基于精细积分的桥梁移动荷载识别精度分析

为了识别作用于桥梁结构的移动荷载并对识别的敏感性进行分析,比较各参数对识别结果的影响,首先有效地将桥梁结构振动微分方程转化为精细积分方法的一般形式,进而得出荷载识别精细积分方法的HPD-S格式;基于Matlab仿真技术,重点讨论测量噪声、模态数、车速及采样频率等几个主要参数对识别结果的影响。仿真算例表明,该识别方法对模态数不敏感,但对采样频率敏感性较高,车速与测量噪声是影响荷载识别精度的主要因素。通过选择适当的参数,该方法可以有效地识别桥梁结构的移动荷载,从而为工程应用提供技术指导。     

桥梁移动荷载的识别与参数分析

采用样条函数逼近法对简支梁桥与多跨连续梁桥上移动荷载进行识别和参数分析．由欧拉梁理论与模 态叠加法,建立了移动荷载作用下的梁桥运动方程;利用样条最小二乘法逼近应变响应;由Tikhonov正则化方 法与奇异值分解得到了荷载识别的正则解．数值分析中,对简支梁和三跨连续梁上的移动时变力和车桥接触 力进行了识别,并对影响因素进行了参数分析．研究结果表明,采用样条函数逼近法能有效地识别简支梁与 连续梁桥上的移动荷载,具有很强的实用性和抗噪性能,且对简支梁桥移动荷载的识别精度和抗噪性能均高 于连续梁桥;采用Tikhonov正则化方法能够得到荷载识别的稳定解,并可提高识别精度和降低噪声敏感性．     

基于BP神经网络的用电器识别系统设计

为完成针对用电器使用情况的精确识别研究课题,该文设计了电参数测量装置,主要包括电参数测量电路、无线通讯单元和电源供电单元,电参数测量装置主要用于采集单个用电器工作电流数据并传送给上位机存储留待后续处理.上位机将接收到的数据进行复合数字滤波,并基于BP神经网络通过叠加原理排列组合出多种情况,生成训练数据集,从而实现用电器...     

基于卷积神经网络的荷载大小与位置同步识别

结构健康监测和状态评估中现有大多数研究均需要精确的荷载作用位置或详细的荷载时程,为了同时获得荷载大小和位置,构建并训练了同时具备分类和回归能力的两分支卷积神经网络,建立了融合分类问题和回归问题的损失函数,提取结构响应与荷载大小、结构响应与荷载位置间的映射关系.通过数值简支梁算例和三层试验框架验证了该方法识别结构荷载大小和位置的精度.结果表明：噪声条件下数值模型的荷载识别误差在8%以内,荷载位置识别准确率在95%以上;实际结构的荷载识别误差在18%以内,荷载位置识别准确率为100%.两分支卷积神经网络可以很好地同时识别荷载大小和位置.     

桥梁移动荷载识别的几个问题

基于时域法TDM求解思路,阐述了基于预处理共轭梯度法(PCGM)和基于矩量法(MOM)的移动荷载识别方法的基本原理及仿真计算研究成果,分析讨论了预优矩阵选取、基函数选取、不适定问题解决方案、计算量及计算时间等问题,并指出两方法具有良好的应用前景,尤其是MOM计算效率高,适合实时识别。最后还指出了仍需进一步研究的问题。     

基于反向传播神经网络的遗传算法在酒类气体识别中的应用

把基于反向传播神经网络的遗传算法用于酒类气体识别实验中的传感器阵列的筛选,通过评价传感器组合对反向传播神经网络识别酒类气体结果的影响,建立一种挑选传感器阵列的方法,该算法选出的变量与用统计方法得到的结果一致     

