BP神经网络-灰色系统联合模型预测软基沉降量

目前软基沉降预测多采用指数曲线和双曲线延伸法,其结果不够理想,神经网络在此方面的运用也存在一定的局限,虽然GM(1,1)模型在软基沉降预测领域已得到运用,但在已有的案例中所使用的等时距模型都没有明确说明所采用的插值方法。以深圳湾西部通道填海软基沉降预测分析为例,建立BP神经网络-灰色系统联合模型来探讨解决这一问题的方法。采用BP神经网络逼近非线性插值方法构建等时距时间序列数据,在此基础上建立沉降变形时间序列的GM模型,并建立相应的时间响应函数,预测沉降量。计算实例表明,该模型短期沉降预测结果比较准确,其最终沉降预测结果具有一定的工程参考价值。     

水环境非线性时序预测的高精度RBF网络模型

为提高水环境非线性时序预测模型的精度,用自相关技术分析水环境时间序列的延迟特性,确定径向基函数(RBF)网络的输入、输出向量,建立了水环境时间序列预测的高精度RBF网络模型.用32年海洋水温时间序列实测资料来训练和检验网络并用于预测.用该模型对长江流域望江楼站8年总硬度、高锰酸盐指数、五日生化需氧量、氨氮、溶解氧、挥发酚、镉、氯化物、硫酸盐等9种水环境要素时间序列进行预测.实例分析表明,所建模型预测误差均较小,好于门限自回归模型,BP神经网络模型和ELMAN神经网络模型.所建模型不仅精度高,而且收敛速度快.     

基于自适应神经-模糊推理系统的软土路基沉降预测模型

针对目前软基沉降预测中最常用的生长曲线模型以及人工神经网络模型的不足,提出将自适应神经模糊推理系统(ANFIS)应用于软基沉降预测。ANFIS将专家的模糊推理过程蕴含于神经网络结构中,使神经网络的结点和权值具有明确的物理意义,避免了传统神经网络工作过程的"黑盒"性。同时该系统可以采用最小二乘法和梯度下降法相结合的混合算法,既具有神经网络的自适应性和学习能力,又克服了它的局部极小值等缺点,预测精度也远高于生长曲线模型。最后用工程实例与生长模型和神经网络模型进行了对比,结果表明:ANFIS模型优于这两种模型,特别是在模拟多输入变量、高维数下软基沉降预测问题时有着独特的优势,具有一定的推广应用价值。     

软基沉降的BP神经网络和灰色系统联合预测

使用BP神经网络插值方法对灰色数据进行了预处理,进而建立了预测软基沉降量的BP神经网络和灰色系统联合模型.实例分析表明,该模型短期沉降预测结果的最大相对误差小于2%,最终沉降预测结果的相对偏差小于5%,且灰色预测时取后期沉降瘦导颇算结果准确度高于取前期沉降数据的计算结果准确度.     

神经网络技术在路堤沉降预测中应用探讨

针对传统的BP网络模型的不足，应用了改进的BP神经网络模型，把它应用到软基高速公路的路堤沉降预测中，提出了两种构造神经网络训练样本的思路，并分别进行了计算和对比，指出了各自的优、缺点。结果表明改进的BP网络模型比较稳健、收敛快，而且根据时间与对应的沉降量形成的样本训练的网络预测出的工后沉降误差小、精度高。     

基于混沌神经网络理论的城市地面沉降量预测模型

通过分析城市地面沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性。在此基础上,通过相空间重构的方法建立了用于城市地面沉降量预测的混沌神经网络模型;并利用此模型对高桥地面沉降量进行了预测,并和实际监测沉降量进行了比较,最大绝对预测误差为1. 7,预测的平均误差为0. 0833,研究结果表明,应用混沌神经网络模型进行城市沉降预测是可行、精确的。     

小波分析和RBF神经网络在地基沉降预测中的应用研究

地基沉降是一种危害很大的环境灾害。地基沉降的监测数据经常受降雨及工程施工等诸多外界因素的干扰,故而在沉降曲线中存在许多数据突变点。为此,提出基于小波分析与RBF神经网络相结合的新的地基沉降预测方法,首先采用小波分析对对原始监测数据进行数据去噪处理,进而得到反映实际变化的地基沉降曲线,然后采用径向基函数（RBF）神经网络方法对其进行预测,为工程设计提供依据。最后结合工程实例分析,通过多种小波去噪与预测结果的对比研究,表明3次B样条小波的去噪及预测效果最好,与实测值能较好地吻合,具有较好的工程应用前景。     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

基于免疫RBF神经网络的深基坑施工变形预测

基坑工程由于受多种因素的影响,目前已成为岩土工程中的重点和难点。在基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过现场量测的深基坑围护结构变形信息资料,对实测数据进行整理和分析,利用神经网络对支护结构的变形作出预测,以保证基坑安全施工。研究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,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度,将人工免疫RBF神经网络应用于时间序列预测中,工程实例计算证明了算法的有效性和可行性,为时间序列预测提供了一种新途径。     

