基于自组织神经网络的砂土液化评价

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上,从提高算法收敛速度和性能出发,提出了一种改进算法:根据实际应用并结合专家经验确定初始连接权值;采用高斯函数作为拓扑邻域函数;将算法分为粗调整和细调整两个阶段,分别采用不同的学习率和邻域函数,然后采用改进后的SOFM算法对砂土液化进行评价。实例研究表明,应用SOFM神经网络评价砂土液化高效可行,为砂土液化评价提供了新方法。     

基于神经网络范例推理的边坡稳定性评价方法

提出了基于神经网络范例推理的边坡稳定性评价方法。针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了基于神经网络的边坡范例检索模型。运用神经网络强大的自适应、自组织、自学习的能力以及高度的非线性映射性、泛化性和容错性的特点,通过边坡范例的神经网络学习,建立了当前边坡和边坡范例之间相似性计算关系,最终实现了当前边坡的稳定性评价。对于8个验证边坡范例,模型的预测准确性达到了100 %,范例中的160组数据的相关性也达到了 0.981 5,表明建立的模型具有很高的预测准确性,模型的泛化能力很强。     

自组织特征映射神经网络在厄尔尼诺事件检验中的应用

对厄尔尼诺事件多因素成因进行了分析。利用自组织特征映射（SOFM）神经网络方法对1973～1994年的全球7级以上地震次数、日食条件、海温距平数据建立了SOFM网络检验模型。对1995~2000年厄尔尼诺事件进行了检验,检验的准确率为83.3% 。     

用神经网络评价边坡稳定性

影响边坡稳定性因素是复杂且具有随机和模糊特性。神经网络的性能特征使适用于解决非性的边坡稳定性评价问题，本文建立了边坡稳定性评价的复合网络模型，并利用边坡工程的失稳及稳定实例对网络进行了训练和测试，计算分析表明，网络模型对于评价边坡的稳定性有较好的适用性。     

基于交替迭代算法神经网络评价岩石边坡稳定性

目前边坡工程中常用的稳定性分析方法主要分为极限平衡法和数值分析法2大类，文章对它们各自的主要愿理、特点及其优缺点等进行了阐述。首先，根据经典边坡稳定分析方法存在的局限性，提出有必要建立基于人工神经网络的边坡稳定性预报方法。其次，针对经典算法BP网络存在的某些缺陷，提出了一种交替迭代算法神经网络，以提高其非线性映射能力和泛化能力。交替迭代神经网络算法通过解2个阶数比较低的线性代数方程组，逐步求得连接权值的。以此提高收敛速度，且有利于寻求最优解。作者用FORTRAN语言编制了程序。分析了建立边坡岩体稳定性预测网络模型的建立中应该注意的几个方面。最后，基于已有的40个岩石边坡工程实例进行所建立的神经网络的训练和边坡稳定的预报，结果表明文中所建立的边坡稳定性预报方法具有较高的预报准确度。     

基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

基于改进SOFM的矢量量化图像压缩

在介绍矢量量化和自组织特征映射神经网络的基础上，针对基于自组织特征映射神经网络的矢量量化算法，在初始码书生成、获胜神经元搜索策略以及调整获胜码字及其拓扑领域权值等方面进行改进。实验结果表明改进算法具有合理性和有效性。     

基于改进BP网络算法的边坡稳定性评价

影响边坡稳定性的因素复杂且具有随机性和不确定性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络适用于解决非确定性的边坡稳定性评价问题。结合遗传算法的并行搜索结构和模拟退火的概率突跳特性,提出了一种用于BP网络权值学习的GASA混合策略,并综合考虑影响边坡稳定性的各方面因素,建立了基于GASA混合策略的神经网络模型,并利用大量工程资料对网络进行训练和测试,得出了一些有意义的结论。     

