基于遗传-神经网络的单桩竖向极限承载力预测方法研究

分析了BP神经网络的缺陷和遗传算法的特点,建立了基于遗传-BP神经网络的单桩竖向极限承载力预测模型。实例研究表明,预测模型性能良好、预测精度提高、简便易行、行之有效,该方法具有广泛的应用前景。     

基于GA的混凝土坝抗震可靠度预测的神经网络模型

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的混凝土坝抗震可靠度预测的神经网络模型。该模型分别对混凝土坝抗滑稳定可靠度、抗压可靠度和抗拉可靠度进行了预测,并与BP神经网络预测结果进行比较。结果表明,遗传神经网络模型可靠,预测精度高,在岩土工程中利用该方法进行可靠性问题预测是有效及可行的。     

遗传神经网络法在巷道围岩松动圈预测中的应用

针对BP人工神经网络具有易陷入局部极小等缺陷,提出了将遗传算法与神经网络结合,同时优化网络结构的权值与阈值的思想,建立了基于遗传算法的围岩松动圈预测的神经网络模型。用该模型对巷道围岩松动圈厚度进行了预测并与BP预测结果相比较。结果表明,该遗传神经网络模型可靠,预测精度高,用来对围岩松动圈厚度进行预测是有效的和可行的。     

基于主成分分析的优化神经网络模型及静压管桩单桩极限承载力预测

引入主成分分析法和基于共轭梯度优化算法的人工神经网络模型原理,建立了静压管桩单桩竖向承载力预测估算的新方法。通过对影响单桩极限承载力的各因素进行主成分分析确定了综合变量,构建了以综合变量为输入,以单桩极限承载力为输出的神经网络模型。应用神经网络结构分析的共轭梯度算法,优化计算获得给定样本的网络权值和阈值,获得静压管桩极限承载力的估算网络,应用实例分析计算了静压管桩单桩极限承载力问题。结果表明,利用所建立的神经网络预测静压管桩极限承载力是可行的,且具有较好的预测精度和良好的适用性。该方法为静压管桩竖向承载性状的理论分析开辟了一个新的研究途径,为今后相关问题研究提供借鉴和指导     

基于遗传神经网络的瓦斯含量预测研究

瓦斯含量预测取决于多因素、非线性的函数关系的建立 ,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。文中将神经网络与遗传算法有机地结合起来 ,以神经网络理论为基础 ,利用遗传算法优化隐含层神经元个数和网络中的连接权值 ,建立瓦斯含量预测模型。在实验室测试数据的基础上 ,建立遗传神经网络训练和检验样本集 ,其中包含有 38个典型样本 ,并且将检验结果分别与回归模型、标准BP神经网络、自适应BP神经网络的预测结果进行比较。结果表明 :遗传神经网络模型可靠 ,预测精度高 ,为促进软计算技术与瓦斯地质的结合奠定了基础。     

基于遗传BP神经网络的地下水位预测模型

地下水水位动态预测对农田土壤盐渍化防治、地下水地表水资源的合理调度具有十分重要的意义。以新疆和静县某地下水观测井为研究对象,选择月均蒸发量、气温和灌溉量3个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立地下水水位的遗传BP神经网络预测模型。结果表明:遗传BP神经网络模型能较好表达地下水位与主控因素之间的非线性关系,预测结果与实测值之间的平均绝对百分比误差为0.040 3,测试样本的网络输出值与网络目标值的相关系数达0.967 3,模型预测效果较佳。研究结果为区域地下水的开发利用与保护提供参考依据。     

基于遗传算法的BP网络在黄河三门峡年径流量预测中的应用

提出了一种基于遗传算法(genetic algorithms,GA)的BP神经网络模型来进行径流量预测。此模型融合了遗传优化算法的全局寻优能力和BP神经网络的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了预测结果的精确性。仿真实验结果表明:在黄河三门峡1950~1985年年径流量预测方面,GA-BP模型预测的平均相对误差为5.67%,标准BP算法的模型平均预测误差为11.05%,说明提出的GA-BP径流量方法行之有效。     

基于遗传算法和BP神经网络的矿井涌水量预测

为避免BP神经网络极易陷人局部解的问题,针对遗传算法具有全局寻优的特点,提出了用遗传算法优化BP神经网络预测方法,并以刘桥二矿为例,对其矿井涌水量进行了预测。首先选取刘桥二矿区的2005年3月至2006年12月的矿井涌水量数据进行分析,然后使用遗传算法优化BP网络的初始权值和阈值,最后使用BP神经网络进行训练。将其成果与纯BP网络算法进行比较,结果表明：遗传算法优化BP神经网络的预测方法的预测精度高于纯BP网络算法,将其应用于矿井涌水量预测是有效可行的。     

