联合法预测软土路基沉降

基于武穴长江公路大桥北岸接线软土路基段的实测沉降数据,分别利用曲线拟合法中的双曲线法、指数曲线法和泊松曲线法预测软基沉降变化;然后,通过比较3种拟合曲线的最小均方差和最大关联度,得到双曲线为最优拟合曲线;最后,根据实验参数建立FLAC~(3D)数值模型并进行预测。比较双曲线法、FLAC~(3D)数值模拟法和实测沉降数据的预测结果发现:FLAC~(3D)数值模拟法可以用于施工前预测,精度不高,但能预示可能发生的过大沉降;路基施工过程中,可以利用曲线拟合法中的最优曲线预测沉降变化趋势,精度较高;联合法更适用于原状土样扰动较小的软基沉降预测,且预测精度比水泥粉煤灰碎石桩(CFG桩)加固后的路基沉降预测精度更高。     

基于模糊神经网络的RTT智能预测算法

在网络拥塞控制的重要参数中,RTT(Roundtriptime)尤为突出,因为它能对网络所发生的拥塞作出较早的反映。所以对RTT的精确预测程度,无论是对网络拥塞控制还是流量、带宽估计都很有意义。分析了RTT的特性,发现其有很强的高频噪声,因而采用低通滤波和MBP网络相结合的RTT预测策略。实验表明,即使在网络状况较忙的情况下,也能获得很好的预测结果。     

基于神经网络算法预测水解酶的亚类

本文基于前人建立的数据库,以氨基酸组分、预测的二级结构和MEME模体及功能模体频数组成向量来表示序列信息,用神经网络算法,对水解酶的亚类分别进行分类预测,在Jack-knife检验下的预测总精度为96.7%.     

基于动量BP算法的神经网络房价预测研究

房地产价格近年来持续上涨,对于房价趋势的预测成为经济社会热点,但这些预测大都停留在定性分析阶段。从定量分析的角度入手,提出利用加入动量因子的BP神经网络算法建立数学模型,运用Matlab仿真实现房价预测。详细分析了BP神经网络学习算法过程,并加入动量因子以加快收敛、避免陷入局部最优。以山东济南为例,分析得出影响房价的7大主要因素,搜集2000-2012年数据,运用Matlab建立单隐含层的BP神经网络,通过训练网络,预测2014年该市房产均价。实验结果表明,该方法能在有限的数据条件下,对房价预测精准度达99.1%,为我国房地产业的可持续发展提供了科学的咨询和决策手段。     

基于遗传退火算法进化神经网络的水位预测

为获得更准确的预测结果及更优良的预测性能,本文提出了一个新模型.该模型将遗传算法和退火相结合并进化BP神经网络,称为GASANN模型.通过预测中国广西柳江年水位数据,将新模型的性能与加权移动平均(WMA)、逐步回归(SR)以及自回归移动平均(ARIMA)进行比较,结果显示新模型性能优于其他模型.因此,该非线性模型可作为获取准确水位预测及改善水位预测性能的可选模型之一.     

谈道路桥梁沉降段路基施工技术

随着我国城市化进程的不断加快,当前道路桥梁施工技术也逐渐成为行业内普遍关注的问题,特别针对沉降段路基施工工作尤为如此。立足于工程现状,首先分析了道路桥梁路基施工中的各种影响因素,其次对道路桥梁沉降段的施工要点进行了分析,也希望能够为我国道路桥梁施工技术整体水平的全面提升提供新的参考与借鉴。     

基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.     

高速铁路路基沉降量预测的几个典型方法

高速铁路路基沉降控制是高速铁路设计和施工中所要考虑的主控因素,所以在大规模施工前,均应进行路基沉降观测,结合沉降观测数据进行路基沉降量预测。而路基沉降预测常用方法涉及多个学科和领域的交叉运用,本文深入浅出的介绍了对高速铁路路基沉降预测的几个典型方法,主要有曲线法、灰色系统法、BP神经网络法和遗传算法。     

基于Elman神经网络算法的电力负荷预测模型研究

随着社会经济的发展,也为电力负荷系统带来极大的考验.如何才能够让电力保持平稳、高质量的输送,使客户的用电需求得到用力保证,避免因为断电给客户造成极大的经济损失,这我们需要不断思索的问题.随着依托于人工神经系统的新预测技术出现,对电力负荷的预测越来越准确,在保障电力顺利平稳输送的同时,也减少可人工成本的支出.本文通过Elman型神经网络,对电力负荷预测进行研究,并通过Matlab进行仿真.     

