基于桥梁实测应变大数据的超重车信号识别方法

以珠江黄埔大桥北汊斜拉桥为研究对象,初步尝试利用实测应变大数据对超重车荷载这类异常信号进行识别。通过在桥梁有限元实体模型上施加临界荷载,得到判别超重车信号的应变阈值;将小波变换得到的实测应变数据的高频分量与应变阈值进行对比,从而提出基于应变阈值的超重车信号识别方法。将该方法与文献中基于小波临界系数的纯信号处理识别方法进行对比,证明了该方法的合理有效性。结合两种方法对多个监测点实测数据进行识别,不仅可以初步确定超重车信号发生的高频时间段;而且可以提高超重车信号识别的概率。该结果可以为桥梁管理部门提供更有价值的指导。     

基于桥梁实测应变大数据的超重车信号识别方法研究

以珠江黄埔大桥北汊斜拉桥为研究对象,初步尝试利用实测应变大数据对超重车荷载这类异常信号进行识别。通过在桥梁有限元实体模型上施加临界荷载,得到判别超重车信号的应变阈值;将小波变换得到的实测应变数据的高频分量与应变阈值进行对比,从而提出基于应变阈值的超重车信号识别方法。将该方法与文献中基于小波临界系数的纯信号处理识别方法进行对比,证明了该方法的合理有效性。结合两种方法对多个监测点实测数据进行识别,不仅可以初步确定超重车信号发生的高频时间段;而且可以提高超重车信号识别的概率。该结果可以为桥梁管理部门提供更有价值的指导。     

基于BP神经网络的滚动轴承智能诊断技术

人工神经网络的应用与研究是近几年迅速发展起来的一个国际性前沿研究课题.介绍了人工神经网络及BP神经网络算法,并对传统的BP算法进行改进.建立了基于BP神经网络动车组传动系统滚动轴承智能诊断系统方法,进行了状态识别神经网络训练与测试.通过对外环、内环、滚动体故障和正常情况下数据的计算、仿真和对比,分析了四种情况下在不同网络设计中的识别效率.基于BP神经网络测试的实际输出与期望输出值非常接近,该网络具有良好的识别性能.     

基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.     

质量控制图中趋势模式的综合识别方法

提出了一种综合模糊技术与神经网络技术对基于控制图的趋势模式进行自动分类识别的智能方法 .将控制图作为信息图用于趋势模式的提取 ,用模糊化的控制图模式数据构造训练集 ,将训练后的BP神经网络用来对趋势模式进行自动分类识别 .该方法为工序状态异常模式识别提供了一种新的方法 ,提高了工序异常状态分类识别的效率和可靠性 .最后用实例进行了仿真实验     

基于GA-BP的安全带佩戴识别方法

为了避免不规范佩戴安全带行为的发生,进一步提高安全带的佩戴率,提出了一种基于GA-BP的安全带佩戴识别方法.该方法在图像处理技术的基础上,提取安全带极坐标转化后的二值化图像像素值作为表征安全带佩戴状态的特征向量,并通过PCA方法对其进行降维;然后采用BP神经网络算法,建立基于BP神经网络的安全带佩戴识别模型,同时为了提高安全带佩戴识别模型的精度,引入遗传算法对其权值和阈值进行优化,建立基于GA-BP的安全带佩戴识别模型;最后通过具体实例验证.结果表明:该方法合理有效,能较好地对安全带的不同佩戴状态进行识别,具有较好的实用性和推广性.     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

利用B-TBU模型评估桥梁状态的神经网络法

鉴于目前常用的桥梁状态评估方法存在较大的人为主观性和随意性,且无法考虑历史评估数据对当前状态的影响,因此不能准确地反映出桥梁当前的真实状态,依据贝叶斯推断中考虑先验信息影响的特点,提出了一种B-TBU模型的方法,在对当前状态的评估中,考虑历史评估数据的影响,对某座桥梁近20年的状态进行重新评估.评估结果表明:采用B-TBU模型方法可大幅度提高状态评估的准确性,使桥梁各年份状态评估的准确度均提高到90%以上;同时将BP神经网络、ELM神经网络等算法初步引入B-TBU模型,对该B-TBU模型方法进行训练学习.其结果表明,采用神经网络类方法,各年份状态评估的准确度也保持在80%左右.     

