基于bp神經網絡的單樁極限承載力預測——從基樁高應變動測試驗的結果中提取特征參數，組成反映基樁豎向承載力的特征向量，利用bp神經網絡的非線性映射特性和學習能力，建立了特征向量和單樁豎向極限承載力之間的一種對應關系，實例研究表明，人工神經網絡的預測...

闡述了bp人工神經網絡原理,分析了地基承載力的影響因素,以云安縣六都—高要大灣二級公路(云浮段)新建工程勘察數據為例,通過建立神經網絡模型并對模型進行訓練,結果表明,該模型比較精確,可在今后勘察工作中運用。

基于wpnn與數據融合技術的樁基承載力預測方法研究- 工程事故分析 基于wpnn與數據融合技術的樁基承載力預測方法研究 摘要：為了能夠快速并較準確的預測樁基的承載能力，達到在施 工過程中減少或不做試樁的效果，以單樁為例，分析了影響豎向承載 能力的量化因素及非量化的因素，利用小波概率神經網絡(wpnn)與 數據融合技術的聯想和預測功能，得出承載力和這些因素的關系。通 過對鉆孔灌注樁的靜載試驗數據分析，選擇了wpnn與數據融合技 術的方法對試驗數據進行分析，建立了合理的模型進行承載力預測， 6根單樁的承載力的預測值與實測值吻合較好，證明了該方法在預測 樁基豎向承載能力時可以滿足工程實際的需要。 關鍵詞：樁基承載力,小波概率神經網絡(wpnn),數據融合,預測 隨著大跨度橋梁結構的迅速發展，樁基礎的應用日趨廣泛。近年 來，由于成樁工藝、檢測手段的不斷完善，樁基礎

基于遺傳-bp神經網絡預測單樁豎向承載力——在遺傳算法改進bp神經網絡的基礎上，利用遺傳算法的全局優化能力和bp神經網絡的較強的高次非線性能力和自學習能力，建立預測單樁豎向承載力的遺傳一bp神經網絡模型。通過利用濟南地區現場試樁資料對該模型進行訓練和...

基于珠海軟土地區3根phc管樁隔時復壓試驗數據,采用bp神經網絡建立了靜壓樁承載力時間效應的bp神經網絡模型來預測靜壓樁的長期承載力。在建模過程中將樁長、樁截面積、土體摩擦角、土體變形模量、滲透系數、最終壓樁力及休止期等與靜壓樁承載力密切相關的7個參數引入到輸入層,用visualbasic語言編制了以最終壓樁力和休止期為主要輸入因素的計算程序,程序可以對比顯示計算和實測曲線。在樣本訓練和學習過程中,任意選取2根樁的試驗數據來預測第3根樁的長期承載力。通過對施工現場工程樁的試算,預測結果與實測值較為吻合,表明提出的bp神經網絡模型用于預測靜壓樁長期承載力是切實可行的。

為了對民航系統安全運行狀態進行科學的分析和預測,針對反映民航系統安全運行狀態的重要指標之一——飛行事故萬時率,采用bp神經網絡的時間序列非線性預測模型及方法,對其進行了分析研究和仿真驗證,計算結果表明,該預測方法是可行的,并與實際具有較好的一致性。

根據長期的工程實測資料,利用高層建筑物靜載實驗數據對模型進行了檢驗,并選取了典型的樣本進行了預測值的誤差分析,結果表明,預測的結果和靜載實驗數據吻合較好,從而證實了wpnn預測方法具有較好的可靠性和工程應用價值。

神經網絡在單樁承載力預測中的應用——運用基于bp神經網絡的組合預測模型對phc樁的極限承載力進行預測。分別利用灰色gm（1，）模型和bp神經網絡對樁在荷載作用下的沉降進行估算，然后利用人工神經網絡中的bp網絡對所得的結果進行組合預測；最后利用lagrange算法...

采用神經網絡方法對自密實混凝土受彎梁的正截面承載力進行模擬.以影響自密實混凝土梁受彎承載力的主要因素(抗壓強度、截面尺寸、配筋率等)為參數,以構件的受彎極限承載力為網絡輸出,建立多層前饋神經網絡來描述其非線性關系.利用不同研究者的32組試驗數據對網絡進行訓練和測試.測試表明,建立的神經網絡模型對32組試驗數據具有良好的模擬精度,可作為預測自密實混凝土梁受彎承載力的一種新的計算方法.

為提高纖維增強復合材料(frp)加固混凝土軸壓柱承載力的計算精度,建立了frp加固混凝土軸壓柱承載力的bp神經網絡預測模型.利用大量試驗數據對神經網絡模型進行訓練,并用訓練成熟的神經網絡模型對frp加固混凝土軸壓柱的承載力進行了預測.通過模型預測值與試驗結果的比較,證明該模型的預測結果具有一定的可信度,最大誤差不超過15%,比其他計算模型的精度高.

