基于PCA-IPSO-RBF神经网络的沥青路面破损状况预测

针对现有路面破损状况评价指数较为单一且无法准确预测路面实际破损发展趋势的问题，为探究路面使用指标、路面性能指标和路面环境指标对路面破损状况的影响，提出基于改进粒子群优化(IPSO)与径向基(RBF)神经网络耦合的沥青路面破损预测模型.首先，利用灰色关联分析和主成分分析(PCA)筛选出主要影响因子；然后，通过改进粒子群惯性权重因子，调整粒子全局和局部寻优能力，并利用IPSO算法训练RBF模型中的参数；最后，以主成分分析降维后数据为输入，建立路面破损状况的IPSO-RBF神经网络预测模型.实例研究表明，PCA-IPSO-RBF神经网络预测模型预测平均绝对误差为0.841 6.因此，针对复杂非线性路面破损状况预测问题，该模型能够准确预测沥青路面破损状况，为路面养护决策提供有力支持.     

基于改进神经网络的水泥路面使用性能预测模型

为了克服传统水泥路面使用性能预测方法的缺陷和误差反向传播(BP)神经网络的不足,利用动量方法改进了BP神经网络收敛性,建立了水泥路面使用性能预测模型.采用广东水泥路面调查数据对模型进行了训练和验证,并对模型训练方法进行了优化.分析表明,该模型具有较好的实用性和预测精度.     

基于自组织模糊神经网络的市场占有率模型

针对现有市场占有率模型(如传统的统计方法和近年来出现的模糊模型与神经网络模型)实际预测效果并不理想的问题,结合模糊神经网络和自组织理论建立了基于自组织模糊神经网络的市场占有率预测模型．该模型无需事先确定模糊控制规则,并能通过神经网络的结构及参数学习调整模糊神经网络的结构．最后结合实例进行了仿真．结果显示该模型优于其它模型,能为企业提供有力的市场占有率定量分析工具．     

基于遗传算法的模糊优选神经网络路面性能评价模型

针对现有路面性能评价方法的不足,在模糊优选神经网络模型的基础上,引入遗传算法,建立了基于遗传算法的模糊优选神经网络的路面使用性能评价模型.该算法采用遗传算法优化神经网络权值,再用神经网络对遗传算法搜索到的近似最优解进行微调,并将模糊优选模型作为神经网络的激励函数,使模型具有明确的物理意义.应用该模型对沈大高速公路部分路段进行评价,与其他模型的对比分析表明:该方法在评价精度和效率方面取得了良好的效果,是一种实用的高速公路路面性能评价方法.     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

人工神经网络预测混凝土柱屈服性能

建立了一种基于人工神经网络的矩形混凝土柱屈服性能预测方法.该方法采用经验模型进行柱屈服性能影响因素的分析来确定该神经网络的输入参数,并通过敏感性分析验证了所选神经网络输入参数的合理性.为验证该方法的可行性与有效性,通过对PEER 210组矩形混凝土柱的屈服性能进行预测分析并与经验预测模型的预测结果进行比较.比较分析结果表明:神经网络预测结果与实验结果吻合程度远高于其他经验预测模型;同时也证实该方法在实验数据稀少的情况下为预测结构在地震作用下的性能提供一条新途径.     

基于改进BP神经网络和工业重构理论的用电增长预测方法

运用改进BP神经网络方法和工业重构理论,建立新型工业化与用电增长的关系,提出附加动量和自适应学习率的改进BP神经网络构建工业用电增速的预测模型,利用该模型对未来工业用电增长的趋势进行判断。利用Matlab7．0对该模型进行设计,并运用该模型对工业用电增长趋势进行仿真。与传统的BP神经网络模型相比,采用改进后的预测方法仅经过47次训练就满足预定误差要求,而采用传统的预测模型易陷入局部极小点,很难满足预定误差要求;改进预测模型的预测值与实际值拟合程度好,平均预测精度比传统模型预测精度高1％～3％。此外,验证了改进模型的优越性和合理性。     

一种递归模糊神经网络的广义预测控制方法

提出了一种递归模糊神经网络(RFNN),通过加入向量调节层,提高了网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制规律。仿真结果表明该方法具有较高的控制精度以及一定的抗干扰能力。     

基于非单点模糊正则网络的时间序列预测模型

目的建立一种新的具有抗噪声能力的神经网络时间序列预测模型。方法通过将非单点模糊系统引入正则神经网络结构来建立模型。结果具有很强的抗噪声能力,且收敛速度快,全局搜索能力强。将该模型用于实例样本的预测,并和别的神经网络预测模型相比较。抗噪声能力的神经网络时间序列预测模型性能,比神经网络预测模型的性能显著提高。结论所建立的模型在性能上有显著提高,在一定程度上解决了视经网络的固有缺陷,今后有待降低计算复杂度。     

