三峡永久船闸高边坡开挖变形智能预测

将人工神经网络与遗传算法相结合,提出了一种用于预测边坡变形智能化的方法－进化神经网络方法,它应用遗传算法搜索最优的神经网络模型来描述岩体参数与岩体变形之间的非线性关系,进而在全局范围内进行岩体力学参数的最优辨识,并以此参数Ｅ计算边坡变形,将其应用长江三峡工程高边坡的开挖变形预测,取的较好的效果。     

BP神经网络在围岩变形预测中的应用

利用神经网络，建立了围岩变形预测的BP神经网络模型，采用围岩变形的实测数据对网络进行了训练，以此训练好的BP神经网络对围岩变形进行了预测。预测结果表明，该模型具有很高的预测精度，为预测围岩变形提供了一种新的方法。     

基于BP神经网络的深基坑变形预测

结合某深基坑工程,以桩体水平位移实际监测数据为样本,建立BP神经网络时间窗口预测模型,采用Matlab平台编写程序,采用Sim函数对网络进行仿真,采用Plot函数进行仿真误差分析,预测围护结构桩体的水平位移.结果表明,预测值同监测值、设计计算值吻合,表明了该预测方法的可行性.     

基于遗传神经网络的纱线质量预测

针对基于单一BP神经网络的纱线质量预测模型的不足,提出了一种基于遗传算法优化的神经网络的纱线质量预测模型,采用遗传算法完成对神经网络权值和阈值空间的寻优搜索,以提高神经网络的收敛速度和获得全局最优解的能力.通过试验表明,基于遗传算法优化的神经网络可以提高纱线质量预测模型的精度和稳定性,其性能优于基于单一BP神经网络模型的纱线质量预测.     

改进的BP神经网络预测地表沉陷

地表沉陷过程中呈现了众多的复杂性、非线性和破坏性,而用传统的三层BP神经网络预测地表沉陷精度较低,本文通过引进遗传算法来改进BP神经网络,对地表沉陷作了有效预测。     

遗传优化BP神经网络在槽况预测中的应用

针对目前国内对铝电解槽槽况诊断存在的的难度大、效率低等问题,设计了一种以槽电压信号为特征向量的诊断样本和BP神经网络模型.利用BP神经网络的自学习能力,对铝电解槽的槽况进行分析预测.同时本文利用遗传算法的最优搜索能力对BP神经网络的初始权值和阈值进行优化.通过MATLAB对状态预测算法进行编程.结果显示,对铝电解槽槽况的判断基本正确.     

基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

基于遗传优化神经网络的铁路客运量预测研究

采用遗传优化的BP神经网络对铁路客运量的现有数据进行分析,克服了BP网络极易陷入局部解问题,做出合理的客运量预测.首先用遗传算法优化神经网络的连接权, 并在遗传进化过程中保留最优个体的方法,选择权值的最优解来建立遗传优化的BP 网络预测模型, 最后通过铁路客运量数据预测结果的对比仿真实验,表明了该方法的有效性.     

贝叶斯正则化神经网络在深基坑变形预测的应用

针对传统BP神经网络在深基坑施工开挖变形的预测,基坑的安全性判定仅利用监测的最终数值而无法全面服务于深基坑工程,提出了一种遗传算法(Genetic Algorithm, GA)和贝叶斯正则化算法(Bayesian Regularization, BR)组合优化传统BP神经网络的预测模型,在优化预测模型中加入了影响深基坑安全稳定的客观因素及人为主观因素,进一步提高了BP神经网络全局优化能力以及泛化能力.研究结果表明：该组合优化方法对深基坑地表沉降和水平位移变形预测的平均相对误差分别为0.32%和0.59%,表现出较高的预测精度.该组合优化模型首次在深基坑变形领域验证了应用的可行性,为深基坑变形预测提供了新的思路和方法.     

基于遗传神经网络的数字化渐进成形回弹预测

针对传统BP神经网络具有易陷入局部极小等缺陷,采用遗传算法(GA)对BP神经网络(初始权值、阈值)进行了优化,将人工智能技术和激光扫描测量技术有机结合,建立了金属板材数字化渐进成形回弹预测的遗传神经网络模型,对计算结果与BP神经网络预测结果进行比较,表明遗传神经网络预测值与实测值之间具有很高的相关性和精确度,该模型可用于预测渐进成形工艺参数与回弹量之间的映射关系,为金属板材数字化渐进成形回弹量的预测开辟了一条新的途径.     

人工神经网络在矿井突水预报中的应用

突水预报是一项重要的矿井水文地质工作。借助于人工神经网络在处理非线性问题或非结构问题方面的优势,采用BP算法,基于大量矿井突水样本实例建立了突水预报神经网络模型,并将该模型用于实际预报,并取得了较好的效果。结果表明,模型具有较强的实用性。为了提高模型的预测精度,在训练样本的选择上还应具有一定的代表性。     

逐一混合遗传算法在大坝变形预报中应用

建立了大坝变形预报的逐一混合遗传模型,并将其与整体遗传模型、逐一Levenberg-Marquardt (LM)模型、整体LM模型进行了比较. 工程实例表明,在建模样本相同,预报因子相同,且结构参数不变的条件下,逐一混合遗传模型和整体遗传模型的预报精度分别高于逐一LM模型和整体LM模型,且预报结果稳定;逐一混合遗传模型和逐一LM模型的预报精度分别高于整体遗传模型和整体LM模型;随着样本的积累,逐一混合遗传模型的预报精度不断提高, 并具有实时性的优点, 可以准确、有效地应用于大坝变形监测量的实时预报.     

焊接热影响区性能的神经网络预测模型

针对四类２４种钢材，将其化学成分和ｔ８／５性能的数据作为样本，构造学习空间，建立了一种新的预测方法ＢＰ网络预测模型，并讨论了网络参数对网络收敛速度及误差函数的影响     

基于改进BP神经网络的镁还原率预报研究

介绍了BP神经网络和遗传算法的原理及特点,简述了皮江法炼镁工艺流程。为了研究各工艺参数与镁还原率之间的关系,针对标准BP神经网络存在的收敛速率慢、易陷入局部极小值等缺陷,建立了以煅白活性度、配硅比、制球压力、还原时间、还原温度、真空度为输入,镁还原率为输出的基于遗传算法优化的BP神经网络镁还原率预报模型。利用筛选后的生产数据对模型进行训练和预测,结果显示该预报模型能够较为精确地预报镁还原率,预测误差在±1.0%范围内的命中率达96%,最大误差小于1.3%,一定程度上可用于指导皮江法炼镁工艺中工艺参数的选择。     

神经网络的应用与展望

基于对BP神经网络理论的基本分析,重点探讨了神经网络与遗传算法的结合。在此基础上,给出了神经网络的研究热点与发展方向。     

基于遗传-神经网络的交通量预测

分析了遗传算法 (Genetic Algorithm,GA)和人工神经网络 (Artificial Neural Network,ANN)的优缺点 ,在此基础上提出了将遗传算法与人工神经网络有机结合起来的遗传 -神经网络预测模型 ,并将此模型用于河北省交通量预测 ,其预测结果的精度明显得到提高 ,表明遗传 -神经网络预测模型可以作为交通量预测的一种有效手段。     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。