共查询到20条相似文献,搜索用时 687 毫秒
1.
2.
3.
4.
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. 相似文献
5.
改进型灰色神经网络模型在水质预测中的应用 总被引:1,自引:0,他引:1
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。 相似文献
6.
7.
8.
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。 相似文献
9.
10.
11.
12.
基于粒子群优化的BP神经网络预测方法及其应用研究 总被引:1,自引:0,他引:1
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. 相似文献
13.
14.
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. 相似文献
15.
16.
【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。 相似文献
17.
《甘肃科学学报》2020,(2)
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。 相似文献
18.
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。 相似文献
19.
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%. 相似文献
20.
组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP(Back Propagation,BP)神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN(AdaBoost.M2Neural Network)的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明:该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性. 相似文献