集对分析径向基函数神经网络预测模型

将集对分析与径向基函数神经网络结合,提出了集对分析径向基函数神经网络预测模型。模型思路是将研究对象t-1时和t时的影响因子集构造为集对并计算联系度,由联系度的同一度、差异度、对立度及研究对象t-1时的值为输入,研究对象t时的值为输出,构建径向基函数神经网络。以年径流预测为例研究表明,模型结构清晰、步骤明确、预测精度较高,为集对分析应用于水文预测提供了新思路。     

径向基函数神经网络需水预测研究

在分析山西省历年用水量和人均用水量的基础上，建立径向基函数神经网络需水预测模型，采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。采用丰富的需水预测因子作为模型的输入，网络输出需水预测值。预测结果表明，径向基函数神经网络需水预测模型运算速度快，有较高的预测精度。需水预测可为水资源规划和配置提供依据。     

用径向基函数神经网络模型预报感潮河段洪水位

径向基函数神经网络方法是一类比较优越的前向式多层神经网络,将其应用于感潮河段的洪水位预报。利用K 均值算法和最小二乘法来确定径向基函数神经网络的参数,并给出了具体计算方法。由于该方法比传统的BP算法有较快的收敛速度,使其具有较大的应用价值。基于感潮河段的具体特点,构建了具有若干个时段预见期的径向基函数神经网络模型。该模型应用于沂河的水位预报,结果表明,该模型运算快速、简便,预报精度较高。     

软土物理力学性质指标与微结构参数的灰色关联-神经网络模型

通过对广州市南沙地区大量软土物理力学试验和微结构分析,获取了40组软土试样的物理力学性质指标和微观结构参数。综合运用灰色关联分析的数据分析能力和人工神经网络的非线性映射功能,建立了软土物理力学性质指标与微结构参数的灰色关联-径向基神经网络模型。该模型利用灰色关联分析方法对数据进行预处理,提取重要因子作为网络的输入,而径向基神经网络充分利用样本数据信息,自适应确定隐含层节点个数、径向基函数中心、宽度以及网络的权系数。克服了传统RBF网络隐层节点数为样本个数,当数据较多时导致网络结构庞大、学习速度慢的缺点。通过模型A和模型B的实例研究表明,该方法简化了网络结构,提高了训练速度和预测精度,为软土物理力学性质与微结构参数关系的定量研究提供了一条有效途径。     

地学自由曲面径向基函数网络重建的详细算法

径向基函数(RadialBasisFunction,简称RBF)神经网络是一种理想的地学离散数据网格化工具,能够适应各种不同分布形式和边界条件的数据,收敛速度较快,可以逼近任何复杂曲面。这里详细介绍了RBF神经网络的算法。适当径向基函数的形式和偏差系数是使用RBF神经网络作地学曲面重建的关键。大量的实际数据验证结果表明,当选用Gauss型径向基函数时,一般可获得比较理想的网格化效果,同时具备"曲面平滑"和"拟合度高"的特点。     

基于MPSO的RBF耦合算法的桩基动测参数辨识

变异粒子群优化算法（MPSO）是一种基于群体智能的改进全局优化技术,其优势在于减小陷入局部极值的机率,增加全局搜索能力。将变异粒子群算法与径向基函数（RBF）神经网络结构进行结合,建立了变异粒子群神经网络（MPSO-RBF）耦合算法,充分发挥了MPSO算法的全局寻优能力和RBF算法的局部搜索优势。数值计算结果表明,所建立的方法能够对桩基动测进行多参数的识别和非线性优化问题的求解,具有良好全局收敛能力,是一种行之有效的智能算法。     

SOM-RBF神经网络模型在地下水位预测中的应用

利用自组织映射(SOM)聚类模型优化径向基函数神经网络(RBFN)隐层节点的方法,减小了RBFN由于自身结构问题在地下水水位预测中产生的误差。采用SOM对已有样本进行聚类,利用聚类后的二维分布图确定隐层节点的数目,并根据聚类结果计算径向基函数的宽度,确定径向基函数的中心,由此建立SOM-RBFN模型。以吉林市丰满区二道乡为例,采用2000—2009年观测的地下水位动态资料,利用SOM-RBFN模型对地下水位进行预测,验证其准确性,并分别以5、7、10a的地下水位动态数据为研究样本建立模型,考查样本数量对预测结果的影响。研究结果表明:SOM-RBFN模型预测地下水水位过程中,均方根误差(RMSE)的均值为0.43,有效系数(CE)的均值为0.52,均达到较高标准,因此SOM-RBFN模型可以作为有效而准确的地下水水位预测方法;同时RBF7的RMSE和CE均值分别为0.38和0.68,结果优于RBF5和RBF10,这就意味着在模型计算中样本数量不会直接影响预测结果的精度。     

