基于BP神经网络和遗传算法技术的边坡稳定性评价

本文将BP神经网络和遗传算法技术应用于边坡的稳定性评价,通过对标准BP算法进行改进,提出了用遗传算法优化神经网络的GA-BP算法,这样既发挥了神经网络的广泛映射能力和遗传算法的全局搜索能力,实现了两者的优势互补,也加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力。     

基于神经网络的边坡稳定性分析

为了评价边坡的稳定性,利用神经网络对样本进行训练。由于传统的BP神经网络存在不足,利用了自适应步长的BP神经网络和Levenberg-Marquardt法,并与传统的BP神经网络进行比较。结果表明,这两种方法在提高计算速度和泛化能力具有优势,其中自适应步长的优点更加明显。在考察训练样本预测的准确性方面,3种BP网络的结果相近。     

基于遗传神经网络的边坡稳定性智能分析方法

分析了边坡稳定性的影响因素,建立边坡稳定性智能分析的系统模型.将遗传算法和人工神经网络相结合,并建立的遗传神经网络(GNN)具有较高的学习效率和较强的泛化能力.数值算例表明,GNN能有效地克服经典BP神经网络学习速度慢及泛化能力弱的缺点,基于GNN的边坡稳定性智能分析方法具有较高的分析准确率.图4,表2,参11.     

基于神经网络的多参数露天边坡稳定性分析

针对分析露天边坡稳定性的参数的不确定性和不完备性,精确分析方法在表达边坡系统各组成部分之间的非线性关系上有其局限性问题,依据神经网络建立的数学模型,采用神经网络的学习方法,对露天边坡进行稳定性评价。计算结果表明:边坡实际状态和预测结果十分相近,因此运用神经网络模型评价黄土地区边坡的稳定性有较好的适用性,该方法对露天边坡稳定性预测预报具有重要的理论意义和实用价值.     

加速遗传算法在边坡稳定性分析中的应用

本文根据现行规范及可靠指标的几何涵义,建立了基于可靠度的土质边坡稳定性分析的优化模型,介绍运用遗传算法及加速遗传算法对该模型求解的处理方法及过程,并编写了相应的计算程序。应用该法对不同高度路堤的稳定性进行了分析,并用同济启明星边坡分析软件Slope V1.0计算的结果检验了其正确性。通过分析计算结果得出:基于可靠度的土质边坡稳定分析方法可以更直接地反映工程的安全状况,且由于它考虑了土的变异性,因此也更合理;加速遗传算法比简单遗传算法具有更快的收敛速度及更稳定的结果。     

边坡稳定性分析方法的最新进展

概述了边坡稳定性分析方法取得的一系列成果,具体表现为极限平衡理论、数值分析方法、图解法、复合法等确定性分析方法的发展和随机分析方法、模糊分析方法的举详细分析了边坡稳定性分析方法的最新进展,指出边坡稳定性分析应加强实验研究,进上步完善确定性分析方法,并大力发展随机分析方法和模糊分析方法。     

岩土边坡稳定性分析方法综述

文章对现有边坡稳定性分析方法进行了综述，总结了各种边坡稳定性分析方法的优缺点及其适用范围。目前，极限平衡法仍在工程中广泛应用，随着计算机技术的兴起，数值分析法是未来发展的趋势。     

基于神经网络专家系统的边坡系统设计

基于神经网络和专家系统自的特点，研究了神经网络和专家系统的集成系统，论述了系统的设计思想、总体结构及实现的基本原理，通过软件设计实现了“可视化”操作，系统具有知识自动获取，预测速度快，鲁棒性及容错能力强等特点，这一研究为解决边坡稳定性评估问题提供了一种有效途径。     

量子遗传算法对砂类边坡稳定性敏感度的分析

边坡稳定性的影响因素复杂,需要寻找不同状态下影响较大的因素针对治理。针对传统边坡稳定性计算繁琐问题与边坡分析中常用的遗传算法的收敛速度慢、易陷入局部最优情况等劣势,使用量子遗传算法进行边坡分析,并将该方法应用到实际边坡的分析中。通过模拟参数波动的方法,计算了边坡稳定系数对内摩擦角、黏聚力、土体容重、坡高的敏感度,及不同参数波动时对其他参数敏感度的影响程度,并通过此方法完成了对边坡在不同参数变异情况下的最危险滑坡区间的预测。     

采用遗传算法自组织神经网络模糊控制器

提出一种自组织神经网络模糊控制器的新方案。该方案的一个主要特征是,可获得实现模糊控制器的最小且最优的神经网络结构,而且所获得的模糊控制器同时具有神经网络的广泛映射能力、联想概括能力和遗传算法的快速全局收敛、再励式学习等优良特性。     

基于遗传算法的边坡稳定有限元分析

提出了一种边坡稳定计算的新方法,该方法采用Marc有限元软件计算边坡的应力,考虑了几何和材料非线性.采用一条折线模拟边坡滑动面.根据遗传算法原理编制程序,搜索对应最小安全系数折线上的节点,从而确定最危险的滑动面.与通常的边坡稳定计算方法相比,该方法摈弃了圆弧滑动面的假定并考虑了边坡的应力分布,可以更好地反映实际情况.算例比较表明,该方法计算结果更为合理.     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.     

基于遗传算法的BP网络的优化设计方法

针对BP网络存在易陷入局部极小和收敛速度慢的问题,采用遗传算法（GA）优化BP网络;并采用混配的方法,对遗传算法进行了改进,克服了遗传算法中所存在的种群内过早收敛的缺点,并在光纤陀螺温度漂移建模中,取得了较好预测的效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于模糊自组织神经网络的多目标跟踪算法

分析了多目标跟踪问题的数据关联算法复杂性,研究了基于模糊C均值聚类算法的模糊自组织神经网络的特性及其在多目标跟踪中的应用,提出了将FKCN算法、自组织神经网络与数据关联、滤波相结合的跟踪算法．仿真结果表明本算法能在多目标环境下取得较好的跟踪效果．     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

边坡稳定性分析水平条分法及其进化计算

研究了层状边坡稳定性分析计算方法,提出了适合此类边坡稳定性分析的水平条分法．通过改进进化过程中的选择和复制机制以及交叉和变异操作,提高了进化算法的搜索效率和全局收敛性能,并据此提出了层状边坡稳定性分析和临界滑动面搜索改进进化算法．实例验证及对比分析表明本文方法与常用方法如Bishop法和Chen-Morgenstern法的计算结果的误差在5％以内,适合于非均质边坡稳定性分析且能快速搜索到全局最优解．     

基于MATLAB下BP神经网络的边坡稳定分析

文章以小浪底水利枢纽大坝下游2km黄河南岸的东苗家滑坡体为例,讨论MATLAB下的BP神经网络工具箱在边坡稳定性分析中的应用.结论是:利用MATLAB的神经网络工具箱可以实现边坡稳定性预测,且预测结果与其他方法计算结果相吻合;正确选择训练网络模式和传递函数、网络训练的权重和偏差是至关重要的.     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

基于遗传算法的分布结构模糊神经网络

提出了一种用于模糊系统建模和分析的分布结构模糊神经网络,这种网络将所有输入变量的从属度与各输出变量的从属度通过分布结构独立对应起来,利用遗传算法得到网络的权与输入变量的从属函数最优化参数,最后给出计算机模拟结果。