基于支持向量机方法的砂土地震液化分析

提出了砂土地震液化分析的一种新方法，即支持向量机方法。该方法根据有限的学习样本，建立了各种影响因素和地震液化之间的一种非线性映射，可以对砂土在地震条件下的液化进行分析。基于已有的砂土地震液化资料，采用支持向量机模型，对国外地震现场实例进行了预测，网络输出结果与实际情况十分吻合。实例研究表明，支持向量机方法用于预测砂土地震液化是有效而可行的。     

砂土液化的神经网络识别

根据人工神经网络的一种典型模型──反向传播模型，结合专家的经验，建立了砂土液化识别的自适应模式。该法可直接求出砂土的抗液化临界强度．依此可直接进行砂土液化识别。     

基于神经网络模型的砾性土液化预测

在2008汶川地震中出现了大量砾性土的液化现象。为研究砾性土的地震液化特征,以汶川地震中获取的砾性土液化实测数据作为样本,选用地震烈度、地震峰值加速度、砂砾层深度、地下水位、有效上覆应力、剪切波速共6个诱发因素作为砾性土液化的评价指标,通过大量数据训练和参数分析建立了基于多层感知(MLP)和径向基函数(RBF)两种神经网络的砾性土液化预测模型,进而分析了各因素对准确预测砾性土液化的重要性。结果表明,两种模型对砾性土的液化都有较好的预测能力,当隐藏节点数大于10时,RBF网络的预测最大准确率可以达到100%,稍好于MLP网络;在6个评价指标中剪切波速对预测砾性土液化准确性最为重要。     

路基砂土液化势的灰色三角白化权函数聚类方法

借鉴灰色系统理论,将砂土液化与其影响因素之间的关系作为灰色系统,提出采用灰类白化权函数聚类的预测方法对砂土液化势进行预测。分析影响砂土液化的因素,选取震级M、地面加速度最大值gmax、标准贯入击数N63.5、比贯入阻力ps、相对密实度Dr、平均粒径D50和地下水位dw这7个实测指标作为砂土液化势预测的主要影响因子,并构造适于砂土液化势预测的各聚类指标的白化权函数,同时引入信息熵理论确定各指标的权重,采用本文提出的方法对16组唐山大地震震害资料对模型进行评价,利用广东省三水市部分地区的9组砂土液化实例进行仿真测试,并与工程实际结果进行对比。研究结果表明:所提出的基于灰类白化权函数聚类的砂土液化势预测方法具有较高的预测精度,准确率达90%。     

基于模糊综合评判的砂土液化判别

为了对砂土震动液化势进行预测,采用模糊综合评判理论建立了砂土液化可能性的模糊综合评判数学模型.选取标准贯入锤击数、地下水位、地震烈度、粘粒含量等4个实测特征指标作为模糊综合评判的因素集,对4个因素构造了相应的隶属函数,建立模糊关系矩阵,并依据4个因素在判别中的不同作用,拟定了对应的权重,运用N(·,+)算子对模糊矩阵进行运算,依据评判等级进行最终判别.通过对历史地震中砂土液化的实测数据进行综合评判验证,获得了非液化的判别正确率为85％,液化判别正确率为88％的较好结果.研究结果表明,模糊综合评判方法可有效地预测砂土液化势,可以作为砂土液化预测的方法之一.     

动荷载作用下砂土液化特性的研究进展

总结了有关砂土液化的研究成果，主要包括砂土的液化机理、砂土液化的判别方法、砂土中孔隙水压力的发展模型以及室内和室外原位测试技术，并对将来的进一步的研究提出了一些建议和展望.     

基于BP神经网络的砂土液化影响因素的综合评估

为了充分考虑影响砂土液化的多种因素,选取不同的参数组合,建立不同的砂土液化判别BP神经网络模型,编写了饱和砂土液化判别BP神经网络程序SLV,并根据现场实测资料进行计算和分析.结果表明,地震作用是液化的直接原因,砂土处于饱和状态是液化的前提条件,影响液化的主要因素包括标准贯入锤击数、砂土不均匀系数以及地震剪应力比.文中建立的BP神经网络模型具有高度的分类和识别能力,可用于评估砂土液化的影响因素.     

一种改进的RBF神经网络对县级政府编制预测

针对未来政府编制总量的预测,提出了一种改进的RBF网络算法,通过引入GCV准则进一步优化宽度参数σ;同时,对RBF网络进行子网络化处理以优化网络性能.实验结果表明,采用改进的RBF网络模型能够进一步提高网络的拟合精度,比传统的编制总量预测方法误差更小,预测精确度更高.     

概率一致假想地震及在砂土液化小区划中应用

对文献提出的用点源模型确定假想地震的方法作了进一步的改进和补充，给出了用断层破裂模型确定想地震的方法，并首次尝试运用概率一致的假想地震进行砂土液化的评估，为进行以概率为基础的砂土液化小区划找到了一条捷径。     

砂土地震液化的概率分析

假定地震过程为零均值平稳高斯过程，土料的非线性特性符合Ｈａｒｄｉｎ－ Ｄｒｎｅｖｉｃｈ双曲线模型，将地震砂土液化过程模拟为随机荷载作用下的累积损伤过程， 建议了分析砂土液化的概率方法。应用这一方法，对日本新泻地震砂土液化实例进 行了广泛检验．所得结果与实际震害现象符合良好，表明本文方法简便实用，结果可 靠，为更合理地进行砂土液化分析提供了一条新的途径。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

P-C-R模型构建及应用

针对目前预测模型精度低的问题,提出将主成分分析、聚类分析用于RBF神经网络预报建模,从而克服大样本数据提取的困难,使得指标的选取能更全面地反映状况,有效地缩减RBF网络的输入节点数并提高模型的预报精度。利用MATLAB的神经网络工具箱,实现了神经网络训练和仿真验证。仿真结果表明,该模型有较高的预报能力。提出的基于主成分分析和聚类分析的RBF网络预报模型---PCR模型为研究预报提供了一个新的思路和方法,并为其他领域的建模研究开阔了思路,具有一定的理论价值和的应用价值。     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数（RBF）神经网络的烧结终点预测模型。该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值。通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法。