公路软基沉降预测的支持向量机模型

提出了基于支持向量机（SVM）模型对公路软基沉降进行预测的一种新方法,工程实例预测结果表明,在同样的训练均方误差下,SVM模型预测能力要优于BP神经网络模型,同时该模型能够综合利用分级加载过程中的沉降观测数据作为训练样本集,比仅依靠预压期内部分实测沉降数据的双曲线法更能反映地基土的变形趋势。因此,将建立的SVM模型应用于公路软基沉降预测能够更准确地反映实际沉降过程     

基于PSO-BP神经网络的基坑周边地面沉降预测方法研究

基坑工程施工过程中的周边地面沉降直接关系到周围建筑物的安全,本文根据上海前滩地区某基坑工程的历史监测数据、施工工况和周边地层参数等多源数据对基坑周边地面沉降进行监测和预测。以PSO-BP神经网络为基础,通过将基于时序和基于沉降影响因素的网络模型对比发现：二者预测结果误差较小且基于时序的神经网络预测精度更高,说明利用PSO-BP神经网络能够很好地对基坑周边地面沉降进行分析与预测。为了综合考虑时间效应和空间效应的影响,在基于沉降影响因素的预测模型的基础上加入历史监测数据作为模型输入层进行优化,结果表明：优化后的PSO-BP神经网络模型具有更小的相对误差范围和更高的预测精度,在基坑周边地面沉降预测中有很好的应用前景。     

Estimation of radon as an earthquake precursor: A neural network approach

An artificial neural networks (ANN) approach combined with Fourier Transform based selection of time period in the time series Radon Emission Data has been presented and shown to improve event prediction rates and reduce false alarms in Earthquake Event Identification over the traditional multiple linear regression techniques. The paper presents a neural networks system using radial basis function (RBF) network as an alternative to traditional statistical regression technique in isolating Radon Emission Anomaly caused by seismic activities. The RBF model has been developed to accept and predict earthquakes events based on a known data set of Radon Emanation, Metrological parameters and actual earthquake events. Subsequently, the model was tested and evaluated on a future data set and a prediction rate of 87.8%, if a reduced false alarm was achieved, the results obtained are better than the traditional techniques.     

Application of neural network and ANFIS model for earthquake occurrence in Iran

This study examined the spatial-temporal variations in seismicity parameters for the September 10^th, 2008 Qeshm earthquake in south Iran. To this aim, artificial neural networks and Adaptive Neural Fuzzy Inference System (ANFIS) were applied. The supervised Radial Basis Function (RBF) network and ANFIS model were implemented because they have shown the efficiency in classification and prediction problems. The eight seismicity parameters were calculated to analyze spatial and temporal seismicity pattern. The data preprocessing that included normalization and Principal Component Analysis (PCA) techniques was led before the data was fed into the RBF network and ANFIS model. Although the accuracy of RBF network and ANFIS model could be evaluated rather similar, the RBF exhibited a higher performance than the ANFIS for prediction of the epicenter area and time of occurrence of the 2008 Qeshm main shock. A proper training on the basis of RBF network and ANFIS model might adopt the physical understanding between seismic data and generate more effective results than conventional prediction approaches. The results of the present study indicated that the RBF neural networks and the ANFIS models could be suitable tools for accurate prediction of epicenteral area as well as time of occurrence of forthcoming strong earthquakes in active seismogenic areas.     

潜在蒸散发量估算方法在河南省的适用性分析

利用FAO56-PM法计算潜在蒸散发时气象资料往往不易满足。针对该问题,本文研究了辐射法、温度法和基于温度及辐射资料的RBF神经网络预测模型。以FAO56-PM法计算值为标准,比较分析了Priestley-Taylor法、Hargreaves法、Mc Cloud法以及Makkink法在河南省五个典型地区(安阳、新乡、郑州、驻马店、信阳)的适用效果。并以新乡地区为例评价了校正参数后各估算方法和基于温度及辐射资料的RBF神经网络预测模型的适用性。结果表明,Makkink法在五个典型地区估算的潜在蒸散发量误差较小,其余方法误差较大。校正参数后,各估算方法在新乡地区的估算结果均得到明显改进,具有较好的地区适用性。基于温度及辐射资料的RBF神经网络预测模型具有较高的预测精度,可应用于潜在蒸散发量的估算和预测。     

盾构施工地面长期沉降的神经网络预测

基于逆传播人工神经网络方法，建立了盾构施工地面长期沉降的非线性预测模型，建立了沉降与诸多影响因素：所处位置、时间、上覆土性参数及盾构施工参数等的关系模型。通过在上海地铁2号线龙东路一中央公园站区间资料的验证，发现与实际比较吻合。     

地铁施工引发地面沉降的BP神经网络预测分析

针对沈阳地铁一号线重工街站至启工街站区间隧道开挖引发地面沉降变形的问题,利用现场实测的地表沉降变形数据建立BP神经网络模型,并进行网络训练与预测。预测结果表明,时间序列神经网络模型能够很好地表达地面沉降监测数据序列间的非线性关系。利用BP神经网络建立的预测模型,所得预测值与实测值拟合很好,是预测地铁施工引发地面沉降变形的一种有效方法,能为沈阳地铁隧道的设计及施工提供科学合理的依据。