基于神经网络的模糊控制

从最优化角度出发，用神经网络解决模糊控制系统的规则提取问题，给出了可靠的基于ＢＰ算法的神经网络学习过程。讨论了模糊子集个数的选取与系统复杂性、精确性之间的关系。     

露天矿边坡稳定性预测的人工神经网络模型

利用人工智能中的神经网络原理和方法,建立了露天矿顺层边坡稳定状态预测的神经网络模型,描述了矿山边坡稳定指标与其影响的非线性映射关系,提出了露天矿边稳定性预测的神经网络原理和方法。     

人工神经网络在矿藏预测中的应用

将人工神经网络方法应用于矿藏预测，本文介绍了该方法的原理和计算步骤，报道了应用人工神经网络方法评价化探异常。特征变量包括化学成分Ｃｕ，Ｓｎ，Ｍｏ，Ａｓ，Ｓｂ，Ｎｉ，Ｐｂ以及物理和地质变量，训练样本的分类正确率达１００％，据此模型预报了若干矿点为铅矿区，将人工神经网络的预报结果和模式识别结果作了比较，并讨论了它在地质勘探中应用的若干特点。     

神经网络在岩石边坡稳定分析中的应用

本文建立了岩石边坡稳定分析的神经网络模型,并用2 2个样本对其进行了训练,预测了4个样本,预测值与实际值的结果表明用神经网络进行边坡稳定分析是可行的。     

基于小波神经网络的某边坡预测研究

边坡的地表位移监测是滑坡安全监控中的重要内容,对监测资料进行及时、合理和有效的分析,获取滑坡变形规律和安全状况是滑坡监测的重要工作之一。文章将基于BP算法的小波神经网络预测模型引入变形监测预报中,对工程实例进行了预测。结果表明小波神经网络预测可以取得良好的效果,且自适应预测能力较强。     

人工神经网络在海运量预测中的应用

人工神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的数学模型,广泛应用于自动控制、模式识别等领域.本文首先简单的介绍了人工神经网络的相关理论,接着重点分析了BP神经网络预测应用的基本原理,并通过某货物海运量的实例建立BP神经网络时序模型预测未来运量,最后对预测结果和BP网络结构性能进行分析.     

基于PSO-RBF的边坡安全系数预测

传统的径向基函数(RBF)神经网络在边坡稳定性预测中已经得到了广泛的应用,但由于其在预测中易陷入局部最优且参数选取不当会对收敛性产生影响.故引入粒子群算法(PSO)对RBF神经网络进行优化,利用其全局搜索能力对RBF神经网络的隐含层基函数中心值、宽度以及隐含层至输出层的连接权值进行参数寻优,建立了基于PSO-RBF的边坡安全系数预测模型.以114组边坡数据为训练样本,8组边坡数据为测试样本,结果显示基于PSO-RBF网络预测结果的最大误差为7.36%、最小为0.18%、平均误差为3.77%,而基于单纯RBF网络的预测结果的相应误差分析别为11.04%、1.34%、6.19%.可以看出,前者的预测结果明显优于后者,表明经粒子群算法优化后的RBF在预测精度上有了明显的提高.     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

神经元网络在预测边坡地震稳定性中的应用

边坡的地震稳定性预测是一个较为复杂的问题,边坡的岩土特性、地形、地震强度、地震地质条件及降雨量的大小等因素都对其起作用。本文 试图用神经元网络的方法建立这些因素与地震稳定性的关系,并利用此关系对边坡地震稳定性进行预测。对滑坡 实例的分析表明,这种方法是有效的。     

基于强度折减有限元法的土质边坡稳定性分析

将强度折减有限元法与ABAQUS软件相结合,借助ABAQUS的强大非线性功能和丰富的单元库,建立了平面破坏型边坡有限元分析模型.充分利用ABAQUS软件强大的后处理功能,动态显示广义塑性应变和塑性区的开展情况,以塑性区的贯通作为判据,通过不断调整折减系数确定最终安全系数,以此对边坡稳定性进行判定.通过实例验证了其计算结果和极限平衡法具有较好的一致性,它表明该法是合理可行的,为快速有效地分析边坡稳定问题提供了一种思路.     

