海堤渗压神经网络分布模型的建立及规律分析

为有效揭示海堤渗压的分布特征,掌握其在临海工作环境下的特殊规律,在利用神经网络建模优点的同时,采用多测点渗压监控信息,并将测点坐标因素加入到输入层,综合前期潮位因子、积分型降雨因子、时效因子,形成海堤渗压神经网络安全监控分布模型结构,以实测信息进行建模训练计算;在获得合理训练结果基础上,根据输入层因子补充插入坐标样本,获得不同位置的渗压模型值及渗压分布曲线.文中以广义回归神经网络为例,结合浦东海堤实测资料,以实例说明以上述方法在神经网络不提供显式的情况下,建立可获得分布曲线的监控模型,并以此对海堤渗压分布规律特色加以分析.     

海堤渗压多测点径向基函数监测模型的建立

为综合多测点监测信息建立海堤渗压预测模型，揭示其受海洋潮位等因素影响的复杂而特殊的变化规律，以径向基函数(RBF)神经网络为建模工具，采用前期潮位因子、积分型降雨因子、时效因子构建模型输入层，对符合条件的多个渗压测点进行综合训练、预测.同时根据海堤渗压特点，对建模中RBF网络的计算中心选取方法加以探讨，进而结合模糊C均值聚类算法确定计算中心.以浦东海堤实测资料实现了该模型建立的具体过程，取得理想效果，并给出了应用建议.     

基于水循环神经网络模型的海堤渗压预测研究

为提高海堤渗压的预测效果,在充分分析渗压影响因素的基础上,提出一种新型预测模型.将具有强大寻优能力的新型算法——水循环算法与神经网络相结合,以相关系数法筛选出的渗压主要影响因子作为模型输入,渗压作为模型输出,利用水循环算法搜索神经网络的最佳权值,建立海堤渗压水循环神经网络模型.通过上海浦东海堤实测信息对该模型进行验证,结果表明,水循环神经网络模型较BP模型具有更快的收敛速度和更高的预测精度.同时,基于等维新息思想,实现模型信息不断更新、渗压实时预测的效果.     

海堤渗压监测因果模型基本结构和因子选择

为揭示海堤渗压规律以及与主要影响因素间的关系，并建立安全监测因果模型、实现对海堤状态的实时监控，以监测数据为基础，对海堤实测渗压、潮位和降雨记录以及存在的因果关系加以分析，确定了海堤渗压因果监测模型的基本结构；采用统计距离比较方法选取合理的初选前期潮位因子，提出反映降雨量和降雨持续作用时间的降雨因子形式，并加入时效因子，以实测数据建立了海堤渗压监控因果模型.结果表明，该因果模型具有良好的拟合、预测效果.     

降雨影响下高边坡渗压神经网络监测模型

为准确揭示高边坡在降雨影响下的渗压变化规律，掌握其安全状态，在降雨作用分析基础上，提出以积分型降雨因子进行边坡渗压分析；以径向基函数(RBF)神经网络为建模工具，构建渗压降雨监测模型结构，并根据高密度采集的实测序列与模糊C均值聚类（FCM）算法进行RBF计算中心的比较选择.应用表明，积分型降雨因子能有效反映降雨的作用，以实测数据建立的渗压监测模型取得了理想效果.     

海堤非稳定渗流场渗透参数反演分析

针对受到快速涨落潮位作用的海堤进行非稳定渗流有限元分析,在此基础上结合实测渗压序列构建目标函数对海堤的渗透参数进行反演研究.反演中采用分层搜索技术,先由逐步扫描法确定出渗透参数一个合理的小区间,再用一阶梯度优化方法在该小区间上进行迭代优化以获得合适的渗透参数.以反演得到的渗透参数进行海堤非稳定渗流数值模拟,算例表明,计算及反演步骤合理可行,模拟计算得到的渗压结果与实测序列在数值和动态变化规律上都取得了理想的拟合效果.     

基于RST-LSTM模型的堤坝渗压动态预测分析

渗透是关乎堤坝安全的重要因素之一.渗压数据分析是研究堤坝运行期渗流安全问题最直接的途径之一.根据堤坝渗压监测值的基本特征,基于粗糙集理论(RST)和长短时记忆网络模型(LSTM),建立RST-LSTM模型结构并编制python程序,实现了渗流影响因素重要性定量化排序、冗余因素的消除以及多因素影响下堤坝渗压值的预测分析.以某面板堆石坝工程渗流监测数据分析为例,进行工程实例验证分析,研究结果表明:(1)该工程渗压值按重要性顺序依次受水位、降雨、温度及时效等因素的影响;(2)本文提出的RST-LSTM模型平均相对误差仅为4. 43%,相比循环神经网络模型(RNN)与BP神经网络模型,RSTLSTM模型具有预测精度高、运算速度快等优点.     