E4303焊条力学性能模糊神经网络智能预测

为了获得反映焊条原材料成分与其熔敷金属力学性能之间映射关系的预测模型,该文对E4303碳钢焊条进行配方设计和堆焊试验,测定其熔敷金属的抗拉强度、屈服强度、延伸率、冲击功4项力学性能指标.采用自适应模糊神经网络方法建立了直接由焊条原材料成分预测焊条力学性能的模糊神经网络模型.用该模糊神经网络模型对训练样本以外的试验数据进行预测.结果表明,抗拉强度和屈服强度的预测平均相对误差在5%以内,延伸率指标预测平均绝对误差仅为0.021,冲击功指标预测效果与BP网络相比有明显改善,说明该模糊神经网络预测模型能够直接根据焊条原材料成分较准确地预测其熔敷金属的力学性能.     

智能压路机压实模糊神经网络控制及仿真

将模糊系统与神经网络相结合,提出了一种由模糊化层、模糊推理层和清晰化层组成的模糊神经网络结构,并将其用于智能压路机压实控制.针对振动压路机的压实性能要求,采用钟型函数作为隶属度函数,通过计算规则重要度来提取模糊推理层规则群中比较重要的规则,运用补偿模糊神经网络的学习算法解决参数的自动调整问题.把工程实践中得出的模糊控制规则表作为训练模糊神经网络的样本,仿真结果表明该模糊神经网络控制器具有在误差限度范围内的泛化能力.     

基于复合模糊物元方法的机场道面性能评估

针对目前机场道面性能评估方法中存在主观影响因素过多、权重不确定性等问题,提出了一种基于复合模糊物元分析理论的机场道面性能综合评估方法。首先选取机场道面承载力、道面损坏状况、摩擦因数、平整度等为主要评估指标,根据各项指标评估标准建立复合模糊物元模型,然后利用熵方法与层次分析法综合确定各评估指标的权重,最后进行关联分析,根据最大关联度原则,确定机场道面的使用性能等级。研究结果表明:该方法可以综合考虑专家的知识、经验等主观因素和客观测量精度等信息的影响,是一种有效的方法;运用该方法对某机场道面进行评估,评估结果与实际情况符合较好。     

基于神经网络技术的路面性能预估模型

根据神经网络技术对处理模糊或随机问题有较好适应性的特点,本文开发了基于神经网络技术的路面性能预估模型,该模型建模简单、使用方便,而且能较好地反映实际路面性能的变化规律。     

自密实混凝土性能预测的神经网络模型

自密实混凝土具有优异的工作性能，但目前还没有有效的配比数学模型．为此，在自密实混凝土配比试验的基础上，利用神经网络理论，建立了自密实混凝土性能预测的神经网络模型．计算结果表明，用人工神经网络方法预测自密实混凝土的性能是可行的，能满足工程实际的要求．     

应用人工神经网络预测路面使用性能

针对传统的路面使用性能预测方法存在的不足,应用人工神经网络理论,建立预估模型。经过理论分析与实际验证,这一方法是完全可行的。     

无人机燃料电池混合动力系统人工神经网络控制策略

目前,全球有200多项在研电推进飞机项目,包含传统固定翼飞机改造、新构型设计、全电推进系统和混合电推进等。近年来,电推进飞机的发展方向可分为纯电动固定翼、电动垂直起降和混合电推进3类。本文针对某小型无人机燃料电池和锂电池组成的混合动力系统,建立了由质子交换膜燃料电池混合动力系统、6自由度飞行器模型和基于神经网络控制器组成的整个系统仿真模型。为了满足无人机不同飞行阶段的电力需求,控制器控制电池电流和充放电速率。在燃料电池作为无人机主要动力源的情况下,对混合动力系统的性能进行验证和评估。对人工神经网络控制器和模糊逻辑控制器性能进行了比较,结果表明,人工神经网络控制器的性能明显提高,增强了无人机混合动力系统的整体稳定性。人工神经网络控制器在效率和油耗方面比模糊逻辑控制器略有提高,约为1%。这说明在这类系统中,所设计的神经网络控制器比经典控制器具有更强的鲁棒性,更好的响应能力、可靠性,可满足无人机燃料电池混合动力系统运行在最优水平和最优效率上。     

水泥砼路面基层刚度反演分析的EBP方法

利用人工神经网络方法，对水泥砼路面基层刚度的计算进行了研究。采用有限元模态分析技术，对弹性半无限空间体上的水泥砼路面板有、无基层刚度变化情况分别进行了模拟，得到了一系列路面板自振频率与基层平面位置的映射关系，将此作为EBP网络学习样本，为加快网络训练收敛速度，采用了学习率自适应调整策略。算例结果表明，EBP人工神经网络算法可用于确定路面板基层刚度变化与其实际位置之间的映射关系。     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.