基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

基于高效求矩法与最大熵原理的矩方法

矩方法是进行结构可靠度分析的重要方法之一,其精度与效率很大程度上依赖于对功能函数矩的求解.然而,现有的求矩方法并不能很好地兼顾精度与效率.鉴于此,提出了一种基于高效求矩法与最大熵原理的矩方法.首先,通过自适应二维减维与高阶无迹变换求解结构功能函数前四阶矩,继而依据求得的前四阶矩,采用最大熵原理求解结构可靠指标.算例部分通过两道例题,将所提的高效求矩法与已有求矩方法,如蒙特卡洛方法、一维减维点估计等方法的求矩结果进行了对比,同时对比了结构可靠指标的计算结果.结果表明,所提的矩方法在求矩方面既提高了效率,也能保证精度,且计算得到的结构可靠指标的精度也能够满足工程要求.     

用极限分析方法计算边坡可靠度上限值

为了减小边坡可靠度计算在模型建立、参数估计和算法选取上的误差,建立了基于极限分析上限定理的边坡可靠度分析模型,采用最大熵原理推断边坡结构参数的统计特征,并采用Monte Carlo模拟法计算边坡的结构可靠度上限值。最后将结果与其他方法进行了比较。研究结果表明：利用最大熵原理、Monte Carlo模拟法和基于上限定理的边坡可靠度分析模型所计算的可靠度值是边坡可靠度的一个严格上限值,该模型与极限平衡法模型、R.Jimenez-Rodriguez等模型计算的结果比较接近。     

基于自组织神经网络与遗传算法的边坡稳定性分析方法

将自组织(SOM)神经网络、误差反馈(BP)神经网络和遗传算法(GA)三者结合起来,应用于边坡稳定性分析中.首先推导了基于高斯函数的SOM神经网络过程简化权值求解公式,并采用SOM神经网络对收集到的边坡样本进行归类,降低了学习样本的噪声;然后设计了适用于边坡工程的神经网络结构编码模式;再将GA用于优化BP神经网络结构;最后对优化后的BP神经网络进行了计算.计算结果证明,优化后的BP神经网络在安全系数的拟合以及样本的误差分布方面均有明显的改善.同时,通过与其他类型的神经网络相比较,优化后的BP神经网络准确度较高,用于计算边坡的安全系数误差较小.     

基于神经网络-蒙特卡罗法的隧道初衬可靠度研究

对于功能函数是隐函数的可靠性分析问题,传统的有限元蒙特卡罗法计算量极大。为了克服此缺点,提出了径向基神经网络-有限元蒙特卡罗法(RBF-MCS)。通过样本训练,创建了径向基神经网络模型。利用ANSYS软件中的可靠度分析模块,分析了基本随机变量对隧道初衬轴力的灵敏度大小的顺序。通过此方法和传统的有限元蒙特卡罗法分别计算了大瑶山隧道初衬的轴力和可靠度,并进行了对比分析。基于径向基神经网络-有限元蒙特卡罗法(RBF-MCS)的计算结果与施工实际吻合较好,通过现场观察也没有发现喷层混凝土压裂破坏,可见计算结果是符合实际的。径向基神经网络-有限元蒙特卡罗法比传统有限元蒙特卡罗法更加适合复杂结构的计算,具有更高的效率、精度和适用性。     

神经网络在黄土边坡稳定性分析中的应用

应用神经网络理论估算黄土边坡稳定性的安全系数,用黄土边坡实例作为输入样本,建立神经网络BP模型,以安全系数作为输出值,进行实验。试验结果表明,该方法计算所得安全系数较为可靠,可用于边坡稳定性分析。     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

圆弧条分法在岩质边坡稳定性中的应用

为了准确判断岩质边坡的稳定性,有效指导边坡的设计与施工.利用极限平衡原理,引入岩质边坡裂隙水压力,推导了边坡稳定性的安全系数公式.通过对典型边坡采用圆弧条分法计算分析,得出边坡稳定系数.该方法适用性强,计算简单,结果与工程实际相符,对设计和施工有借鉴意义.     

