BP神经网络预测药物经皮渗透系数

本文结合定量构效关系（quantitative structure-activity relationship,QSAR）分析的思想,建立BP神经网络,以药物分子的分子重量（Mr）、正辛醇/水分配系数（logKow）、氢键供体数（Hd）和氢键受体数（Ha）4个参数作为BP神经网络的四个输入,药物经皮渗透系数（logKp）作为输出,对所建网络模型进行训练仿真,并预测了10种药物的经皮渗透系数,得到预测值与实测值的相关系数为R2=0.985,说明模型具有较高的预测精度,可以为实际操作提供可靠的数据参考。     

基于有限元-BP神经网络的地下连续墙变形预测

基于目前在基坑支护结构中应用广泛的变形预测方法,有限元法和BP神经网络,结合基坑工程特点,提出将有限元模型与BP神经网络相结合的基坑变形预测方法.以某实际建筑基坑为研究对象,利用有限元软件进行近似建模,使用MATLAB软件实现有限元模型与BP神经网络模型相结合的预测模型,对基坑地下连续墙水平位移值进行预测对比.结果表明,有限元-BP神经网络预测模型预测值与实测值最为吻合,预测精度优于单一的有限元或BP神经网络预测模型.     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

基于人工智能的动态马尔科夫模型预测空气质量指数

采用人工智能算法对北京市空气质量指数199个数据序列进行拟合得到拟合值序列和预测值,结合数据的动态变化特点,再与马尔科夫链结合进行动态预测,预测精度优于基于灰色理论的GM(1,1)模型和基于BP算法的神经网络模型。     

BP神经网络在地基土压缩指数预测中的应用

为了寻求基于多个常规物理参数间接得到土变形参数的途径,根据几个实际工程中的土工试验数据,利用BP神经网络方法对土压缩指数进行预测。选取土塑性指数、含水量、孔隙比、密度这4个常规物理参数作为影响土压缩指数的主要因素,得出土压缩指数的BP神经网络预测模型。结果表明:训练BP神经网络时,49组自变量数据中土压缩指数的BP神经网络拟合值与实测值的相对误差为-3.5139380%~1.5704225%,相对误差绝对值的平均值为0.91548%;10组自变量数据中土压缩指数的BP神经网络预测值与实测值的相对误差为-1.8055210%~6.0124173%,相对误差绝对值的平均值为3.32940%。可见,本文建立的基于4个物理参数的土压缩指数BP神经网络预测模型是可行的。     

基于极限学习机和熵值法的岩土灾变预警

滑坡的监测和预测是降低滑坡灾害的有效手段和可行方法。传统监测手段时效性差,采用统计预报模型、确定性模型等模型建立的预测模型精度相对较低。为了改善此问题,提出了一种基于综合测量、以极限学习机与熵值法结合的滑坡预警研究方法。通过分析滑坡的影响因子,搭建滑坡模拟监测平台,由多传感器实时监测到雨量、土壤浅层含水率、土壤深层含水率、下滑应力、地下位移、地表位移等影响滑坡的综合因子。将熵值法用在滑坡的评价中,将其综合评分作为危险性参数及综合测量参数作为训练样本,搭建极限学习机模型。结果表明:在综合测量方法下,将熵值法与极限学习机算法结合的预警模型得到的结果与实际情况一致,预测值与测量值吻合;其精度为98.48%,比BP神经网络精度更高;且网络的学习速度明显提高。可见该方法对滑坡预测的可行性,适用于复杂非线性的滑坡预测中,为建立滑坡预警模型提供了一种可行方法。     

基于ABC-BP神经网络的地铁盾构地表沉降预测

为研究地层参数和盾构掘进参数与地表沉降的非线性关联性,依托南京地铁6号线盾构区间,采用人工蜂群算法ABC优化BP神经网络,建立可预测地表沉降的ABC-BP神经网络模型。连续3个断面地表沉降预测结果表明:ABC-BP神经网络的预测精度和预测稳定性优于BP神经网络,且预测值与实测值一致；ABC-BP神经网络可较为准确地反映盾构机接近监测断面过程中的地表变形演变规律,最终实现地表变形控制的目的。提出了ABC-BP神经网络现场应用思路,构建了地层-掘进参数-沉降的关系,进而通过地层参数直接实现对盾构掘进参数和地表变形控制。     

遗传算法与BP神经网络的结合在瓦斯突出风险预测中的应用

该文针对煤与瓦斯突出风险预测问题,利用BP神经网络建立预测模型,通过遗传算法对神经网络的权值和阈值优化,提高网络预测的精度。利用采集的前10组数据对网络进行训练,利用11~20组数据对预测模型进行检验,并且将检验结果与自适应BP神经网络的预测结果进行比较。结果表明:遗传算法与网络预测模型结合后的预测值跟实测值的绝对误差由原来的-0.011 9~0.200 0缩小到-0.001 3~0.061 1,提高了预测精度。     

人工神经网络法预测干黄酱挥发性成分保留值

基于分子连接性及邻接矩阵,计算69种干黄酱挥发性成分的分子连接性指数mχt,借助多元逐步回归法优化筛选了其中的结构参数0χ、5χ、3χc和5χpc,将其作为人工神经网络的输入层神经元,采用4∶8∶1的网络体系结构,以BP算法获得预测保留指数的神经网络模型,其相关系数R和标准偏差S分别为0.985和93.301.结果表明,保留指数与0χ、5χ、3χc、5χpc具有良好的非线性关系,BP神经网络方法预测的结果要优于多元回归方法的结果.     

基于面料力学性能的半紧身裙造型特征预测

文章在对面料力学性能分析的基础上,建立了半紧身裙造型特征预测的BP神经网络模型.提出了半紧身裙造型特征为形式感、体量感、平衡感、运动感、悬垂感、节奏感、稳重感、均匀感、贴体感、平服感等.FAST系统测量的面料力学性能指标作为神经网络模型的输入层,18位专家组成的评判组对41种不同面料构成的半紧身裙造型特征作出的评价值作为BP神经网络的输出层.通过对任选8只样本的预测值和实测值的线性回归分析发现,该模型有较好的预测精度,其中贴体感、均匀感、运动感的预测精度最好;形式感、体量感、悬垂感、平服感的预测精度次之;平衡感、节奏感、稳重感的预测精度较低.