基于BP神经网络的数字字符识别

本文介绍了字符识别的常用方法及BP神经网络的基本原理,并将BP神经网络应用于数字字符识别。通过Matlab实现了对采集的数字图像进行样本训练以及基于BP神经网络的数字字符识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别。     

基于遗传算法和BP神经网络的结构损伤识别

鉴于BP神经网络需要较长的训练时间、易陷入局部极小值、网络权值和阈值难确定等不足。运用遗传算法全局寻优的特点对BP网络的权值和阈值进行优化。同时运用遗传算法进行网络训练,避免网络收敛于局部极小值。通过对一根单梁实验数据的识别,结果表明两者的结合能对结构进行准确的识别。     

基于斜拉索基频的斜拉桥损伤预警方法

为准确进行结构损伤预警,提出基于前馈BP网络实现新奇检测技术的斜拉桥损伤预警方法.以斜拉索局部振动模态的基频作为网络的基本输入,定义新奇指标为网络输出,根据训练阶段和检测阶段的新奇指标间的比较指示结构的健康状态.相比一般的损伤检测,其不依赖于数值模型,避免了对数值模型高精度的要求,提高了实用价值.对汲水门大桥14种损伤的模拟结果表明,在1%的噪声水平下,该方法可达到较好的预警率.     

神经网络与响应面法相结合分析既有混凝土桥梁的可靠性

响应面有限元的可靠度计算是采用有限元数值模拟来解决功能函数不能明确表示的结构可靠度计算问题的一类方法,对于大型复杂结构的可靠度分析有重要的意义.提出了基于BP神经网络与响应面法相结合的结构可靠度计算的几何分析方法,通过得出的可靠指标对一座既有桥梁进行了可靠性分析.数值试验表明,该方法建立的神经网络模型可以很好地拟合真实的极限状态函数,在既有桥梁可靠性分析中具有广阔的应用前景.     

基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

基于曲率模态和神经网络的分步损伤识别法及其在桥梁结构中的应用

神经网络用于损伤识别遇到的最大问题就是训练样本数量的组合爆炸问题,单纯用神经网络进行损伤诊断有很大困难．提出了一种两步识别法来进行损伤诊断,即先采用结构的曲率模态,定义一个新的损伤指标,判断损伤位置,再利用BP神经网络精确识别损伤程度;运用两步识别法对一座混凝土连续刚构桥进行了损伤位置与损伤程度的识别．识别结果表明,对于2个单元和3个单元损伤的情况,分别只需16个和64个损伤样本就能取得满意的识别结果,大大减少了单纯利用神经网络进行损伤识别所需的损伤样本．     

基于灰色BP神经网络的混凝土连续刚构桥应力预测

为了对混凝土连续刚构桥施工过程中的应力进行控制与预测,保证桥梁施工的安全,根据灰色理论和BP神经网络建立了灰色BP神经网络应力预测模型GNNM（1,1）．以贵阳花溪特大公路刚构桥施工过程实测应力为输入数据,对模型GNNM（1,1）进行训练,得到了应力预测值．该预测值与检验值的相对误差在3％以内,表明GNNM（1,1）模型的预测精度高,可以对混凝土连续刚构桥施工进行短期应力预测,同时,对大桥应力控制及安全施工具有一定的参考价值．     

拱桥极限状态设计理论研究

应用极限状态设计理论,在对圬工拱桥和钢筋砼拱桥系列研究的基础上,综合分析了拱桥的承载能力极限状态和裂缝使用极限状态,讨论了现行《桥规》在拱桥设计理论方面存在的问题、提出了较为合理和实用的拱桥极限设计理论,可供《桥规》修订和实际工程应用参考．     

基于测井数据的砂岩型铀矿异常识别BP神经网络方法应用

为了快速有效的获取砂岩型铀矿矿集区铀矿异常分布信息,以砂岩型铀矿异常的测井响应特征为理论依据,利用BP神经网络强大的非线性映射和学习能力,以已知铀矿矿化层信息为学习样本,构建3层BP(back propagation)神经网络模型。对松辽盆地大庆长垣南端某铀矿矿集区铀矿钻孔测井数据进行异常层和矿化层的识别提取,并将模型识别结果与已知矿化层信息进行分析对比。结果表明:BP神经网络模型识别准确率达86.55%,效果较好,矿化层的识别结果同已知矿化层信息重合度高,同常规的铀矿异常识别方法相比更加接近铀矿异常分布的形态。此方法能快速有效的获取未知孔的异常信息、降低人为解释工作带来的误差,具有较高的准确性,优势明显。BP神经网络技术应用于铀矿勘察工作中具有良好的前景。     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于改进的反向传播神经元网络复杂煤岩层对比方法研究

为了提高复杂地区煤岩层对比的准确率,解决由于反向传播神经元网络(BP神经元网络)连接权值和阈值的初始值选择不合适而导致的无解问题,本文把求全局最优解近似值的遗传算法(GA)和求局部最优解精确值的传统BP神经元网络所使用的梯度法有机地结合起来,取长补短,用于复杂地区煤岩层对比。首先,用GA求得BP神经元网络权值和阈值的全局最优解的近似值;然后,把该近似值作为初始值,训练该神经元网络;最后,用训练好的BP神经元网络进行复杂地区煤岩层对比工作。本文利用测井曲线采用小波变换分析沉积旋回,并用于煤岩层对比。该新方法在钱营孜煤矿的复杂煤岩层对比中,取得了较好的效果,比常规的单一方法和简单的组合方法效果要好。