基于BP神经网络的中文分词算法研究

简要探讨了BP神经网络的学习过程与主要参数,分析了基于BP神经网络的中文分词算法,并在用joone-editor建立的神经网络模型中加以实验。     

基于BP神经网络的有价证券序列号识别

有价证券快速鉴伪一直是金融领域重点研究课题,该文针对有价证券序列号识别速度慢、效率低的问题,提出了一种基于BP神经网络的有价证券序列号模式识别算法。算法首先通过中值滤波降噪、二值化等方法将光学传感设备获得的有价证券原始图像进行预处理,然后采用基于网格的八方向梯度特征对序列号进行特征提取,最后通过训练后的BP神经网络对有价证券序列号图像进行识别,得到有价证券序列号。仿真结果对比表明了该方法的有效性。     

基于BP神经网络的火焰识别系统

本文提出了一种基于BP神经网络的火焰识别系统,其对火焰的各种状态进行了识别,提高了早期发现火焰的能力。实验结果表明,该方法在火焰自动识别中是一种十分有效的方法。     

基于神经网络的负载识别

提出了基于神经网络的负载识别方法,对供电系统管理有重要的现实意义.     

基于灰色BP神经网络的混凝土连续刚构桥应力预测

为了对混凝土连续刚构桥施工过程中的应力进行控制与预测,保证桥梁施工的安全,根据灰色理论和BP神经网络建立了灰色BP神经网络应力预测模型GNNM（1,1）．以贵阳花溪特大公路刚构桥施工过程实测应力为输入数据,对模型GNNM（1,1）进行训练,得到了应力预测值．该预测值与检验值的相对误差在3％以内,表明GNNM（1,1）模型的预测精度高,可以对混凝土连续刚构桥施工进行短期应力预测,同时,对大桥应力控制及安全施工具有一定的参考价值．     

基于BP神经网络的城市燃气月度负荷预测研究

应用MATLAB科学计算软件编制了对浙江省某城市燃气月度负荷的预测程序,建立了燃气月度负荷预测的BP神经网络模型,对模型进行训练后,利用它对该市燃气月度负荷进行了预测,预测结果的相对误差最在±6.34%以内,由预测结果可知该模型预测精度较高,完全可以达到工程实际应用的目标。     

神经网络短期负荷预测中的数据分析

在运用神经网络进行短期电力负荷预测中，输入数据的复杂性和冗余性给网络训练的效率和预测精度造成了显著的负面影响。文中提出了一种复全的数据分析方法，先采用输入变量贡献分析方法，根据输入变量对输出贡献的大小划分为主要变量和次要变量，在保留主要变量的基础 ，再采用多元统计分析中的主成分分析法，消除变量间的线性相关性，在此达到压缩变量维数的目的。将此分析方法用于处理神经网络的输入变量，提取其主要成分，使结构大为简化。结果表明，经该方法处理后的数据输入神经网络，训练时间大幅度缩短，负荷预测精度亦有一定程度的提高。     

基于BP神经网络诊断桥梁结构故障

改进BP算法加快其收敛速度,将其应用于诊断悬梁板的故障.通过仿真实验验证该算法可行有效,可实现故障裂纹位置的预测,提高故障识别率28.01%.     

关于BP算法在负荷预测相关问题探讨

本文在研究了神经网络的模型建立问题基础上,探讨了电力负荷BP算法的建模方法,包括对BP网络模型建立中的隐含层数确定、隐含层节点数确定、训练次数与精度的关系、学习速率的选择、初始权值、训练样本的选择及归一化处理等相关问题进行了较深入定性和定量分析,并通过算例进行了比较实验,得出有益结论。     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。     

基于改进的BP神经网络算法的控制系统在线辨识方法

 讨论了以计算机虚拟仪器为核心器件,搭建了动态测试与系统辨识硬件平台,使用Delphi语言编写辨识模块,实现对控制系统的在线辨识。在非线性系统辨识方面,针对BP神经网络算法中存在的收敛速度比较慢和辨识精度不高的问题,提出一种基于降低网络灵敏度的MBP神经网络辨识算法和一种基于小波分析的神经网络辨识算法,实现了对控制系统的状态进行预测估计。并以“防空武器半实物仿真系统”中的三轴稳定平台为对象,试验验证了算法的正确性。