遗传优化神经网络方法在桥梁震害预测中的应用

本文将遗传算法与神经网络相结合,从而建立了一种高效的、实用的桥梁震害预测方法。根据遗传算法具有局部寻优的特点,为避免BP神经网络陷入局部极小值,本文将二者结合起来形成GA-BP混合算法,以GA优化神经网络的初始权值和阈值,对网络进行训练。在大量收集梁式桥震害资料的基础上,将此算法引入桥梁的震害预测中,并与传统的单独BP神经网络相比较,结果表明该方法能够有效、准确地对桥梁结构进行震害预测。     

遗传BP网络在地震和爆破识别中的应用

将遗传算法(GA)和反向传播算法(BP算法)相结合成为GA-BP算法，以此建立了遗传BP神经网络．并将以BP算法为基础的BP神经网络及以GA-BP算法为基础的遗传BP神经网络用于对地震和爆破的识别中．得到的结果表明:遗传BP网络比BP网络对事件的识别能力略好些．      

基于拉格朗日分解算法的SAR图像混合像元分解

为解决与光学遥感图像不同的合成孔径雷达(SAR)图像中存在大量混合像元的问题,本文提出了一种基于拉格朗日分解算法的SAR图像混合像元分解的方法,结合相关内容中具体定理的证明,文中给出拉格朗日分解算法用于SAR图像混合像元分解的系统的求解方法.用人工模拟SAR图像和ENVISAT SAR图像进行实验,结果表明拉格朗日分解算法的混合像元分解结果明显优于非约束类神经网络(文中实验以BP神经网络为例)的分解结果.     

基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法

针对如何选取合适的影响因素进行砖木结构房屋地震破坏合理评估的问题,提出了一种基于主成分分析与BP神经网络相融合的云南砖木结构房屋地震破坏评估方法,通过灰色关联度模型剔除对砖木结构房屋发生地震破坏影响较小的因素得到关键因子,采用主成分分析法从关键因子中提取主要成分,最后利用BP神经网络模型对处理后的主要成分进行训练,建立砖木结构房屋地震破坏比例预测模型,并利用实际震例进行验证。结果表明：本文方法相较于传统脆弱性曲线拟合方法和BP神经网络模型,其预测的砖木结构房屋地震破坏比例的预测精度更高、普适性更好。     

SMA-压电半主动混合阻尼器减震控制分析

将形状记忆合金（Shape memory alloy,简称"SMA"）与压电摩擦阻尼器复合设计了一种半主动混合阻尼器,对SMA丝进行了材性试验,分析了循环圈数、加载速率和应变幅值对SMA丝力学性能的影响。基于试验数据,以速度方向和应变值作为神经元输入,建立了SMA的BP神经网络本构模型,并利用T-S模糊逻辑求解压电陶瓷驱动器输出电压,对1个2层的钢框架结构进行了无控、SMA被动控制和混合控制MATLAB仿真分析。结果表明:SMA的BP网络模型预测的应力误差大多集中在20 MPa以内,且误差较大点主要集中在加载的初始段和卸载的结束段等数值较小的点,BP神经网络能够较好地预测SMA丝的本构曲线。相比SMA被动控制,混合阻尼器可以更加有效地降低结构的动力反应。     

重磁异常反演的拟BP神经网络方法及其应用

把神经网络与重磁异常反演理论相结合,提出了用于重磁反演的一种拟BP神经网络方法．基于3层神经网络结构,把隐含层神经元设定为三维空间物性（磁化强度或密度）单元．对实测与理论重磁异常经S型函数变换,采用自动修改物性单元物性值的拟BP算法,反演三维空间的物性分布．利用该网络对理论模型数据和内蒙古某花岗岩体上的航磁资料进行了反演计算,取得了满意的反演效果．     

基于IGA算法的电阻率神经网络反演成像研究

为满足地球物理资料反演解释的高精度、快速、稳定的要求,本文结合免疫遗传算法寻优速度快和BP神经网络反演不依赖初始模型等优点,设计了一种将BP神经网络和免疫遗传算法进行有机结合的全局优化反演策略,并将该策略成功地应用于二维高密度电法数据反演.利用免疫遗传算法(Immune Genetic Algorithm,简称IGA)对神经网络的反演参数进行同步优化,提高了电阻率反演的精度.仿真和实验结果验证设计的全局优化反演策略取得了较好的效果,通过与线性反演方法和BP法以及遗传神经网络法等反演方法进行比较,得出该方法具有反演精度更高,反演时间更短等显著优势的结论.     

面向复杂储层的非均衡测井数据的岩性识别

针对常规岩性识别方法在复杂储层的非均衡测井数据准确率不高的问题,本文提出了一种面向复杂储层非均衡测井数据的多层BP神经网络的岩性识别算法.根据测井数据的特点及测井数据间的非线性关系,对测井数据进行均衡化处理,利用多层BP神经网络进行逐层岩性识别.在13个含油气盆地的7793个地层元素测井数据中测试表明,本文提出的方法在数据非均衡比达到1∶6的情况下,岩性识别的符合率仍能达到92%以上,在复杂储层的岩性识别方面具有很好的应用前景.     