基于信息扩散和BP网络的黄土边坡稳定性分析

目的探讨基于信息扩散原理的BP神经网络的黄土边坡稳定性评价模型。方法收集黄土地区24组黄土边坡实例,采用模糊信息优化处理中的信息扩散原理,建立各评价因子与安全系数之间的模糊关系,并在此基础上建立与BP神经网络相结合的评价模型。结果建立的评价模型对4组预测样本的预测结果,效果良好,较好地解决了样本过少或含有矛盾样本的问题。结论该模型在黄土边坡稳定性评价中比普通神经网络具有更高的实用性和有效性。     

基于人工免疫的RBF神经网络在钢筋性能预报中的应用

提出了一种基于免疫识别原理的径向基函数神经网络学习算法.该算法利用人工免疫系统的识别、记忆、学习等原理,将输入数据作为抗原,抗体为抗原的压缩映射作为径向基函数神经网络模型的隐层中心,输出采用最小二乘法确定权值.通过预报热轧带肋钢筋力学性能的仿真实验结果表明,与K-均值法选择中心点比较,该算法计算量较小,精度高.     

边坡岩体力学参数反分析方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法. 按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析. 反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性.     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

挡土墙稳定性安全系数与可靠度指标的关系

寻找重力式挡土墙抗倾覆稳定性安全系数和抗滑移稳定性安全系数与对应可靠度指标的关系.针对甘肃某粘土边坡设计36种不同截面尺寸的挡土墙,利用MATLAB程序分别计算每种挡土墙的安全系数和可靠度指标,可靠度指标的计算方法为一次二阶矩法中的验算点法.分别绘制抗倾覆稳定性安全系数和抗滑移稳定性安全系数与可靠度指标的关系曲线图,可以看出可靠度指标随着对应安全系数的增大而增大.     

运用神经网络估算黄土边坡的安全系数

应用人工神经网络BP模型的非线性动力学、自学习和实时处理等特性,以黄土边坡实例作为输入样本,建立神经网络BP模型,并以安全系数作为输出值,估算黄土边坡稳定性的安全系数.通过试验数据对比,所得安全系数误差在6%以内,表明该计算方法可用于边坡稳定性分析.     

基于泰勒级数法的边坡稳定性分析方法

边坡稳定可靠度分析方法考虑了岩土材料不确定性对边坡稳定的影响,是一种更符合实际情况的分析方法.然而,可靠度分析方法理论较复杂,应用过程中对参数统计、模型计算等方面的要求较高,不利于工程推广.基于此,本文将Duncan提出的一种简化可靠度分析方法-泰勒级数法引入到边坡稳定分析中.泰勒级数法是一种基于安全系数法的可靠度分析方法,通过分析安全系数法中所包含各参数不确定性对安全系数的影响,求得边坡稳定失效概率.首先,分析形成了在边坡稳定分析中应用泰勒级数法的基本步骤.继而,通过举例分析了应用泰勒级数法所需参数的标准差求解方法.最后,利用工程实例说明,泰勒级数法在边坡稳定分析中具有较强的可操作性,为边坡稳定可靠度分析提供了一条新的思路.     

基于Monte Carlo法的垃圾填埋场平移破坏可靠度分析

垃圾土力学特性指标在空间和时间上都存在很大的变异性。垃圾土力学特性指标主要用于填埋场边坡稳定分析中。首先,基于极限平衡原理的双楔体法获得可靠度分析的状态函数;然后,运用Monte Carlo法分析了垃圾土力学特性指标变异性对填埋场边坡稳定的影响。通过研究发现,随着样本数的增加,失效概率的标准差逐渐减小,但趋势减缓;随机产生8000样本数可以满足Monte Carlo法可靠度分析的收敛要求;考虑了垃圾土变异特性的填埋场可靠度分析,安全系数的概率分布并不只有一种分布,而是在正态分布与对数正态分布之间随机发生;所提方法所得可靠度指标值相比一次二阶矩法所得偏小,且该方法的随机分布性以及可操作性,使得这种方法能更好地评估填埋场的稳定性。     

基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明：与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO) -BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。     

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.     

基于均匀试验人工神经网络的实用可靠性方法

根据均匀试验的设计提出了一种全新的可靠性计算方法,它有机地综合了人工智能网络.人工神经网络弃用有限单元法（FEM）而改用该方法,一个根本原因在于它能极大地减少计算量.首先,根据随机变量分布情况,通过均匀试验提取出有限样本,将它们看作是有限元法分析的输入参数.其次,基于有限元分析结果利用这些有限的训练样本构建最优的人工神经网络.利用最优人工神经网络的泛化能力,随机得到一个有效的响应值,然后计算出结构系统的可靠性指数.最后,这一计算方法还为进行可靠性分析提供新尝试,在对复杂系统进行实际试验时该方法表现得切实可行且有效.