海堤渗压神经网络分布模型的建立及规律分析

为有效揭示海堤渗压的分布特征,掌握其在临海工作环境下的特殊规律,在利用神经网络建模优点的同时,采用多测点渗压监控信息,并将测点坐标因素加入到输入层,综合前期潮位因子、积分型降雨因子、时效因子,形成海堤渗压神经网络安全监控分布模型结构,以实测信息进行建模训练计算;在获得合理训练结果基础上,根据输入层因子补充插入坐标样本,获得不同位置的渗压模型值及渗压分布曲线.文中以广义回归神经网络为例,结合浦东海堤实测资料,以实例说明以上述方法在神经网络不提供显式的情况下,建立可获得分布曲线的监控模型,并以此对海堤渗压分布规律特色加以分析.     

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.     

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.     

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．     

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.     

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.     

基于Ansys的海堤渗流分析

为掌握潮位快速涨落影响下的海堤渗流特性,结合Ansys二次开发与实测资料进行海堤瞬态渗流研究。提出处理瞬态渗流的初始条件及选取初次潮位的方法,利用APDL语言编制海堤瞬态渗流程序,结合实测数据估算海堤非饱和区的容水度。分析可知,容水度影响海堤渗压曲线,潮位变化对堤身渗流影响由海堤临水侧坡面向背水侧坡面逐渐减弱,浸润线随快速变化的潮位也呈现快速变化的规律,但存在滞后性,滞后性由堤前向堤后逐渐增强。     

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.     

海堤设计风浪和设计潮位组合风险率分析

风浪和潮位是海堤设计的关键因素,为保障海堤工程的安全性并使工程设计更为经济合理,基于Clayton Copula连接函数建立了潮位和风浪联合分布函数,以此构建了风浪和潮位组合设计风险分析模型,提出了考虑风险率模式下的风浪和潮位组合设计方法.以深圳市赤湾海域为例,分析了1971～2002年实测水文资料,获得了风浪和潮位组合风险率.结果显示：深圳赤湾海域大潮与大风同时遭遇的概率小,采用同频率设计偏于安全;而所建模型充分考虑到了风浪和潮位这种遭遇的特性,对风浪和潮位遭遇工况的合理设计具有指导意义,也为沿海城市海堤设计参数的确定提供了一种技术手段.     

海堤设防标准探讨

调查分析了国内外海堤设防标准，把海堤破坏归结为6种模式，并分析风浪与潮位（流）对各种模式的影响，提出风浪与高潮遭遇概率粗略算法；根据海堤结构特点及其破坏模式，提出一种基于风浪与高潮遭遇概率，综合反映结构功能、使用要求与潜在风险，三层次设防的海堤设计标准，在此基础上提供了一种基于风险理论的海堤优化设计方法。     

基于线性与非线性模型的海杂波预测

为对海杂波进行准确预测,根据海杂波具有的非线性不确定性,应用线性和非线性预测理论建立预测模型.针对logistic混沌映射信号和IPIX实际海杂波数据背景下的弱目标,分别采取基于自回归(AR)的线性模型、基于径向基神经网络(RBF)和Volterra级数滤波器的非线性模型进行预测.实验结果表明:非线性预测模型更适合于混沌背景下,因其目标和杂波的预测误差相差较大,可采取非线性预测并设置门限的方法进行目标检测;对于IPIX雷达数据,其混沌特性较logistic弱,目标和杂波的预测结果相差不大,可采用似然比检测方法.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

RBF网络干扰补偿的跷跷板系统解耦滑模控制研究

针对典型的不稳定、高阶次、多变量、强耦合、非线性的跷跷板系统,考虑环境对跷跷板的作用,提出了一种RBF网络干扰补偿解耦滑模控制(RBF-SMC)算法.通过解耦算法对模型进行解耦,并使用RBF神经网络对模型受到的干扰和不确定项自适应逼近补偿,使系统在较小的切换增益下实现较大干扰下的跷跷板平衡控制.在Matlab和Matl...     

引入收益因素的RBF神经网络及其应用

考虑到投资者的主要目的是盈利这一重要因素，提出了一种改进的径向基函数(RBF：Radial basis function)神经网络方法。在RBF网络的误差函数中增加了利润、时间和趋势信息，并采用基于梯度下降的误差纠正算法对网络进行训练。对股市综合指数进行预测的结果表明，该方法在提高投资收益的意义下，提高了神经网络模型在金融领域的预测性能。     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.