基于遗传算法优化神经网络权值的大坝结构损伤识别

针对传统 BP 神经网络存在着容易陷入局部极小点、训练时间太长等缺点,本文采用基于浮点编码的遗传算法,对 BP 神经网络的初值空间进行了遗传优化。用基于浮点编码的遗传算法来优化 BP 神经网络的权值,可得到最佳初始权值矩阵,并按误差前向反馈算法,沿负梯度搜索进行网络学习。文中以混凝土重力坝结构作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量,对网络进行了训练。仿真结果表明：遗传 BP 神经网络的收敛和诊断能力优于传统 BP 神经网络,可有效地运用到大坝结构的健康诊断与损伤识别中。     

内蒙古阿拉善地区爆破和地震自动识别研究

结合使用基于统计的时空特征参数和基于小波分析的频谱特征参数,使用BP神经网络对内蒙古阿拉善地区的地震和爆破进行自动识别。结果表明:使用的方法可以得到较高的识别率。     

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法.神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度.结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果.     

ABP法在高密度电阻率法反演中的应用

非线性反演方法作为地球物理反演的一个重要分支,在地球物理反演中发挥着特有的作用.近年来学者对非线性联合反演研究较多,但目前仍未有实质性的研究进展;本文尝试利用BP(Back Propagation)神经网络优化方法与蚁群算法联合演算,实现高密度电阻率法的电阻率二维非线性反演.通过两组模型的结果比较,BP与ABP 法的反...     

Application of genetic BP network to discriminating earthquakes and explosions

Introduction Artificial Neural Network (ANN) is an important branch of artificial intelligence. It is proposed on the foundation of the study on modern neural science, is a man-made network that can implement some functions based on the mans comprehensive understanding for cerebral neural network (HAN, WANG, 1997). ANN is a mathematical model of simplified human brain neural network and is used to simulate the structures and functions of human brain neural network. ANN is a complex netw…     

重力异常的BP神经网络三维物性反演

三维物性反演参数多,计算量巨大,传统的方法难以实现.本文使用BP神经网络实现重力三维物性反演,介绍了BP神经网络的基本原理及特性,并构造一个适用于重力位场反演的BP神经网络.并用其对模型进行反演计算,结果表明:BP网络具有较好的泛化能力和容错能力,反演速度快、准确,并且较好的反应了场源的分布情况.     

基于改进遗传算法优化BP神经网络的单体建筑物震害评估方法

结合机器学习算法最新研究进展,提出一种基于改进遗传算法优化BP神经网络的单体建筑物震害评估方法。以四川地区为例,通过改进遗传算法优化BP神经网络建立评估模型,输出评估区域内不同结构类型单体建筑物在各震害影响因素综合作用下的破坏等级,并通过实际算例分析对模型的有效性进行验证。结果表明,该方法可快速、准确地评估单体建筑物震害情况。     

Comparison of static-feedforward and dynamic-feedback neural networks for rainfall–runoff modeling

A systematic comparison of two basic types of neural network, static and dynamic, is presented in this study. Two back-propagation (BP) learning optimization algorithms, the standard BP and conjugate gradient (CG) method, are used for the static network, and the real-time recurrent learning (RTRL) algorithm is used for the dynamic-feedback network. Twenty-three storm-events, about 1632 rainfall and runoff data sets, of the Lan-Yang River in Taiwan are used to demonstrate the efficiency and practicability of the neural networks for one hour ahead streamflow forecasting. In a comparison of searching algorithms for a static network, the results show that the CG method is superior to the standard BP method in terms of the efficiency and effectiveness of the constructed network's performance. For a comparison of the static neural network using the CG algorithm with the dynamic neural network using RTRL, the results show that (1) the static-feedforward neural network could produce satisfactory results only when there is a sufficient and adequate training data set, (2) the dynamic neural network generally could produce better and more stable flow forecasting than the static network, and (3) the RTRL algorithm helps to continually update the dynamic network for learning—this feature is especially important for the extraordinary time-varying characteristics of rainfall–runoff processes.     

BP神经网络算法考虑激活函数后对强震路基塌陷变形预测研究

当前强震后铁路路基变形预测中,相关算法未能考虑激活函数的非线性属性,造成非线性变形特征数据提取不完整,且其特征数据存在偏差,陷入局部最优解。文章提出BP神经网络算法考虑激活函数后对强震路基塌陷变形预测方法,采用双极S因子补偿ReLU非线性激活函数,优化BP神经网络算法,解决非线性路基变形特征数提取问题。利用数据标准化归一方法,对已修正提取的全部变形特征数据进行偏差数据归一,得到路基变形特征数据集合,结合强震后路基变形连接权值计算路基变形预测值,完成强震路基塌陷变形预测。结合实测结果,在matlab下进行预测实验,结果表明所提混合方法可以有效地对水平地震作用下铁路路基塌陷变形程度进行预测,且预测值在误差允许范围内,为铁路的安全运行以及实时维护提供重要依据。