边坡稳定性预测的模糊神经网络模型

根据边坡稳定问题具有的模糊性,提出了一种判定边坡稳定性的模糊神经网络模型。该系统仅从期望输入输出数据集即可达到获取知识、确定模糊初始规则基的目的。再利用神经网络学习能力便不难修改规则库中的模糊规则以及隶属函数和网络权值等参数,这样大大减少了规则匹配过程,加快了推理速度,从而极大程度地提高了系统的自适应能力。最后用收集到的边坡数据样本训练和测试模糊神经网络模型,结果表明该模糊神经网络预测边坡稳定性是可行的、有效的。     

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。     

基于神经网络模型的中国表层土壤有机质空间分布模拟方法

基于全国第二次土壤普查得到的6 241个典型土壤剖面数据,采用主成分分析方法和径向基函数神经网络模型建立不同植被类型—土纲单元内土壤有机质与气候、地形和植被等环境因子间的非线性关系,模拟全国表层土壤有机质的空间分析格局。结果表明,该模型具有较准确的预测能力,性能指数达到1.94。与普通克里格法、反比距离法和多元回归模型相比,神经网络模型对621个验证点模拟结果与实测值的相关系数为0.799,分别提高了0.265、0.181和0.120,平均绝对误差分别降低了4.25、4.43和2.34 g/kg,平均相对误差分别降低了30.16%、32.66%和5.93%,均方根误差则分别降低了8.61、8.24和6.24 g/kg;从模拟结果图来看,神经网络模型能够提供更多的细节信息。该方法为大尺度土壤性质空间分布模拟提供了有益的参考。     

大坝变形监测遗传神经网络模型

在简要介绍遗传神经网络的基本概念及学习步骤的基础上,分别对大坝坝顶径向水平位移、切向水平位移和大坝坝顶沉降量监测数据进行了训练和预测。结果表明,利用遗传算法特有的全局优化能力,可以较好地完成网络的学习,而且还减少了网络训练次数,缩短了网络训练时间。     

BP网络的改进及模拟退火神经网络在地学中应用

本文针对ＢＰ神经网络收敛速度慢的缺点，提出了改进方案。还引进了模拟退火理论，将模拟退火算法与ＢＰ神经网络计算方法结合，并通过对正弦函数岩性识别及跨孔地震层析成象的试验，证明模拟退火ＢＰ算法是有效的、大范围收敛的。而且，具有良好的收敛速度和很高的精确度。     

基于ART理论的自组织神经网络模型在水资源分类中的应用

BP和RBF神经网络技术以其强大的学习功能应用于水资源分类 ,取得了很好的效果。但当不具备已知样本时 ,以上技术很难应用。提出了可塑性较强、无监督的A -K网络模型 ,阐述了其基本原理和算法 ,并将其用于水文水资源研究领域中。实例表明 ,该方法能较理想地解决已知样本的分类问题 ,具有良好的应用前景     

基于进化神经网络混凝土大坝变形预测

根据丰满大坝多年变形观测数据,建立了基于进化神经网络混凝土大坝变形预测方法。经典的BP神经网络的缺陷在于收敛速度慢和泛化能力弱等特性。与普通的多元回归方法和传统的BP神经网络相比,采用遗传算法训练的人工神经网络预测模型预报大坝的变形具有精度高和全局收敛的特点。在丰满大坝工程实际应用表明,所建立的基于进化神经网络混凝土大坝变形预报方法与广泛采用的统计方法相比,可以显著提高大坝变形预报精度。     

深基坑支护结构计算的改进平面框架模型方法

传统的平面框架模型分析方法在基坑支护结构位移计算中,存在着计算模型误差和地基土力学参数取值误差等因素,对计算结果影响较大。改进平面框架模型分析方法是通过修正地基土力学参数,修正上述两种误差对计算结果的影响,以达到提高计算精度的目的。地基土力学参数可采用正反分析方法取值。取值过程将结合径向基神经网络方法和空间作用协同分析模型。结果表明,该方法较传统方法而言计算精度更高。     

基于神经网络和演化算法的土石坝位移反演分析

构造了基于综合应用人工神经网络和演化算法的位移反演分析方法。该法使用具有较强非线性映射能力的神经网络模型代替有限元计算,提高了计算效率。采用演化算法和Vogl快速算法,同时优化神经网络的结构和权值,增加其适应性并加快训练速度;使用多种群演化等策略,改善演化算法的全局收敛性和收敛速度。以三峡茅坪溪防护土石坝的变形反演分析为例,研究了神经网络演化代数以及训练样本数量对神经网络模拟能力的影响,证明了所建立的反演分析方法的有效性。     

基于RBF神经网络的软基短期沉降预测研究

RBF(radial basis function)神经网络是一类比较优越的前向式多层神经网络,比传统的BP网络有较快的收敛速度.以深圳湾西部通道填海软基沉降的预测分析为例,探讨采用RBF神经网络解决这一问题的方法.采用插值方法构建时间间隔统一的时间序列数据并进行归一化处理,在此基础上建立了沉降变形时间序列的RBF神经网络模型,通过训练网络模型来预测沉降量.计算实例表明,模型具有运算速度快、预测精度高的特点,是一种具有应用前景的软基预测新方法.