Dynamic learning rates algorithm for BPNN to forecast time series of dam security

Time series data of dam security have a large number of observed values and should be forecasted accurately in time. Neural networks have the powerful approach ablilities of arbitrary functions and have been broadly utilized in many domains. In this paper, a dynamic learning rate training algorithm of back-propagation neural networks for time series forecasting is proposed and the networks with this algorithm are built to forecast time series of dam security. The application results demonostrate the efficiency of modelling and the effictiveness of forecasting.     

基于遗传算法的双线性模型在大坝安全监测预报中的应用

文章提出了实用自相关系数图确定双线性模型的自回归项,应用了基于遗传算法的一套建模方法。通过实例表明,由于双线性模型实际拟合和预测过程中产生的残差信息进行反馈矫正,保证了模型高的拟合精度和稳健的预测性能,与门限自回归模型比较,双线性模型比门限自回归模型具有更好的预测精度。     

基于深度图强化学习的低轨卫星网络动态路由算法

为了解决高移动性导致卫星网络路由难以计算的问题,融合图神经网络和深度强化学习,提出一种基于深度图强化学习的低轨卫星网络动态路由算法。考虑卫星网络拓扑和卫星间链路的可用带宽、传播时延等约束,构建卫星网络状态,通过图神经网络对其进行表示学习;根据此状态的图神经网络表示,深度强化学习智能体选择相应的决策动作,使卫星网络长期平均吞吐量达到最大并保证平均时延最小。仿真结果表明,所提算法在保证较小时延的同时,还能提升卫星网络吞吐量和降低丢包率。此外,图神经网络强大的泛化能力使所提算法具有更好的抗毁性能。     

动态网络安全模型的研究

传统的静态网络安全模型不能完全反映分布式的、动态变化的互联网安全问题，在此提出了P^2DR^2C动态网络安全模型，可以弥补上述缺陷．模型基于主动防御的思想使得系统在对抗入侵时具有很好的主动性，从而极大地提高了系统的可生存能力。     

卡车路段行程时间的实时动态预测

分析了建立卡车路段行程时间预测模型传统方法的不足,考虑到高度非线性的露天矿运输系统有别于公路交通系统,针对卡车运行时间的随机性,采用多因子预测,阐述了应用人工神经网络(ANN)原理和方法对卡车路段行程时间预测的可能性和优越性,建立了预测模型的基本结构,描述了行程时间与其影响因素间的非线性映射关系,从而提出了基于人工神经网络原理的行程时间预测模型。     

基于双阶段注意力机制的大坝变形深度学习预测模型

为提升大坝结构变形预测精度,采用完全自适应噪声集合经验模态分解(CEEMDAN)法将变形实测序列解耦为一系列具有不同时频特征的本征模态函数,使用小波阈值消噪对高频分量平稳化处理后进行重构,利用基于双阶段注意力机制的长短期记忆网络(DA-LSTM)模型对重构变形序列进行预测。实例验证结果表明,联合CEEMDAN算法和小波阈值消噪方法能够有效识别并清洗实测数据中的异常值,提升了测值对大坝运行性态的表征能力,同时DA-LSTM模型可以充分挖掘大坝变形的滞后性和增强网络的可解释性,据此构建的变形预测模型具有优良的稳健性。     

协同神经网络聚类型学习算法

协同神经网络是一类全新的神经网络 ,它可以根据竞争神经网络的一般原则划分为匹配子网和竞争子网。其中 ,匹配子网的学习是协同神经网络的一个中心问题。改善匹配子网的学习效率有 2种途径 :对伴随向量求解算法的改进和原型向量选取方法的改进。文章浅析了这 2种类型的学习算法 ,着重研究了聚类算法在原型向量选取中的应用 ,并以一组交通标志图像作为识别样本 ,验证了选取原型向量 2种思路的有效性。     

电力系统短期负荷预报的动态神经网络方法

提出了一种用于电力系统短期负荷预报的动态神经网络模型。这种模型同时兼顾了时序法和相关法的特点，将日期特征量，气象特征量及一天的多个有功负荷水平作为神经网络的输入信息，通过对输入信息动态，灵活地处理，利用有监督的学习算法对神经网络进行训练，再预测下一天相应时间点的多个有功负荷，以提高有功日负荷的精度和方法的适应性，为电力系统经济负荷分配提供可靠的依据。     

Elman回归神经网络在大坝安全监控中的应用

给出了E1man回归神经网络的网络结构和学习方法。基于E1man回归神经网络能够逼近任意非线性函数的特点，提出了一种基于E1man回归神经网络建立安全监控模型的方法。实验表明，所建立E1man神经网络模型收敛速度快，并且其拟合及预报精度高于统计模型和BP网络模型。     

神经网络对混凝土动态特性的预测及试验

为研究混凝土高应变率下的动态特性,基于神经网络对非线性系统的辨识和预测功能,结合Leven-berg-M arquardt算法,利用变截面Hopk inson压杆对聚丙烯纤维混凝土的3种应变率下冲击压缩试验数据,采用BP网络对其峰值应力和对应的应变进行预测,并与试验结果进行了比较。分析表明,预测仿真结果与试验结果是相吻合的,所建立的网络模型可为研究混凝土高应变率下的应力应变关系提供参考。     

