基于BP神经网络的霍普菲尔德模型改进研究

为了分析对流层延迟的时空变化规律、提高对流层延迟的改正精度,利用BP神经网络处理非线性问题的优势,改进传统的霍普菲尔德模型得到一种新的融合模型(Hop+BP模型)。分别对比Hop+BP模型与传统的霍普菲尔德模型、多元线性回归模型、BP神经网络等模型的计算结果,得到如下结论:霍普菲尔德模型存在一个明显的系统误差,精度较低;多元线性回归的预测精度有所提高,但是其本质是将数据强制拟合,缺少物理解释,难以推广使用;传统的BP神经网络的计算精度较之霍普菲尔德模型有80%的提高,但存在明显的不稳定性;Hop+BP模型具有预测精度高、稳定性好等优点,预测中误差为1.1cm,明显优于传统方法。     

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

基于BP神经网络的建筑物沉降预测模型研究

人工神经网络(ANN)是一个拥有高度非线性映射能力的计算模型,有较强的动态处理能力。在对其进行研究的基础上,利用MATLAB建立BP神经网络的建筑物沉降预测模型,指导建筑物的沉降预警工作。通过将建筑物沉降的实测数据和模型的预测数据进行对比分析,发现两者间的误差相对较小,预测模型能很好地反映建筑物沉降的发展趋势,对于建筑物沉降预警工作有着极其重要的意义。同时,研究结果也证明了BP神经网络预测模型具有较高的精确性和稳定性,可以在类似工程中加以应用。     

建筑物变形短期预测的神经网络方法

从系统论出发,把建筑物变形看成一个黑箱系统,提出了利用神经网络对建筑物变形进行短期预测的一种新方法,在此方法中,利用多层前馈神经网络实现系统的输出与输入映射,采用正的反向传播算法作为学习算法。用实例加以证明,其拟合和预测的结果都令人满意。     

回归分析和BP神经网络在地表沉降监测中的应用

采用回归分析法中的曲线拟合法和BP神经网络模型的数值处理方法,对比两种方法在预测地表沉降中的有效性和准确性,对提高信息预测的精度和准确度有着积极的作用。     

基于神经网络的建筑物沉降原因分析

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中，由于实际情况的复杂性及主观认识的局限性，这样所得的结果含有较多的人为因素，可能会与实际情况有所差异。针对这种情况，讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明，该方法能取得较好的效果。     

一种基于PSO-BP神经网络的建筑物沉降预测模型

为更好地预测建筑物沉降,该文使用粒子群优化(PSO)算法BP神经网络进行建筑物沉降预测。利用PSO算法修正BP神经网络的初始权重和阀值,优化BP神经网络机构及算法全局收敛性,建立基于PSO-BP预测模型。将所建立的预测模型应用于实际案例,通过已有的监测数据,分别进行传统BP神经网络预测和PSO-BP神经网络预测,对预测的结果进行对比,结果表明,基于PSO-BP神经网络的建筑物沉降预测结果明显优于传统BP神经网络预测模型。     

大坝变形的神经网络方法研究

大坝的失事带来的不仅是经济损失也是安全隐患,因此,建立一种大坝变形长期预测模型对它的安全评价将具有重要意义。本文针对华东CC大坝5JHJl04监测点的垂直位移变形进行分析,在传统的回归分析模型和常规神经网络模型的基础上建立了将两种方法结合的融合模型,得到大坝变形分析的最优模型。其精度与一般方法相比有了进一步的提升,可以更好地进行大坝变形预测。     

基于BP神经网络的太阳黑子年均值预测

以1700年至2008年间太阳黑子数年均值为研究对象,在数字信号处理及神经网络的基础上,分析归一化自相关函数以及离散傅里叶变换(DFT)后的图像特征,得到可靠的太阳黑子活动周期,以此周期为依据设置参数建立BP(back propagation)神经网络,将已有的随机时间样本进行分组训练和验证预测,拟合神经网络输出预测值与实际值并计算其拟合优度,验证了将BP神经网络应用在太阳黑子活动方面有较高的科学性和可行性。     

基于遗传克隆选择算法优化BP神经网络的地理信息预测研究

针对BP神经网络训练过程中的训练时间较长、完全不能训练或容易陷入局部极小值等问题,提出基于遗传克隆选择算法(CLOGA)优化BP神经网络的流程,克服BP算法的一些缺陷。并通过湖北省人口预测问题进行效果检验,得到满意的结果。     

改进BP神经网络模型在索塔变形预测中的应用

通过分析温度、风速气压、日照和拉索拉力等因素,建立函数关系模型,结合南京长江五桥钢壳-混凝土索塔变形监测实例,采用基于小波阈值去噪、岭回归、BP神经网络的多算法组合模型,进行不同组合算法的实验,预测索塔监测点的坐标,与全站仪观测的索塔变形数据进行比较,得到小波-岭回归-BP神经网.     

基于神经网络的变形预报方法研究

对BP,RBF,Elman 3种神经网络模型进行了简要概括,将其应用于实际工程案例中,经过多角度综合分析,验证了3种模型进行变形预报的可行性,同时得出对实际工程具有指导性意义的结论。     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

改进的小波神经网络在沉降预测中的应用

针对BP神经网络预测方法的稳定性较差,提出运用增加动量项的小波神经网络方法,进行沉降预测,并选出最优的隐含层节点数目,结合某高铁路基沉降监测数据进行实验分析。实验表明,该方法实际可行,稳定性较好并且预测精度高。     

基于BP神经网络法的地表变形监测

利用三维激光扫描技术监测地表变形时,需要对大面积的地形点云数据重建地面曲面。针对点云数据的海量性,提出利用BP神经网络的方法进行曲面重建,分别模拟出两期点云数据的曲面及两期点云数据的下沉曲面。实验结果表明,该方法对海量数据的曲面重建精度较高,并能提取变形信息,具有较高的使用价值。     

基于小波滤波的神经网络变形预测

运用小波滤波的的优越性,消除数据噪声,使数据更加的接近真实的数据和更具规律性,有利于我们对数据发展趋势的预测。对消噪后的数据,利用BP神经网络强大的学习能力建立预测网络。在建立网络时,输入样本为监测k时段序列k和第k-1时段变形量与再k-2时段变形量之差组成的二维向量,目标样本为小波滤波后的变形量。并与GM（1,1）。模型和回归模型进行了对比。     

基于BP神经网络的深基坑变形预测

建立深基坑变形监测数据处理的BP神经网络模型,采用双曲正切S形函数进行输入和输出层传递,选择批处理梯度下降法训练前向网络,并采用附加动量法和学习速率自适应调整进行改进,运用Matlab建立BP神经网络模型。预测结果表明,改进的BP神经网络模型预测精度更高,提高了学习速度并增加了算法的可靠性。     

基于BP神经网络的GPS导航算法

GPS导航解算中常用最小二乘算法。随着高动态用户需求精度的不断提高，且由于线性化忽略高次项，初始值精度低以及差分后剩余或放大误差的存在。导航解精度很难满足高动态用户的需求。为此，本文基于BP神经网络的非线性逼近性能。给出了基于BP神经网络的GPS导航算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹，其导航解的精度和可靠性有明显的提高。     

基于L-M算法的BP神经网络分类器

以TM图像为例,讨论了基于Levenberg-Marquardt(L-M)算法的BP神经网络分类器及其在遥感图像分类中的应用。LM算法是梯度下降法与高斯牛顿法的结合,由于利用了近似的二阶导数信息,LM算法比梯度法快。就训练次数及准确度而言,LM算法明显优于变学习率法的BP算法。