结果表明,与基于误差平方和最小原则的同规模BP网络相比,其对DNA结合位点预测的敏感性Sn(sensitivity)和特异性Sp(specificity)可分别提高11.40%和11.91%.