基于遗传算法优化BP神经网络的玉米遥感估产方法

以内蒙古自治区开鲁县玉米作物为研究对象,将生育期内玉米遥感影像所提取的多种植被指数和实地采样点的测产数据作为训练值,利用BP(back propagation)神经网络和遗传算法优化BP(GA-BP)神经网络估产模型,得出网络预测的玉米产量数值。通过决定系数R 2和均方根误差RMSE,比较实测产量与预测产量之间的精度,BP神经网络模型R^2为0.8452,RMSE(%)为28.37;遗传算法优化BP神经网络模型R^2为0.9850,RMSE(%)为6.70,表明遗传算法优化BP神经网络估产模型具有一定可行性和可信度。     

岩石本构模型智能辨识方法研究

岩石本构模型是研究岩石力学特征和变形机制的基础,而本构模型或模型中相关参数的识别是本构模型研究中的热点和难点问题。本文基于红板岩室内力学实验数据,分别利用遗传算法、BP神经网络以及遗传规划对红板岩本构模型进行了模式识别,结果表明,遗传算法进行参数识别需要事先假定流变模型的形式,误差较大,而BP神经网络和遗传规划可以一次性同时确定流变模型的结构形式及参数,有效避免模型假定所带来的误差。而遗传规划与BP神经网络相比,具有精度高、收敛快,可视化程度高等特点,为岩石本构参数及模型的智能识别方法的选取提供参考。     

基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型

在综合分析影响煤与瓦斯突出的各种评价指标的基础上,基于人工神经网络极强的非线性逼真能力,建立了煤与瓦斯突出强度预测的遗传神经网络模型。模型采用灰色关联理论完成了评价指标的优化,并利用遗传算法对BP网络初始权值和阈值的确定进行了优化。以重庆南桐矿区砚石台矿为例,对煤与瓦斯突出强度进行了预测,结果表明,采用本模型的预测结果与矿井实际突出状况一致,模型可靠,具有一定的理论与实际意义。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

遗传神经网络测井解释技术在宝北区块的应用初探

将遗传算法与人工神经网络(BP网络)的原理结合,对BP网络进行了改进,提高了收敛速度,并防止陷入局部极小。应用改进后的BP算法,建立了针对测井解释的神经网络模型,并应用此模型定量计算了宝北区块的多口井的渗透率值,其解释结果及精度均令人满意。     

遗传模拟退火的BP算法在冲击地压中的应用

冲击地压的预测、预报的研究,大多数仍停留在简单的统计研究和单因素的预测方面,因而,结果也不十分理想。笔者采用多层前向网络对该问题进行数学建模,网络的训练算法采用基于遗传模拟退火的BP优化算法。该算法是在遗传算法中引入模拟退火机制,将其同BP算法结合,形成一个混合的优化算法。新算法既有神经网络的学习能力和鲁棒性,又有遗传算法的强全局随机搜索能力。同时,利用华丰矿冲击地压的实际监测数据,通过遗传算法的主要性能指标对新算法的参数进行了比较研究,得到优化后的一组参数。利用该参数,对冲击地压的神经网络模型的结构、权值和阈值进行了优化,得到了非全连接的优化神经网络模型。最后,利用该模型对华丰矿冲击地压进行了短期最大震级的预报。预测结果的相对误差率平均为 7.84 %,预测效果比较理想。     

围岩力学参数反演的GSA-BP神经网络模型及应用

针对遗传算法（GA）存在早熟现象和局部寻优能力较差等缺陷,引入具有很强局部搜索能力的模拟退火算法（SA）,组成改进的遗传模拟退火算法（GSA）提高优化问题的能力和求解质量。针对BP神经网络容易陷入局部最小和收敛速度慢等方面的不足,应用改进的遗传模拟退火算法搜索BP神经网络的最优权值和阀值,提高BP神经网络的预测精度,建立了围岩力学参数反分析的GSA-BP神经网络模型。将该模型应用于乌东德水电站右岸地下厂房围岩力学参数的反演分析中,根据监测围岩变形数据反演围岩力学参数,反演所得参数应用到正计算分析中,得出的计算位移与实测值吻合较好,说明该方法的有效性和应用于该工程的可行性。     

基于GA-BP神经网络算法的高密度电法非线性反演

高密度电法技术在煤矿地质灾害勘探中发挥着重要的作用。近年来,以BP（Backpropagation）神经网络为代表的一类非线性反演方法被广泛运用到高密度电法的反演中。针对BP神经网络方法在高密度电法反演中存在的易陷入局部极小、收敛缓慢、反演精度差等问题,将BP神经网络算法与遗传算法（Genetic Algorithm,简称GA算法）联合演算,实现高密度电法的二维非线性反演。通过典型地电模型对该方法进行验证,结果表明遗传算法能有效优化BP神经网络的权值和阈值,提高了算法的全局寻优性。