岩质边坡可靠性的神经网络估计

针对岩坡可靠性分析中存在的问题,提出了运用神经网络预测岩坡可靠性的新方法,并构造了相应的神经网络模型,预测结果表明,该模型具有很高的预测精度,能够满足实际工程需要。     

基于人工神经网络的井泉滑坡稳定性

针对组成边坡的地质条件、岩土体物理力学性质等因素的不确定性、模糊性特点,为了解决准确预测边坡稳定程度的问题,利用人工神经网络技术,在边坡稳定性评价方面进行了探索,建立了一种把人为因素降到最低程度、融定量与定性指标于一体的边坡稳定性综合评价模型,并应用该模型对井泉滑坡工程实例进行了分析。分析结果表明:该模型对井泉滑坡的安全系数与边坡状态判断准确,与实际情况吻合。该模型在边坡稳定性评价方面具有重要的工程应用。     

基于模糊神经网络的城市排水预测

海绵城市的建设具有重要意义,如何更好地预测城市排水量成为一个关键点。针对城市排水的波动性和非线性特征,提出一种基于模糊神经网络预测的城市水量预测算法。首先,采用灰色模型构建城市排水预测模型,并基于海绵城市的概念建立客观预测回归函数。其次,通过设置断点来构建滑动窗口,并实时分割灰色模型的数据,以获得数据的实时统计特征,通过构造序列误差预测和压缩比之间的函数,并使用误差预测序列来确定分割点,以提高检测过程的鲁棒性。最后,通过城市排水预测模拟实验,表明所提出的算法能够有效提高城市排水的预测精度和预测效率,更好地反映了整体趋势。     

一种基于模糊神经网络的ncRNA基因预测方法

提出了一种基于模糊神经网络的ncRNA基因预测方法.该方法由预处理、具有结构学习的模糊神经网络预测器、后处理3个部分组成.预处理模块将比对后的输入序列进行滑动窗处理,并顺序提取有效的特征信息.模糊神经网络预测器采用了基于Takagi-Sugeno模型的5层模糊神经网络结构,通过输入层、模糊化层、点火强度层、归一化点火强度层、输出层的计算,得到预测结果;并进一步给出了一种模糊神经网络的结构学习算法,可有效地降低参数空间的维度,提高计算效率,并避免过学习情况的产生.后处理过程可对有交叠的预测结果进行拼接.实验结果表明,较之其他预测工具,本方法的ncRNA基因预测精度有所提高.     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

模糊神经网络局部通风机调速控制器

为提高煤矿局部通风机的调速能力,采用模糊控制与神经网络技术,设计了局部通风机智能调速控制器。该控制器由瓦斯检测、风速检测、模糊神经网络控制器、变频调速器和局部通风机五部分组成,采用多层前向神经网络输出控制量。仿真结果表明：通风机速度曲线与实际电机速度曲线误差很小,模糊控制与神经网络的结合能够克服传统线性和非线性控制的缺点,较好地实现煤矿局部通风机的调速,提高了系统的鲁棒性。     

基于模糊神经网络分类器的精馏塔温度控制器设计

文章对精馏塔温度控制中所遇到的参数耦合严重、非线性高、数学模型难以建立的问题,提出了一个基于模糊神经网络分类器的控制方案,以精馏塔温度、流量、液位作为输入,导热油阀门开度作为输出,通过对人工操作的自适应学习和模糊化处理,实现对精馏塔温度的智能控制。实验结果表明,该方案能够模仿人工操作,智能学习的精度很高。     

基于神经网络的多参数露天边坡稳定性分析

针对分析露天边坡稳定性的参数的不确定性和不完备性,精确分析方法在表达边坡系统各组成部分之间的非线性关系上有其局限性问题,依据神经网络建立的数学模型,采用神经网络的学习方法,对露天边坡进行稳定性评价。计算结果表明:边坡实际状态和预测结果十分相近,因此运用神经网络模型评价黄土地区边坡的稳定性有较好的适用性,该方法对露天边坡稳定性预测预报具有重要的理论意义和实用价值.     

带动态因子调整模糊神经网络控制器的研究

探讨了将模糊规则的提取和推理转化为人工神经网络参数的确定及神经计算，提出一种具有自学习功能的模糊神经网络（ＦＮＮ），并用因子动态调整逼近法，解决了系统中静态误差和积分饱和等问题．     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法.采用结构辨识和参数辨识相结合的方法,构造模糊系统完善的模糊规则库.用此设计方法对函数逼近问题进行仿真,结果表明该方法具有规则数目少、学习速度快、建模精度高等特点.