应用神经网络建立加速度峰值衰减规律

在假定了加速度峰值衰减规律的形式后，本采用人工神经网络拟合实际加速度峰值观测资料来求取方程中的待定系数。为加速神经网络的训练，本设计了基于ＢＰ学习算法的目标分段网络训练法。     

基于小波分析和神经网络的框架结构损伤诊断方法

本文提出了基于“能量—损伤”原理，综合利用小波包分析和神经网络的框架结构损伤诊断方法。在结构损伤诊断中，时域信号经小波分析后其缺损特征会更加明显，把分布在不同频带的结点能量作为神经网络的训练样本能够很好地反映结构缺损特征。以美国土木工程师学会提出的基准结构为例，阐述了结构损伤的发生、位置和程度诊断过程，取得了令人满意的结果。     

基于神经网络的钢筋混凝土异型节点抗裂能力预测

利用神经网络方法研究了低周反复荷载作用下钢筋混凝土异型节点抗裂承载力与各主要影响因素之间复杂的非线性关系,建立了承载力的BP神经网络预测模型,预测结果与试验结果吻合较好。分析结果表明神经网络计算是钢筋混凝土构件力学性能研究中的一种很有潜力的新方法。     

基于T-S模糊神经网络的采空塌陷危险性判别

采空区地面塌陷的危险性判别受地质因素、采矿因素等多重因素的影响,各因素往往影响程度不同且部分因素之间又相互联系。为了能够较准确地对采空塌陷危险性进行评估,引入了T-S模糊神经网络模型。以北京西山地区采空塌陷为例,根据塌陷特点,分别选取了地质构造复杂程度、覆盖层类型、第四系覆盖层厚度、覆岩强度、煤层倾角、采深采厚比、采空区埋深、采空区空间叠置层数8项影响因素作为评价指标,并建立了分级标准。将单因素评价指标均匀线性插值作为训练样本,建立了T-S模糊神经网络判别模型。利用训练好的神经网络模型对选取的8处采空区进行评估,结果分别为:Ⅰ、Ⅱ、Ⅲ、Ⅱ、Ⅲ、Ⅱ、Ⅲ、Ⅱ,结果与实际情况吻合。研究表明,利用T-S模糊神经网络研究采空塌陷危险性是可行的。     

多隐层BP神经网络在模式预报中的简化应用

EC细网格预报效果好,基本满足业务需要,在工作中被广泛应用。为进一步提升预报准确性,做好迪士尼园区的气象服务保障,选取2016年7月至2017年6月1年的2 m温度预报场,24 h预报时效的时间分辨率为3 h,72 h预报时效的时间分辨率为24 h,分别用回归分析法、S型和简化Line型BP神经网络法进行模式释用,与迪士尼气象站观测数据对比。结果表明:阈值为1℃时,对模式结果释用后,均方根误差减少了0.5℃到1.0℃,3—9 h和21—72 h预报时效的准确率由原来的50%和30%分别上升到70%和50%。采用S型多隐层BP神经网络误差最小,不同预报时效释用稳定性最高,同时该释用方法对t_(min)的预报特征把握更精准,释用效果明显优于对t_(max)的预报释用,但迭代计算耗费时间大幅增多,与预报效果的提升不成正比。简化Line型的BP神经网络通过8个半月的数据量和简单的网络模式,捕获了EC预报的特征,不但减小了计算量,大幅缩短了计算时间,而且预报结果也有显著提升,预报稳定性较好,具有广泛的业务应用空间。     

基于深度学习的天气雷达异常数据识别技术

天气雷达基数据中因观测设备故障或标定问题而产生的异常数据, 直接影响天气雷达数据质量、定量估测降水及天气系统的分析和判断。目前在中国气象局气象探测中心实时业务中, 通过人工勘误环节对异常数据进行处理。针对2020—2022年业务中勘误较多的、大面积故障异常和易与降水数据混合的局部电磁干扰或故障的两类异常数据, 分别构建和训练R-ResNet和R-LinkNet两种模型, 提取雷达硬件故障、电磁干扰等特征, 实现异常数据的识别和处理。评估结果表明:两种模型在提取异常数据特征方面均具有很强的学习能力, R-ResNet在分类判识异常数据与正常数据的准确率超过99%, R-LinkNet在分离电磁干扰杂波和降水回波的准确率超过98%。两种模型可用于实时业务中监控和勘误电磁干扰、故障等异常数据, 实现异常数据的自动勘误处理。     

基于Quanser实验平台的带有输出约束单连杆柔性机械臂的神经网络控制

机械臂在航空航天、服务等领域的应用越来越广泛,其研究也越来越深入.相比于刚性机械臂,柔性机械臂质量轻、能耗小,具有更好的性能.但是,由于柔性机械臂本身的结构与材料具有特殊性,其在运动过程中会产生弹性形变与振动,这就给机械臂的定位、轨迹跟踪带来了困难,因此对其振动抑制的研究具有重要意义.本文利用假设模态法对单连杆柔性机械臂系统进行建模,通过李雅普诺夫直接法实现了闭环系统的稳定性.由于一些实际问题对控制系统的状态量有特殊要求,因此采用正切函数形式的障碍李雅普诺夫策略来处理输出约束问题,之后利用神经网络控制方法来逼近系统的不确定性,通过李雅普诺夫法对闭环系统的稳定性进行了分析,并基于Matlab平台设计仿真、基于Quanser实验平台进行实验,对控制器的控制性能进行了验证.     

粒子群神经网络混合模型在农用地分等中的应用

针对常规农用地分等模型因子权重计算存在人为干扰和神经网络模型自身优化过程中易陷入局部最优的情况,该文综合了BP神经网络非线性权重数据挖掘特性和粒子群的全局优化能力,建立了农用地分等计算的粒子群神经网络混合模型(PSO-BP网络模型),并应用于广东省揭西县农用地分等计算中,发现PSO-BP网络模型能避免定级因子权重确定的人为干扰,同时具有较高的优化效率,应用效果较好。     

济南市岩溶水动态变化的神经网络模拟及泉水喷涌趋势预测

本文根据影响岩溶水位的因素,利用改进的BP神经网络建立一个能够反映济南市泉域岩溶地下水动态变化的随机模型,并进行检验,与运用多元回归模型预测的结果相比较,结果表明:BP神经网络模型进行岩溶地下水动态变化预测是可行的,该模型具有较强的学习、容错和联想功能,对岩溶地下水动态变化的预测精度大大的提高。最后在模拟的基础上,又对泉水喷涌的宏观趋势作了进一步的预测和分析。