基于神经网络技术的股票频谱分析

根据艾略特波浪理论以及波浪理论中的各参数具有费波纳奇数列关系的特征,分析股票价格波形的特点;运用人工神经网络模型,提出基于波形分解与重构的神经网络预测方法,给出具体的实现过程.研究结果表明:通过波形分解与重构,把原始价格时间序列分解为规律相对简单、不同频率范围内的子波动序列来提高神经网络的预测精度,实现对特征不同的信号选取不同的参数模型进行预测;采用傅里叶反变换拟合出股价波动变化趋势的曲线,以达到预测股价波动变化周期的目的.     

基于Ansys的海堤渗流分析

为掌握潮位快速涨落影响下的海堤渗流特性,结合Ansys二次开发与实测资料进行海堤瞬态渗流研究。提出处理瞬态渗流的初始条件及选取初次潮位的方法,利用APDL语言编制海堤瞬态渗流程序,结合实测数据估算海堤非饱和区的容水度。分析可知,容水度影响海堤渗压曲线,潮位变化对堤身渗流影响由海堤临水侧坡面向背水侧坡面逐渐减弱,浸润线随快速变化的潮位也呈现快速变化的规律,但存在滞后性,滞后性由堤前向堤后逐渐增强。     

基于经验模式分解与LSTM神经网络的短期电价预测模型

在开放的电力市场中,日前电价预测是个重要的研究方向。本文提出了一种基于经验模式分解(EMD)与长短期记忆神经网络(LSTM)的序列电价预测模型,使用EMD提取电价序列中的周期分量与趋势分量,利用LSTM分别对周期分量与趋势分量进行序列预测,输出各分量的预测结果,通过支持向量机回归(SVR)叠加各分量的预测序列生成预测价格序列。最后,以美国PJM电力市场的电价数据为算例,与ARIMA模型、单一LSTM神经网络模型的预测结果进行比较,验证了EMD-LSTM-SVR模型能够提高短期电价预测精度。     

海水入侵三维含水层渗透系数的BP网络逆反分析

为研究复杂地质体海水入侵渗透系数的不确定性,将非线性动力学神经网络用于海水入侵的三维含水层参数的逆反分析,建立了基于监测水头值的海水入侵渗透系数直接识别方法.采用正交设计试验方法进行三维数值试验产生代表性的样本数据,通过误差逆传播学习算法建立多层的神经网络模型,表示观测水头和渗透系数隐式的复杂非线性映射关系,通过观测水头信息直接预测含水层渗透系数.该方法可利用现有的海水入侵三维有限元模拟程序.算例表明该法具有良好的分析精度,可满足工程要求.     

人工智能方法在冠心病诊断中的应用

本文采用人工智能的方法,在诺依曼体系机上模拟人工神经网络,建立疾病诊断模型,并给出实验分析。然后文章提出用遗传算法来优化神经网络结构,从而从整体上提升疾病诊断模型的性能。     

人工智能方法在冠心病诊断中的应用

本文采用人工智能的方法,在诺依曼体系机上模拟人工神经网络,建立疾病诊断模型,并给出实验分析.然后文章提出用遗传算法来优化神经网络结构,从而从整体上提升疾病诊断模型的性能.     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

基于神经网络的大体积混凝土温度预测与控制

大体积混凝土的水化热若不能及时散发 ,会产生很大的温度应力 ,导致出现温度裂缝。为了避免温度裂缝的产生 ,人们必须预测和控制大体积混凝土的温度形成。文章引用“虚厚度”的概念 ,解决了不同边界条件的处理问题 ,通过对各种影响因素的分析并结合 BP神经网络模型的特点提出了大体积混凝土温度预测模型。通过工程实例 ,用 MATL AB语言实现了对大体积混凝土温度的预测 ,说明了人工神经网络方法的可行性和实用性     

结合人工神经网络的冷凝器稳态分布参数模型

为了克服由于实际装置的复杂性及生产工艺的差异对冷凝器稳态仿真精度的影响 ,提高冷凝器仿真模型的通用性和准确性 ,提出了冷凝器基本模型结合人工神经网络的仿真思路 .以相区划分和制冷剂出口焓值迭代为基础 ,提出了一种稳定的逆流型冷凝器仿真分布参数模型和算法 ,建立了冷凝器仿真的基本模型 .其计算结果与实验数据的变化趋势一致 ,能够在定性上反映实际物理过程的基本特性 .通过对部分实验数据的学习 ,进一步建立了与基本模型相结合的人工神经网络 .利用其非线性映射能力进行模型修正 ,显著提高了冷凝器的仿真精度 ,从而为同时提高冷凝器仿真的通用性和准确性提供了一种有效的工程应用方法