基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

武器装备研制阶段费用预测方法及仿真

提出一种基于小波神经网络的武器装备研制阶段的费用预测方法.建立小波神经网络预测模型,并推导该模型的预测算法.应用一组美军反舰导弹数据进行仿真预测.结果表明,小波神经网络方法比传统BP网络方法平均预测误差减小了1%,收敛速度加快了3倍.     

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。     

BP小波神经网络在大断面隧道变形预测中的应用

将BP算法引入小波神经网络,自适应地调整小波系数和网络权重,同时利用自适应算法调节BP算法的学习率,提高收敛效率.以4车道隧道——前欧隧道的监测数据为基础,建立BP小波神经网络变形预测模型.预测结果表明:BP小波神经网络对地质条件相似,施工及初期支护方法相同的隧道断面变形进行预测,其预测结果满足工程精度要求,能较准确地...     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.     

布谷鸟算法优化BP网络的电力负荷预测

针对BP神经网络容易出现过拟合和陷入局部最优现象导致电力负荷预测准确性不高的问题,建立了在不同日期和气温等影响因素下的布谷鸟算法(CS)优化BP神经网络的电力负荷预测模型.训练BP网络确定基本结构,运用布谷鸟算法搜寻最优解替换为BP网络的最优参数,结合安徽某地区的电力负荷数据进行仿真分析,可以得出布谷鸟算法优化后的预测模型相比于单一的BP神经网络准确性得到提高,证明了所建立的CS-BP模型具有良好的预测性能.     

基于神经网络的黄金期货价格的预测

黄金期货市场是一个极其复杂的非线性动力系统,由于神经网络具有很强的非线性逼近能力,理论上能无限逼近任意非线性函数.选用了应用最广泛的BP 神经网络模型来预测黄金期货的价格.对采集到的影响黄金期货价格的因素数据进行了归一化处理后建立BP神经网络并进行了模拟训练,然后用训练好的网络进行检验,并比较了输出结果和真实值,发现用BP神经网络模型能够将误差控制在一个较小的范围内.经过实证研究可以发现BP神经网络用于价格预测可达到较好的效果.     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

基于小波神经网络的水库来水量预测模型

水库来水量预测是水库调度和水资源优化配置的重要依据,所以其预测精度值得引起重视.通过对小波分析理论和神经网络理论的研究,将两者结合起来,运用小波神经理论方法对水库来水量进行预测.取实例进行建模分析,并建立BP模型与之比较分析,计算结果为小波神经网络预测模型的精度比BP高很多,可以用于来水量预测.     

基于BP神经网络的股市预测模型

本文介绍了神经网络的基本概念,建立BP神经网络模型,以某个股实际收盘价为原始数据样本,对网络进行训练后,对股票价格进行了短期预测,并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快,预测精度高。     

神经网络技术在织机生产状况预测中的应用

为提高织机生产效率,研究了基于优化神经网络的织机生产运转状况预测方法.针对BP网络模型的缺点,在反复实验的基础上对BP网络参数、算法进行改进,建立了织机生产运转状况预测模型,并与传统的BP神经网络预测方法进行比较.实验结果表明,利用改进的BP神经网络预测织机生产运转状况时,网络收敛速度快,预测精度高,优于传统的BP网络...     

织物透湿性能测试与MATLAB应用研究

对各种织物透湿性能进行测试与分析.利用MATLAB6.5建立神经网络模型,选择最佳网络参数并对网络进行训练.通过应用实例提出了如何处理实验数据的方法,并通过建立大量的BP网络进行比较,筛选出最具应用价值的网络对透湿性能进行预测.     

灰色技术与小波网络融合的多因素预测模型

针对多因素预测中预测对象与影响因素之间具有非线性相关性、预测对象及其影响因素呈随机性、非线性变化的特点,同时各影响因素对预测对象的重要程度不尽相同,学习样本容量小、信息不充分,充分利用小波神经网络对非线性函数的强大拟合能力和灰色累加技术弱化原始数据随机性、增强规律性的优势,建立了灰色小波神经网络融合的多因素预测模型,并将其应用于交通量预测中.结果表明,与BP网络比较,所建模型可行有效,且提高了预测精度.     

爆破振动特征参量的BP小波预测

以福建泉州南惠高速公路NH5标段路基爆破开挖工程为实例,运用人工神经网络原理,以孔径、孔深、孔距、排距、最大单孔药量、单段最大药量、总药量和爆源距离作为影响爆破振动的主要因素,建立BP小波神经网络模型.对质点的水平径向、水平切向、垂直方向等3个方向分别预测其爆破振动速度峰值及频率,并将预测结果与BP神经网络、支持向量机的预测结果进行对比.实验结果表明:BP小波神经网络的爆破振动速度峰值-频率模型预测收敛快、精度高,优于标准BP网络和支持向量机模型,其结果更加符合国家标准GB 6722-2003《爆破安全规程》的评价要求.     

开采地面沉陷预测的神经网络方法研究

应用神经网络理论,建立了开采地面沉陷预测的BP神经网络模型,采用开采地面沉陷实测数据对网络进行了训练,以此训练好的BP神经网络模型来描述开采地面沉陷与其影响因素之间的非线性映射关系,并采用测试样本对模型进行了测试,结果表明,网络的预测性能是令人满意的.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

隐层自构造小波神经网络及其在深基坑支护工程中的应用

在结合小波分析和神经网络(ANN)基础上,提出了一种隐层自构造小波神经网络模型.该模型通过有限的经验数据学习,建立了深基坑支护结构变形量与其影响因素的非线性关系,并将其应用于深基坑支护工程实例当中.研究表明,该网络训练时间不到0.5 s,预测精度高,预测结果可靠,对今后保证深基坑支护工程施工安全具有借鉴意义.     

基于小波与DBN的负荷预测模型

针对原始数据存在干扰以及BP神经网络和深度置信网络(DBN)局限性的问题,提出了一种小波与DBN相结合的负荷预测模型.该方法主要是先将原始负荷数据进行小波降噪,将降噪后的数据用来训练DBN模型,最后用该模型进行负荷预测.分别对比BP、DBN以及小波与DBN组合模型对负荷的预测结果与真实值的差异,仿真结果表明小波与DBN组合预测模型预测曲线趋势和真实值的一致性最好,从数据中得出BP、DBN以及组合模型预测结果的均方根误差分别为23.862、13.656和10.477,说明小波与DBN组合模型对负荷预测的准确性最高.