饱和粘土本构关系的神经网络模型

基于不同应力中径下饱和粘土的三轴试验和反问题理论，提出了用改进BP神经网络和径向基函数（RBF）神经网络这两种方法来建立粘土的本构模型。实例分析表明，两种模型对具体本构关系都能够很好逼近和预测，比较起来，径向基函数神经网络模型的稳定性好，且逼近速度快，而改进BP神经网络稳定性好，但逼近速度过慢。     

突然开孔对平屋盖结构静动力风荷载的影响

采用刚性模型和气动弹性模型风洞试验,研究迎风面突然开孔对平屋盖结构静动力风荷载的影响.根据试验结果,分析了开孔前后平屋盖结构的平均风压系数、均方根风压系数和风振响应的变化规律,提出了开孔结构平屋盖净风压的计算方法,以及平屋盖风振系数的简化处理方法.研究表明:迎风面突然开孔会大幅增大平屋盖结构的静动力风荷载,在结构设计中必须考虑内外压的联合作用及相应的风致动力效应,但静动力风荷载的比值变化不大,因此仍可沿用封闭结构的风振系数.     

大跨曲面屋盖风洞试验通用数据处理软件的开发

基于Windows平台，开发了大跨曲面屋盖风洞试验数据处理的可视化通用分析软件。介绍了针对脉动风压测试过程中的信号畸变处理方法、风压试验数据的表示形式、积分计算整体和局部气动力系数、软件的界面设计、基本的使用功能以及针对具体结构类型所采用的一些提高试验效率简化试验过程的措施，还采用神经网络方法对已测的风压系数数据进行精细化处理以准确地求取整个屋盖结构风荷载的完整特性。所开发的软件已经受多个大跨屋盖建筑物风洞试验的检验，在该类结构物风洞试验中发挥着非常重要的作用。     

基于风洞试验的大跨航站楼屋盖风振响应分析

大跨屋盖结构对风荷载十分敏感,但尚无统一的规范计算方法。因此,对某机场航站楼进行了刚性模型测压风洞试验,得到大跨航站楼屋盖表面的平均、脉动风压系数。对其分布特性进行了研究,并讨论了周边建筑对结构表面风压分布的影响。对屋盖进行了风振响应时程分析,得到了脉动风荷载作用下此类大跨度屋盖在各个风向角的响应规律。结果表明,屋盖各区域的最不利风向角是各自的迎风角度;上游周边建筑对屋盖有遮挡效应,会减小屋盖表面的平均风压;屋盖开洞周边的风振响应较大;为该类结构抗风设计提供了参考。     

大跨开合屋盖表面风压特性试验

为了研究大跨开合屋盖风荷载特性以及屋盖开洞对风荷载分布的影响,设计了一个可改变屋盖开合的大跨结构模型,并在大气边界层风洞中开展了不同流场与不同开合工况下的刚性模型测压试验,获得了表面风压分布时程数据。详细分析了建筑表面平均风压系数与脉动风压系数,深入讨论了屋面开合对风压分布的影响。研究结果表明,当来流垂直于屋盖前缘时,形成明显的柱状涡,随着来流角度增大,在屋盖角部形成锥形涡,在45°斜风下锥形涡达到最强;受到特征湍流的作用,均匀流场下屋盖表面的平均风吸力较大;随着湍流强度的提高,受到来流湍流的抑制作用,风压系数有所降低,在C类流场下最为明显;屋面开口降低了孔口附近平均风压,而脉动风压则有所增大。     

一种用于非线性逼近的新型模糊神经网络

针对一般非线性映射的逼近问题，提出用分域逼近的通用算法来实现全局逼近，并据此构造了实现该算法的新型模糊模糊神经网络。通过仿真，将新型模糊神经网络和常用的BP和RBF两种神经网络进行比较。结果表明，该新型模糊神经网络的非线性逼近能力明显优于后两者，且权值具有明显的几何意义，设计难度相对较小，可用于解决复杂非线性函数的逼近问题。     

模糊算子神经网络的函数逼近能力

研究模糊算子神经网络的函数逼近能力，首先提出传统神经网络和模糊神经网络的一般模型即模糊算子神经网络，又将其进一步推广为广义模糊算子神经网络，考虑这两种通用模型的代数结构和分析性质，给出其连续函数的一致逼近定理，其结论是传统神经网络逼近性质的推广，适用于由任何连续算子构成的多层神经网络（模糊神经网络）。     

围护结构非高斯风压时程的峰值因子

大跨屋盖边缘区域风荷载表现出明显的非高斯特性,为确定非高斯风压时程的极值风压,并与传统的风荷载理论所采用的峰值因子法相衔接,采用Hermite矩模型将非高斯风压时程变换为高斯时程,计算高斯时程的峰值因子,然后通过逆变换得到非高斯时程的峰值因子.通过对大跨鞍型屋盖的风洞实验数据进行处理,得到不同工况下屋面各测点的峰值因子,并对其特性进行系统分析.实测负向峰值因子与计算峰值因子的对比结果表明,计算峰值因子具有较好的计算效果.     

