基于遗传-神经网络的无粘结部分预应力高强混凝土梁延性预测模型

尝试利用遗传-神经网络模型,对无粘结部分预应力高强混凝土梁的延性进行预报.选用23个试件为学习样本,3个试件为测试样本.模型得到了很好的预测结果.模型中使用了最优保存策略和实数编码.同时,为了防止＂早熟＂现象的发生,提出了一种新的改变适应度值的方法.     

基于遗传-神经网络无粘结部分预应力高强混凝土梁的延性

利用建立的遗传-神经网络模型,对无粘结部分预应力高强混凝土梁的延性进行预报,并且利用网络模型分析影响此种梁的延性因素,得到各种位移延性比曲线.结果表明:随着预应力筋配筋指标、非预应力筋配筋指标、跨高比和截面高度的增大,梁的位移延性比呈逐渐减小趋势.据此提出了计算梁位移延性比的公式.     

基于BP神经网络的PRC简支梁的预应力识别

为了对预应力混凝土(PRC)结构中预应力值进行检测与评价,采用神经网络技术,基于自振特性对PRC简支梁的预应力识别进行了数值仿真研究.分别在不同预应力水平上计算预应力梁的前10阶自振频率,经过归一化处理构造网络的训练样本,由网络输出指示预应力大小.采用3层BP网络,通过15个训练样本的训练,网络展示了良好的收敛性.对3种不同预应力水平的仿真测试表明,最大相对误差仅为2.08%,具有较高的识别精度.     

反复荷载作用下的预应力混凝土梁变形

为了分析反复荷载对预应力混凝土梁变形性能的影响,对6片预应力混凝土模型梁进行了低频反复加载试验,在模拟实桥活载效应的荷载作用下,研究了不同预应力度的预应力混凝土梁变形性能和钢束有效预应力变化特征。结果表明,在反复荷载作用下,预应力混凝土模型梁残余挠度和荷载挠度（弹性挠度）较常量荷载下的对应值均有所增大,其中荷载挠度增大系数为1.05~1.10;反复荷载作用对预应力筋长期损失有较明显的影响,且预应力梁的残余挠度与预应力钢筋的残余变形有着密切关系。     

基于改进神经网络的预应力锚杆布置间距

以山东省境内的104国道界河立交桥加筋土档土墙的失稳加固为实例，根据预应力锚杆在拉拔过程中，不同的距离范围内应力增量的变化试验，利用改进的BP神经元网络对这一试验值进行了学习，经过检验发现网络的输出值与期望值之间的误差较小，所以网络具有比较强的推广能力。利用这一网络对试验数据作了进一步的推广得到了另一组试验数据。根据这一组数据，在给锚杆施加一定预应力的条件下，可以求出锚杆的作用范围。根据这一范围和挡土墙破坏状况以及外部载荷的分布情况，利用极限平衡理论得出了比较合理的锚杆布置间距。     

基于BP神经网络的项目评估模型研究

项目的申报、实施、验收都需要进行项目评估,项目评估是项目实施过程中的重要工作。项目评估复杂、专业,评估过程和结果具有很强的主观性。BP神经网络具有容错性强、信息分布处理能力高、自主学习、自适应、非线性映射等特点,适合推理规则不明确或推理规则非线性的环境,具有人脑思维的特征,BP神经网络在工程、管理、经济等领域得到广泛应用。在项目评估领域,现在基本上仍然以领域专家主观评价为主,这对评估结果的客观性、公正性必然会带来影响,评估过程信息化是项目评估改进的方向和趋势。基于评估的一般过程和BP神经网络的基本思想设计出项目评估的一般模型具有现实意义,应用BP神经网络建立项目评估模型的应用价值值得关注。     

基于多元统计—神经网络的教学质量评估模型

给出了基于多元统计—BP神经网络的教学质量评估模型,先采用相关分析、主成分分析对其影响因子作评价和预处理分析,然后以BP神经网络模型作预测,并在Matlab中实现.结果表明,基于多元统计—BP神经网络的教学质量评估模型,既克服了在评估过程中的主观因素,又得到了满意的评估结果,具有广泛的适用性.     

基于神经网络修正的结构有限元模型简化

介绍了神经网络修正技术在结构有限元模型简化中的应用，并根据实际工程润扬大桥桥塔的现场实测模态数据对所建的有限元模型进行修正简化．建立了结构物理参数与结构自振频率之间复杂非线性关系的BP神经网络模型，反演仿真数据代入的有限元计算结果与实测结果较为吻合，证实了该方法的有效性．     

基于壳梁组合单元预应力混凝土梁非线性响应

基于壳梁组合(SBC)单元,建立了预应力混凝土T梁非线性分析模型,并对其进行了破坏全过程研究,对梁体刚度折减、预应力筋应力重分布规律等进行了分析.基于分层壳单元和梁单元计算模式,对预应力筋采用SBC单元模拟,有效地模拟了预应力筋的空间预应力作用,对普通钢筋和混凝土采用分层壳单元模拟.采用Owen准则等描述了预应力混凝土T梁的屈服等材料非线性效应,并研制了相应的非线性计算程序.研究结果表明,该方法的计算结果与试验梁的试验结果吻合良好,非线性SBC单元方法用于预应力混凝土T梁分析是合适的,为此类工程薄壁结构的评定分析提供了一种较为有效的计算方法.     

