海堤渗压多测点径向基函数监测模型的建立

为综合多测点监测信息建立海堤渗压预测模型，揭示其受海洋潮位等因素影响的复杂而特殊的变化规律，以径向基函数(RBF)神经网络为建模工具，采用前期潮位因子、积分型降雨因子、时效因子构建模型输入层，对符合条件的多个渗压测点进行综合训练、预测.同时根据海堤渗压特点，对建模中RBF网络的计算中心选取方法加以探讨，进而结合模糊C均值聚类算法确定计算中心.以浦东海堤实测资料实现了该模型建立的具体过程，取得理想效果，并给出了应用建议.     

海堤渗压周期特征分析及其在神经网络监测模型中的应用

海堤渗压监测序列是反映堤身状况与规律的重要信息,为把握海堤渗压序列变化特点、进行有效分析预测,对浦东海堤实测渗压曲线进行了广泛分析,归纳出其多周期变化的特征,并从谐量分析角度给出针对周期特征变化的渗压监测模型因子,结合神经网络特点,提出相应的神经网络监测模型输入层单元形式,以广义回归神经网络为例建立监测模型,以监测资料和实例说明多周期特征对监测分析的作用,以及与神经网络模型相结合的具体应用．     

海堤渗压监测因果模型基本结构和因子选择

为揭示海堤渗压规律以及与主要影响因素间的关系，并建立安全监测因果模型、实现对海堤状态的实时监控，以监测数据为基础，对海堤实测渗压、潮位和降雨记录以及存在的因果关系加以分析，确定了海堤渗压因果监测模型的基本结构；采用统计距离比较方法选取合理的初选前期潮位因子，提出反映降雨量和降雨持续作用时间的降雨因子形式，并加入时效因子，以实测数据建立了海堤渗压监控因果模型.结果表明，该因果模型具有良好的拟合、预测效果.     

基于水循环神经网络模型的海堤渗压预测研究

为提高海堤渗压的预测效果,在充分分析渗压影响因素的基础上,提出一种新型预测模型.将具有强大寻优能力的新型算法——水循环算法与神经网络相结合,以相关系数法筛选出的渗压主要影响因子作为模型输入,渗压作为模型输出,利用水循环算法搜索神经网络的最佳权值,建立海堤渗压水循环神经网络模型.通过上海浦东海堤实测信息对该模型进行验证,结果表明,水循环神经网络模型较BP模型具有更快的收敛速度和更高的预测精度.同时,基于等维新息思想,实现模型信息不断更新、渗压实时预测的效果.     

降雨影响下高边坡渗压神经网络监测模型

为准确揭示高边坡在降雨影响下的渗压变化规律，掌握其安全状态，在降雨作用分析基础上，提出以积分型降雨因子进行边坡渗压分析；以径向基函数(RBF)神经网络为建模工具，构建渗压降雨监测模型结构，并根据高密度采集的实测序列与模糊C均值聚类（FCM）算法进行RBF计算中心的比较选择.应用表明，积分型降雨因子能有效反映降雨的作用，以实测数据建立的渗压监测模型取得了理想效果.     

堆载预压作用下路基沉降的多测点监测模型

从力学作用机理出发探讨堆载预压效应下路基沉降与堆载的关系,以径向基函数神经网络为建模工具,以现场监测的沉降资料及堆载记录为基础,构建堆载沉降的神经网络监测模型的输入层影响因子和包含多个测点沉降的输出层.同时,针对堆载沉降特点,对网络的计算中心采用专门预选方案,进而以模糊C均值聚类算法确定最终计算中心,并以实测资料建立该监测模型实例.结果表明,所得模型对堆载作用的揭示以及多测点的沉降预测取得了满意效果.     

海堤非稳定渗流场渗透参数反演分析

针对受到快速涨落潮位作用的海堤进行非稳定渗流有限元分析,在此基础上结合实测渗压序列构建目标函数对海堤的渗透参数进行反演研究.反演中采用分层搜索技术,先由逐步扫描法确定出渗透参数一个合理的小区间,再用一阶梯度优化方法在该小区间上进行迭代优化以获得合适的渗透参数.以反演得到的渗透参数进行海堤非稳定渗流数值模拟,算例表明,计算及反演步骤合理可行,模拟计算得到的渗压结果与实测序列在数值和动态变化规律上都取得了理想的拟合效果.     