大跨屋盖风载特性风洞试验研究

对基于缩尺比为1:250某大跨建筑在B类地貌下进行了25个不同风向角下的刚性模型测压试验,分析了屋盖结构表面风荷载特性.试验结果表明:全风向角下,屋盖表面均受风吸力作用且各升力系数随风向角变化趋势一致;来流下游区域屋檐受再附剪切层和尾流的影响,受脉动风压与负压较强;45°风向角下脉动与极值风压系数最大值大于其他风向角,为最不利风向角.     

不同外部平台宽度对大跨建筑屋盖风荷载的影响

为了研究外部平台宽度对大跨屋盖风荷载的影响,在B类地貌中对无平台和5个典型平台宽度下的刚性模型进行风洞测压试验,得到了各工况下的屋盖表面平均风压系数和脉动风压系数.研究表明:外部平台增大了大跨结构屋盖的平均风荷载.随着平台宽度的增大,屋盖的平均风荷载先增大后减小.平台宽度12m时最不利,其最大增幅达到33%.平台宽度20m时增幅达到20%;外部平台增大了大跨结构屋盖的脉动风荷载,平台宽度12m时最不利,其增幅达到11%.平台宽度20m时,增幅为8%,其余平台宽度下的增幅基本在5%以内.屋盖背风面边缘的脉动风荷载随着平台宽度的增加而减小,平台宽度20m时可达19%.     

混沌动态模糊神经网络及变压器故障诊断的应用

提出一种结合动态模糊神经网络和混沌优化算法的故障诊断方法,将混沌变量引入模糊神经网络结构和参数的优化搜索.利用混沌优化的动态模糊神经网络建立变压器故障诊断模型,此模型不仅能对模糊规则而且能对输入变量的重要性做出评价,从而使得每个输入变量和模糊规则都可根据误差减少率进行修正.仿真结果表明,混沌动态模糊神经网络算法精度高、迭代步骤少、收敛快,对识别和预测变压器状态具有较高的精度和效率,并可方便有效地应用到其他领域.     

基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

基于BP神经网络和模糊逻辑的绝缘子污秽等级预测

针对复杂地理环境下的绝缘子污闪问题,提出一种基于BP人工神经网络和模糊逻辑补偿的绝缘子污秽等级预测新方法.该方法首先利用BP神经网络预测在温度、湿度、降雨量、风速等基本因素下绝缘子的污秽等级,然后充分考虑与复杂地理位置相关的海拔高度、气压比、覆冰水电导率等因素对绝缘子污秽度的影响,采用模糊逻辑补偿的方法进行校正.算例结果表明方法的正确性和有效性.     

基于BP神经网络的静液压变速器控制研究

静液压变速器(HST)的操控性是农用车辆性能提升的关键,采用一种基于BP(back propagation)神经网络的新型控制策略,对HST马达输出转速的动态特性进行研究.基于变量泵—定量马达静液压传动系统的数学模型,首先对比研究了传统PID控制、模糊控制以及BP神经网络控制3种方法的控制效果,结果表明:与传统PID控制和模糊控制相比,BP神经网络控制能有效抑制系统超调量并降低马达转速波动,减小系统达到稳态的调节时间,具有良好的鲁棒性.基于此,提出采用BP神经网络控制方法对具有更大马达转速变化范围的变量泵—变量马达传动系统进行调查,研究结果表明,在对变量泵、变量马达分段控制中,该方法能实现较稳定的切换效果;在不同的负载等效转动惯量下,马达转速均能达到稳定状态,且由负载引起的转速波动也得到降低.研究结果表明,BP神经网络控制方法对变量泵—变量马达传动系统具有潜在的控制优势.     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

主成分分析与BP网络组合的大坝变形预报

将主成分分析与BP神经网络相结合应用到大坝变形影响因子的优化中,建立大坝变形预测模型.可以有效地降低输入因子的维数,减小因子之间相关性的影响,简化网络结构,降低网络训练难度,提高预测的稳定性及精度,提升BP网络训练的效率,解决由影响因子内部相关性而需引入大量因子的问题.通过实验结果对比表明,主成分分析与BP网络相结合的...     

基于混合学习算法的模糊神经网络控制系统

针对复杂非线性系统在控制过程中的不确定性及参数的时变性,设计了一种模糊神经自适应预测控制系统,通过误差补偿以提高预测控制的精度;对模糊神经网络（FNN）的学习算法进行了研究,利用遗传算法的全局搜索能力对FNN控制器参数进行离线优化,并对遗传操作进行了改进,使其最终搜索到全局最优或近似全局最优的附近,再利用BP算法的局部搜索能力和对对象的适应能力,进一步对参数进行在线调整。从而使系统具有更高的学习精度和更快的收敛速度,所得的FNN具有良好的泛化性能。仿真结果证明了本方法的有效性。