因子分析-概率神经网络模型在边坡稳定性评价中的应用

边坡稳定性分析是一个复杂的系统工程问题,其评价直接影响边坡工程的安全性与经济性。为了实现对边坡稳定性的快速、高效和准确评价,需要考虑边坡稳定性多种评价指标,但指标间或多或少存在一定的相关性,从而导致参量信息重叠。文章提出一种因子分析方法对边坡稳定性相关指标数据进行降维处理,提取3个综合指标对边坡稳定性进行总体评价。因子分析后的指标彼此独立,能够满足概率神经网络（PNN）样本层中采用高斯函数作径向基函数的要求。在因子分析的基础上,建立边坡稳定性评价的PNN模型,将其应用于39个典型的边坡稳定性评价。预测结果表明:5种不同的训练和测试样本个数下PNN模型仍具有良好的预测效果,其正判率分别为100%、94.87%、94.87%、84.62%和84.62%,说明因子分析与PNN模型结合可为岩土工程中边坡稳定性评价提供了一种很好的思路。     

基于T-S模型的模糊神经网络在边坡稳定评价中的应用

受地质、工程等众多因素的影响,岩土质边坡稳定性具有未确知性、随机性、模糊性、可变性等特点,很难用简单的力学、数学模型描述。提出了用基于Takagi-Sugeno模型的模糊神经网络来对边坡稳定性进行评价,该模型同时兼具神经网络和模糊逻辑二者的优点,既可以比较容易地处理模糊性的实际问题,又具有较好的学习能力。将此模型与BP神经网络模型同时应用于80个实际边坡样本进行训练和预测,结果表明该模型具有预测精度更高、收敛速度更快、预测结果与实际结果吻合度更高的特点     

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。     

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。     

基于概率神经网络的岩土边坡稳定性预测方法

基于数据挖掘技术和智能系统,提出应用概率神经网络预测边坡稳定性的数值方法。根据大量边坡稳定或者失稳案例记录的数据库资料,采用数据挖掘方法能够从中提炼出有价值的分类模式。将岩土边坡的力学参数和几何形状作为神经网络的输入训练和测试神经网络。实际应用显示所建立的概率神经网络预测边坡稳定的实用性。与传统的极限平衡分析方法和极大似然估计方法相对比,所提出的概率神经网络具有更高的预测精度。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。     

An extreme learning machine approach for slope stability evaluation and prediction

This paper presents slope stability evaluation and prediction with the approach of a fast robust neural network named the extreme learning machine (ELM). The circular failure mechanism of a slope is formulated based on its material, geometrical and environmental parameters such as the unit weight, the cohesion, the internal friction angle, the slope inclination, slope height and the pore water ratio. The ELM is proposed to evaluate the stability of slopes subjected to potential circular failures by means of prediction of the factor of safety (FS). Substantial slope cases collected worldwide are utilized to illustrate and assess the capability and predictability of the ELM on slope stability analysis. Based on the mean absolute percentage errors and the correlation coefficients between the original and predicted FS values, comparisons are demonstrated between the ELM and the generalized regression neural network (GRNN) as well as the prediction models generated from the genetic algorithms. Moreover, sensitivity analysis of the slope parameters and the ELM model parameters is carried out based on the two utilized evaluation functions. The time expense of the ELM on slope stability analysis is also investigated. The results prove that the ELM is advantageous to the GRNN and the genetic algorithm based models in the analysis of slope stability. Hence, the ELM can be a promising technique for approaching the problems in geotechnical engineering.     

圆弧形公路边坡稳定性分析的神经网络法

边坡的稳定性往往取决于一些难以确定的非线性因素。而人工神经网络法具有并行处理数据与信息、良好的容错特性和较强的抗噪声能力,可以通过自学功能从样本实例中获得复杂的非线性关系,能模拟人脑的某些智能行为,因而适用于解决非确定性的边坡稳定性评价问题。本文建立了边坡稳定性评价的神经网络BP模型,用收集到的边坡稳定破坏实例作为样本进行学习,对桂林-柳州一级公路中K250段公路边坡进行了稳定性评价,结果表明：神经网络法是一种有效的边坡稳定性分析方法。