利用多层感知机和Ⅰ-Ⅴ特性的光伏组件建模方法

为了提高光伏组件模型的准确度和可靠性,提出一种利用多层感知机和不同工况下实测的Ⅰ-Ⅴ特性曲线数据集的建模新方法.首先,使用双线性插值法对实测Ⅰ-Ⅴ曲线进行重采样,以提高Ⅰ-Ⅴ曲线上数据点分布的均匀性;然后使用基于温度-辐照度的网格采样法对数据集进行下采样,降低数据冗余度.其次,提出一种基于多层感知机神经网络的光伏组件模型,并基于预处理的Ⅰ-Ⅴ曲线数据集,使用Adam算法训练该模型.最后,采用实测Ⅰ-Ⅴ特性曲线数据集,验证和测试了所提出的建模方法,并与支持向量机、梯度提升决策树等机器学习算法进行对比.实验结果证明,所提出的建模方法具有更高的精度和泛化性能.     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

一种利用多层感知机和I-V特性的光伏组件建模方法

为了提高光伏组件模型的准确度和可靠性,本文提出了一种利用多层感知机和不同工况下实测的I-V特性曲线数据集的建模新方法。首先,使用双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于温度-辐照度的网格采样法对数据集进行下采样,降低数据冗余度。其次,提出一种基于多层感知机神经网络的光伏组件模型,并基于预处理的I-V曲线数据集,使用Adam算法训练该模型。最后,采用美国国家可再生能源实验室提供的实测I-V特性曲线数据集,验证和测试了所提出的建模方法,并与支持向量机、梯度提升决策树等机器学习算法进行对比。实验结果证明,所提出的建模方法具有最高的精度和泛化性能。     

BP神经网络技术在声波测井曲线重构中的运用

基于神经网络的曲线重构法是提高声波测井曲线质量的有效方法。该方法通过神经网络技术的非线性算法,在声波曲线与自然电位、电阻率、自然伽马等多条测井曲线之间建立一种非线性关系。运用BP神经网络技术综合了自然电位、电阻率、自然伽马等多条曲线的信息对声波曲线进行重构,以此增加曲线重构的信息量,为曲线重构的准确性提供了保障。通过在准噶尔盆地石南地区的运用,证明该方法能大大提高受井壁垮塌影响的声波测井曲线的质量。     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

基于卷积神经网络的粗粒度数据分布式算法

针对特定运行模式下粗粒度数据存在计算效率较低的问题, 提出一种基于卷积神经网络的数据分布式算法. 首先构建用于粗粒度数据处理的卷积神经网络模型, 给出模型基础连接层神经元网络的连接结构和权重比例, 并训练和池化粗粒度数据； 然后利用训练池化结果求解模型的最小损失函数, 提升模型针对粗粒度数据的分布式计算能力. 实验结果表明, 在单机和集群模式下, 卷积神经网络模型具有更好的计算效率和数据泛化能力.     

结合MIDAS仿真和BP神经网络的输电杆塔基础滑坡风险评估

近年来,暴雨及洪涝等异常灾害使得滑坡现象频发,导致野外输电杆塔发生倾斜、位移及沉降,严重威胁电网安全运行。为解决现有输电杆塔基础滑坡风险评估方法存在的普适性差、主观性强等问题,本文构建了一种结合仿真计算和数据驱动的杆塔滑坡风险评估模型。首先,将杆塔基础荷载纳入杆塔基础滑坡影响因子,结合MIDAS软件仿真得到坡体安全系数。其次,基于卫星、气象等多源信息融合,提取8 个杆塔基础滑坡影响因子,搭建按误差逆传播算法训练的多层前馈（back prop-agation,BP）神经网络模型。最后,对比测试样本集安全系数的仿真结果与模型预测值,误差范围为0.01%~0.24%,并结合合成孔径雷达干涉技术 (interferometric synthetic aperture radar,INSAR)验证了模型有效性和可行性。研究结果表明利用该神经网络模型可实现对任意输电杆塔基础所在坡体安全系数的精准、快速预测,同时具有普适性强的特点,研究成果可为输电线路防灾减灾提供新思路。     

基于卷积神经网络的粗粒度数据分布式算法

针对特定运行模式下粗粒度数据存在计算效率较低的问题, 提出一种基于卷积神经网络的数据分布式算法. 首先构建用于粗粒度数据处理的卷积神经网络模型, 给出模型基础连接层神经元网络的连接结构和权重比例, 并训练和池化粗粒度数据; 然后利用训练池化结果求解模型的最小损失函数, 提升模型针对粗粒度数据的分布式计算能力. 实验结果表明, 在单机和集群模式下, 卷积神经网络模型具有更好的计算效率和数据泛化能力.     

深潜器耐压壳极限强度的模量算法

通过引入承压球壳变形的对称性假设,将承受均匀外压球壳的理论表达简化为筒形板及弹性基础梁的数学模型.引入参数,将切线模量理论等多种模量理论统一表达,在材料应力应变曲线的基础上,得到模量因子曲线和相应的解析表达式.以切线模量理论和双模量理论为例,将2种模量理论应用于钛合金球壳的承载力计算,并将计算值与实验结果进行比较,得出模量理论在耐压壳极限强度计算问题上的有效性和适用范围,为深潜器的初步设计提供参考.     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。