在遺傳算法與誤差反向傳播網絡(bp網絡)結構相結合的基礎上,提出了利用改進的遺傳算法優化神經網絡進行水資源承載力綜合評價的新方法,將該方法應用于淮河流域水資源承載力綜合評價,實例表明是可行的,為水資源承載力定量分析開辟了新的途徑.

本文利用人工神經網絡建立了方形鋼管混凝土的神經網絡bp模型。對方鋼管混凝土軸壓短柱,選取試件長度、截面的寬度、鋼管的厚度、混凝土的抗壓強度及鋼材的屈服強度5個影響軸壓短柱極限承載力的主要因素作為輸入單元,選用45組數據作為訓練集,8組數據作為測試集,建立了一個3層的bp神經網絡預測模型,仿真預測結果要比現有計算理論更準確。

將bp神經網絡用于電力負荷預測。給出了具體的數據處理方法、神經網絡構造及預測結果評價方法。在南京市夏季電力負荷統計數據集上面的實驗結果表明,bp神經網絡能夠對電力負荷進行較好地預測。

提出一種采用bp神經網絡算法來預測深基坑沉降的方法,結合具體工程實例,構建了預測深基坑周邊地表沉降具體bp神經網絡模型,預測結果表明,該模型有較高的預測精度,可作為預測沉降的一種新方法。

確定單樁極限承載力的神經網絡方法——利用樁基靜載試驗的荷載～沉降數據，由神經網絡建立荷載與沉降之間的映射關系，按規范可確定或推測樁基極限承載力。通過7根樁的實例分析，表明該方法是有效的，具有較好的實用價值。

應用徑向基函數神經網絡預測單樁極限承載力——在徑向基函數神經網絡的基本原理基礎上，通過對影響單樁極限承載力因素的分析，建立了單樁極限承載力設計的grnn模型，并進行了實例分析。計算結果具有較高的精度和收斂速度快等特點，是一種行之有效的預測單樁極限...

針對bp神經網絡學習時間長、收斂速度慢等缺陷,借助小波分析理論,將母小波平移和伸縮構成的小波基作為神經網絡的激勵函數,通過指導網絡的初始化和參數選取,使網絡以較簡單的拓撲結構實現函數逼近,利用網絡訓練建立起承載力與其影響因素之間的非線性關系。在相同結構和參數下,與bp神經網絡進行分析對比。結果表明:利用小波變換對數據時頻局域化分析的能力并結合人工神經網絡的自學習功能,使得小波神經網絡預測模型具有較強的逼近和容錯能力,預測結果比傳統的bp神經網絡具有更快的收斂速度和更高的精度。

強烈的地震給人們生命財產帶來巨大損失,為了能夠在地震之前預測出建筑物震害,提出一多層磚房為例。利用matlab神經網絡工具箱,建立一種基于貝葉斯正則算法的bp神經網絡模型,并以過去發生地震地區的多層磚房調查數據為震害因子的震害預測方法。結果表明:對多層磚房的震害樣本的預測達到理想效果。

針對bp神經網絡訓練過程中的訓練時間較長、完全不能訓練或容易陷入局部極小值等問題,提出基于遺傳克隆選擇算法(cloga)優化bp神經網絡的流程,克服bp算法的一些缺陷。并通過湖北省人口預測問題進行效果檢驗,得到滿意的結果。

負荷預測是電力規劃的基礎,傳統的神經網絡預測方法存在對初始網絡權值設置敏感、收斂的速度慢、容易陷入局部極小值等缺點。文中引入遺傳算法先對神經網絡的初始值進行優化,再通過神經網絡進行學習和訓練,得出的結果再經bagging方法集成,目的是提高其準確率。通過matlab仿真進行實驗,結果表明,基于bagging算法集成遺傳神經網絡,能夠克服傳統bp神經網絡的缺點,可較快收斂又不易陷入到局部極值中,具有較強的泛化能力,同時也大大提高了網絡的預測精度。

本文提出了一種基于rbf神經網絡的直接預測法,對公路貨運量進行了預測,并利用matlab工具箱予以了實現.對2004和2005年公路貨運量預測的結果表明,預測值與國家統計局公布的實際數值有很好的一致性,預測精度也高于其它rbf預測法,有很好的應用性.

公路貨運量受多種因素影響,各因素的作用機制通常不能準確地用數學語言進行描述。采用廣義回歸神經網絡(grnn)對貨運量進行分析及預測。通過對1995~2003年南京市公路運量的歷史數據進行分析和處理,對網絡進行訓練和擬合,用2004~2005年的實際數據進行模型檢驗,結果證明了grnn用于貨運量預測的有效性。