三次样条插值对人工神经网络预测软土固结精确度的影响

软土固结会引起漫长的地基沉降。人工神经网络(ANN)是预测地基沉降的一种常用工具。为了进行预测,需要使用一定的前期沉降观测数据训练ANN。采用两类训练方法:一类是直接使用观测数据训练网络,这是普通方法;一类是在观测数据中借助三次样条插值(CSI)技术进行等时距插值,然后一并利用观测数据和插值训练网络。三次样条插值是通过求解三弯矩方程组,在曲线的非连续数据点之间形成填充数据的技术。借助Mat Lab的函数Spline,可以完成插值计算过程。结果发现,在不同固结阶段进行预测,引入CSI插值训练的网络预测准确度均高于直接用观测数据训练的网络。这一发现,对于工程实践具有重要意义。     

试论人工神经网络在高校突发事件预警中的应用

随着社会变迁不断加剧和改革不断深化，我国高校的内外部生态环境发生了巨大变化，高校各类突发事件时有发生，并有逐步增加的趋势，对突发事件预警的研究刻不容缓。本文基于高校突发事件预警，将人工神经网络方法运用其中，以期对高校稳定提供理论支撑和方法指导。     

人工神经网络应用于光谱分析：校正与辨识

将人工神经网络（ＡＮＮ）用于光谱分析校正与定量分辨中，采用三层节点模型和反向传播学习算法对模拟与实测数据处理结果表明，人工神经网络对光谱分析校正与定量辨识是可行的。从页为光谱辨识与多元校正提供了一条新途径。     

人工神经网络的硬件实现——A/D转换电路

本文阐述4位A/D转换器的基本原理及其在硬件实现中的主要技术问题.给出了从Hopfield的原理电路逐步演化成实际电子电路的设计过程,讨论了如何保证各个神经元在最佳状态下进行翻转,从而获得可靠、准确的输入-输出特性.同时指出了在计算机仿真中人们难以发现的极限环现象及其消除方法.     

基于人工神经网络的高考扩招趋势预测研究

高考扩招系统足一个“黑箱”,各因素问是否存在因果关系还很模糊,基于人工神经网络自身的特点,采用BP模型,借助MATLAB语言对高考扩招系统进行预测研究．通过对历史数据的处理、程序的设计、网络的训练等进行分析,最终预测出中国未来20年高等教育发展的趋势,为国家相关政策的制定提供参考依据．     

BPANN在仪表线性化中的应用

讨论了传感器、仪表利用软件实现线性化的优点及反向逆传播人工神经网络(BPANN)的构成，研究了半导体热敏电阻(SCTR)线性化的BPANN方法，并用MATLAB具体实现，得到了SC—TR的线性特性．用插值法检验了该方法的有效性。     

基于MATLAB实现的ANN方法在地下水评价中的应用

MATLAB 6.5工具箱提供了径向基网络的实现函数,该算法具有自适应确定网络结构和无需人为确定网络初始权值的特点.将其应用于抚州市地下水环境质量评价,并尝试利用MATLAB的PREMNMX函数进行原始数据预处理、利用RAND函数在水质评价标准等级间内插构造足够数量的训练样本、检测样本及其目标输出、确立水质评价等级界限,取得良好的评价结果,对提高水质评价的精度与客观性具有十分积极意义.     

基于应变能的砂土液化势BP神经网络模型评估

液化是地震引起的最具破坏性的现象之一.能量法是液化势评估的常用方法,但已有的模型未考虑细粒含量临界值以及参数不确定性对液化势的影响.因此,本研究基于应变能(W),将数据库以细粒含量28%为临界值分成两个数据集,分别构建了两个BP神经网络(ANN)模型来对砂土液化势进行评估,并通过蒙特卡罗模拟结合响应面分析法进行参数敏感性分析,分别评估了细粒含量临界值以及参数不确定性对土壤液化势的影响.结果显示,提出的两个ANN模型比其它4个现有的模型具有更高的预测性能,其中当仅考虑细粒含量小于28%样本构建模型时,模型预测精度最高,拟合优度达到0.81;敏感性分析表明参数不确定性对砂土抗液化性能存在影响且程度不同,其中曲率系数对W的影响较大,建议在构建模型时加以考虑.     

Contractor Prequalification Based on Neural Networks

Contractor Prequalification involves the screening of contractors by a project owner, according to a given set of criteria, in order to determine their competence to perform the work if awarded the construction contract. This paper introduces the capabilities of neural networks in solving problems related to contractor prequalification. The neural network systems for contractor prequalification has an input vector of 8 components and an output vector of 1 component. The output vector represents whether a contractor is qualified or not qualified to submit a bid on a project.