一种基于神经网络级联算法的软件可靠性增长预测方法

介绍了一种基于神经网络级联算法的软件可靠性增长预测方法,阐述了该算法的具体步骤.对预测系统进行了定义,提出了预测手段,并对预测进行了度量.测试结果与传统方法比较,该方法的较优越性能.     

一种基于神经网络级联算法的软件可靠性增长预测方法

介绍了一种基于神经网络级联算法的软件可靠性增长预测方法，阐述了该算法的具体步骤．对预测系统进行了定义，提出了预测手段，并对预测进行了度量．测试结果与传统方法比较，该方法的较优越性能．     

基于神经网络的数据挖掘算法

数据挖掘涉及多学科技术的集成,包括数据库技术、神经网络、模式识别、信息检索、图像与信号处理和空间数据分析等.神经网络在数据挖掘中的应用也越来越广泛,尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等缺陷,但其对噪声数据的高承受能力和低错误率的优点是其他方法所不及的,并在数据挖掘所采用的方法中具有优势.本文对基于BP神经网络的数据挖掘算法进行了详细的讨论,并提出了算法改进方法.     

地铁隧道的下穿施工对上部路基沉降影响分析

国内的工程建设中有许多隧道下穿施工影响到路基沉降的问题状况,对这些路基沉降的影响分析应结合不同的列车荷载情况,使用一定的施工方法保证施工质量。本文结合某地铁一号线的施工案例进行路基沉降分析,通过四种模拟情况的探究总结,得出施工方法与列车荷载对沉降的影响因素,从而给隧道下穿的具体施工提供借鉴经验。     

高速公路软土路基堆载预压段沉降预测方法对比

采用堆载预压技术处理软土地基时,预压段的沉降发生及发展规律对路面施工质量有重要影响。以武穴长江公路大桥北岸接线段软基处理工程为例,基于堆载预压后长期跟踪的沉降观测数据,分别通过指数曲线法和双曲线法对预压路段进行沉降预测,并利用控制变量法分析采用数据时间的长短、沉降预测初始点的设定、采用2次数据的时间间隔等3个因素对2种预测结果的影响。结果表明:采用数据时间的长短对2种方法的预测结果影响均较大,其中采用较长时间沉降数据的预测结果更为准确;沉降预测初始点的设定对于指数曲线法的预测结果影响较小,而对于双曲线法的预测结果影响很大;采用两次数据的时间间隔对于2种方法的预测结果影响均不明显。     

灰色-Gompertz组合模型在软土路基沉降预测中的应用

针对单一灰色预测模型或Gompertz预测模型的局限性和可靠性差的缺陷,基于灰色模型和Gompertz曲线,根据最优加权组合原理,以误差平方和最小为最优组合标准,构建出1种新的软土路基沉降组合预测模型,对某沿海高速公路软土路基的沉降变形进行预测分析。工程实例验证表明,新构建的组合预测模型较单一的灰色预测模型或Gompertz预测模型有效消除了系统误差,提高了拟合精度,避免了单一模型偏大或偏小的预测趋势,具有更强的环境适应性,是路基沉降预测的1种有效分析方法,同时将新模型的预测数值应用于改进施工进度及地基处理方法的后期评价,取得了良好效果。     

基于粒子群算法与循环神经网络的短期电力负荷预测

针对循环神经网络算法在电力负荷预测中存在易陷入局部最小值和全局搜索能力较弱的缺陷,提出了基于粒子群算法和循环神经网络的预测方法|针对标准粒子群算法易因粒子早熟收敛现象而陷于局部最优的缺陷,提出了合理粒距的概念,生成一种改良后的学习方法。采用改良后的粒子群算法对结点权值参数进行寻优,以测量值与预测值的误差作为评价依据,从而实现模型参数的优化选择。最后采用改良后的粒子群算法和循环神经网络预测模型对短期电力负荷进行预测,并与标准粒子群算法循环神经网络预测模型和循环神经网络预测模型对比。实际算例比较表明,这种预测方法具有良好的收敛特性和较高的预测准确度。     

基于神经网络的透气性状态预测

针对烧结过程的时变、强非线性等特点,基于神经网络和粒子群优化算法,提出一种预测透气性状态的集成方法.采用神经网络分别建立透气性预测模型,采用粒子群优化算法对神经网络进行训练,提高预测模型的实时性;进而借助模糊分类器将预测子模型实现有机融合.最后实际运行结果表明,提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果.     

基于神经网络的校园网络流量预测

校园网络要实现有效管理及维护,选择最优的网络QoS控制策略是十分必要的。通过对基于神经网络预测模型的分析,利用人工蜂群算法对其参数进行训练,建立了一种优化的ABC_RBF网络流量预测模型,并对网络流量数据采集及分析,实现了网络流量的量化预测,从而为校园网的管理决策提供依据。