鸽子强化学习过程中内部学习状态的动态建模研究

经典Q-learning强化学习模型中学习率为一固定参数,无法有效反映认知学习的动态过程。提出了一种将学习速率表征为时变参数的Q-Learning强化学习模型,给出了利用近期历史行为数据估计阶段性学习速率的方法。为了评估验证该模型的性能,设计了条件刺激与操作行为奖励无关→相关→无关三个阶段动态试验范式,用以观察和分析鸽子在随机强化、固定强化,以及固定强化关系消退等不同条件下的学习行为变化过程,采用动物触屏行为系统完成了3只鸽子颜色刺激-啄屏抉择认知训练,利用训练过程中不同session的行为数据对动态学习率进行了最小二乘估计。分析结果表明:可以获得更小的行为预测误差,误差下降收敛的速度更快,同时学习率的动态变化过程可以有效的反映动物认知行为训练过程中的内在学习状态。     

Research of Dynamic Competitive Learning in Neural Networks

Introduce a method of generation of new units within a cluster and a algorithm of generating new clusters. The model automatically builds up its dynamically growing in ternal representation structure during the learning process. Comparing model with other typical classification algorithm such as the Kohonen‘s self-organizing map. the model realizes a multilevel classification of the input pattern with an optional accuracy and gives a strong support possibility for the parallel computational main processor. The idea is suitable for the high-level storage of complex datas structures for object recognition.     

动态灰色预测模型在大坝变形监测及预报中的应用研究

详细地讨论了灰色预测模型GM（1，1）和动态灰色预测模型的基本内容及建模过程，并成功地将等维新息和等维灰数递补两种动态灰色预测模型应用于大坝变形的预测预报。实践证明，等维新息动态预测由于实时地加入了新的信息，提高了灰区间的白色度，预测效果最好；等维灰数递补动态预测利用了序列建模的结果，淡化了灰平面的灰度，使预测结果有所改善；GM（1，1）模型由于是静态地反映系统的变化趋势，预测的精度最低。因此，动态灰色预测模型在大坝变形的预测预报中比静态预测模型具有更高的应用价值。     

神经网络组合模型在大坝位移预测中的应用

为了提高大坝位移量预测的精度,引入了粒子群优化神经网络的组合预测方法。该组合预测方法以灰色GM(1,1)、回归分析法的预测值及预测结果的平均值作为输入,实际的大坝位移量作为输出,来进行非线性组合。实例表明,粒子群优化神经网络组合预测法的均方误差为1.1946,平均绝对误差为0.7814,均小于单一模型及等权平均模型的相应值,适用于大坝位移量的预测。     

BP神经网络在大坝安全综合评价中的应用

提出了基于改进的BP神经网络的大坝安全综合评价方法，将改进的BP神经网络应用于大坝综合评价，意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。通过对给定学习样本模式的学习，获得取学习样本中所体现的评价专家的经验、知识、主观判断及对目标重要性的倾向。当需对评价对象作出新的综合评价时，该方法便可再现评价专家的经验、知识和直觉思维，从而实现定性分析与定量分析的有效结合，较好地保证评价结果的质量，示例表明，这一评价方法是合理、可行的。     

土石坝安全监测软件系统设计与实现

述了在当前科学技术条件下,土石坝安全监测系统的发展趋势,确定了土石坝安全监测软件系统开发的基本原则,并对其进行了阐述和论证．设计了一种新的土石坝安全监测软件系统结构——总线型软件系统结构,并列出了软件开发中的关键技术．利用此软件系统结构和关键技术开发了一套土石坝安全监测系统。通过在工程实践中的应用发现总线型软件系统结构稳定性好,实用性和先进性并重,体现了当今土石坝安全监测软件的开发要求和趋势．     

基于BP神经网络在坝体水平位移预测中的研究

利用大型软件MATLAB中BP神经网络对坝体位移进行预测。利用大坝正常运作时的观测数据,训练BP网络,用它对坝体水平位移进行有效预测,可以辅助判断实测值正确与否。这要比运用ANSYS等大型有限元软件对坝体建模计算得出位移值方便,同时根据预测的位移值及其变化情况监测大坝的健康运作与否。     

一种改进的B样条网络学习算法应用于非线性时间序列预测

将一种关于一维输入的改进B样条网络学习算法推广到二维输入情形，并应用到一个非线性时间序列预测问题中，计算机仿真结果表明该算法比现有的B样条网络学习算法更有效。     

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.     

学习算法对反馈神经网络故障性能的影响

以离散 Hopfield神经网络为例 ,详细研究了学习算法对反馈神经网络故障性能的影响。简要介绍了离散Hopfield神经网络及其采用的 Hebb学习算法。详细分析了连接故障在学习过程中对网络连接权值故障性能的影响。给出了网络输出状态概率分布变化的计算公式。进行了计算机仿真 ,验证了理论分析结论的正确性