基于BP神经网络的野战给水装备性能评估模型

为了评估野战给水装备的性能,方便部队选购最佳的净水器材,在前人研究的基础上,结合战场需求和当前水质净化技术研究的成果,提出了野战给水装备的指标体系,并利用BP(back-propagation)神经网络对野战给水装备的性能进行了建模,给出了一种新的算法。算例通过对5种野战给水装备的评价结果与专家们的评价结果相比较的方法,验证了模型的可靠性和可行性。得出了该模型能够作为“计算机评价专家”来代替人的评价的结论。可以将此模型应用到部队选购给水装备的实际工作中,方便采购人员对野战给水装备的性能进行横向比较,选出综合性能最高的装备。     

基于RBF神经网络的晶体生产组织评价

在晶体的生产组织过程中,采用相关分析法确定影响评价的主要因素,建立一种基于RBF网络的生产组织评价模型,利用最邻近聚类算法,确定基函数中心点,将该模型与BP网络模型进行比较,结果表明:RBF网络在学习时间和评估精度上优越于BP网络。     

基于遗传算法的进化神经网络

提出了一种基于遗传算法的前馈神经网络的自动化设计方法 (genetic m ultilayer neural network,GMNN ) ,用以同时完成对网络结构空间和权值空间的搜索。该算法利用模拟退火算法、 BP算法和小生境技术来加快算法的收敛速度 ,改善解的性能。初步实验结果表明 ,该方法的收敛速度较快 ,由此得到的神经网络的泛化能力也较好 ,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的。     

基于神经网络集成的经济预测模型

针对单个BP神经网络用于经济预测存在的不足,提出了一种新的更有效的经济预测模型--神经网络集成.神经网络集成通过训练多个神经网络并将各网络输出进行合成,能够显著提高网络的泛化能力.以广东省江门市的经济数据为例,采用Bagging算法训练了五个BP神经网络,构建了一个神经网络集成的GDP预测模型,并运用MATLAB 7.0语言程序实现.预测结果令人满意,优于单个神经网络预测方法.实证表明,神经网络集成用于经济预测是有效可行的,同时在一定程度上克服了单个神经网络的缺陷.     

基于神经网络的斜拉桥检测参数相关分析

斜拉桥是一种高次超静定结构,检测评估所需的测点多、参数多。拟通过应用人工神经网络经过神经元作用函数的复合,设法寻求一种途径能确定斜拉桥各检测测点参数之间的相关关系,以简化检测工作。通过BP人工神经网络对斜拉桥实测资料的分析,证明斜拉桥各测点的各参数间确实存在一定的相关关系。     

基于BP神经网络的数字图像边缘检测算法的研究

指出了传统边缘检测算子算法的不足，提出了一种利用基于BP神经网络的数字图像边缘检测算法，即利用传统边缘检测算子检测出来的图像中像素的灰度的不同比例作为学习训练图像，进行神经网络的学习训练，改变神经网络的结构参数得到神经网络的模型参数，最后给出了BP神经网络实现图像边缘检测的实验研究结果。从实现中可发现，将人们关于边缘特征的先验知识包含在内进行数字图像的边缘检测，能够取得比较好的效果。     

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.     

基于BP神经网络电子评标方法的研究和应用

为了解决招投标中评标环节专家评审法随意性大的问题,针对建设工程的不同特点,对评标内容进行分类剖析.利用人工神经网络的智能识别功能,建立基于神经网络的电子评标方法.结合人工神经网络的自适应功能、良好的容错能力以及非线性数据处理特点,科学地评价多因素建设工程投标方案,使招标商从众多的投标商中选出最佳的中标单位.     

二维图像中交叉点的神经网络识别

提出一种识别灰度图像中交叉点的神经网络方法，用自组织特征映射网络和BP网络组成多分类器，识别图像中的二交叉点、三交叉点和四交叉点，在加入8%的干扰时，仍能达到85％左右的识别率。     

基于Gaussian型RBF神经网络的一元函数逼近性能研究

为了研究Gaussian型RBF神经网络对于一元非线性函数的逼近能力，编程建立了Gaussian型RBF神经网络和BP神经网络，并以正弦函数、指数函数、阶跃函数三种典型的一元非线性函数为例，分别用两种神经网络对其进行逼近．仿真结果表明，相对于传统BP神经网络而言，Gaussian型RBF神经网络对于一元非线性函数的逼近精度更高、收敛速度更快，具有良好的逼近能力，为解决一元非线性函数的逼近问题提供了良好的解决手段．