基于多種檢測(cè)數(shù)據(jù)軌道狀態(tài)BP神經(jīng)網(wǎng)絡(luò)評(píng)定方法

采用催化傳感器和電化學(xué)式氣體傳感器配合使用的傳感器陣列.為了解決2種傳感器對(duì)礦井co和ch4氣體的交叉敏感問題,提出了一種基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的礦井co檢測(cè)方法.通過matlab仿真可以看出,基于神經(jīng)網(wǎng)絡(luò)的傳感器陣列方法可以明顯提高co檢測(cè)精度.實(shí)際輸出值和期望輸出的絕對(duì)誤差平均值為3.43ppm,相對(duì)誤差平均值為1.43％.

用養(yǎng)護(hù)規(guī)范中17個(gè)評(píng)價(jià)指標(biāo)作為輸入層網(wǎng)絡(luò)神經(jīng)元,把橋梁損傷等級(jí)參數(shù)作為輸出層神經(jīng)元,建立了橋梁評(píng)估3層bp神經(jīng)網(wǎng)絡(luò)模型。選用湖北省110座舊橋的評(píng)估數(shù)據(jù)作為訓(xùn)練樣本,后10個(gè)作為測(cè)試樣本,經(jīng)過2068次迭代運(yùn)算的網(wǎng)絡(luò)訓(xùn)練,得到了誤差滿足精度要求的收斂網(wǎng)絡(luò)。將待評(píng)估的橋梁參數(shù)輸入訓(xùn)練好的網(wǎng)絡(luò),得到評(píng)估橋梁的技術(shù)狀態(tài)等級(jí)。

采用催化傳感器和電化學(xué)式氣體傳感器配合使用的傳感器陣列。為了解決2種傳感器對(duì)礦井co和ch4氣體的交叉敏感問題,提出了一種基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的礦井co檢測(cè)方法。通過matlab仿真可以看出,基于神經(jīng)網(wǎng)絡(luò)的傳感器陣列方法可以明顯提高co檢測(cè)精度。實(shí)際輸出值和期望輸出的絕對(duì)誤差平均值為3.43ppm,相對(duì)誤差平均值為1.43%。

缺測(cè)降水?dāng)?shù)據(jù)的插補(bǔ)可以有效改善數(shù)據(jù)系列的完整性,以元江境內(nèi)的元江、洼垤、因遠(yuǎn)、街子河、阿支、磨房河等水文和雨量站點(diǎn)逐月及年降水?dāng)?shù)據(jù)為基礎(chǔ),研究缺測(cè)降水?dāng)?shù)據(jù)的插補(bǔ)。站點(diǎn)之間月降水?dāng)?shù)據(jù)相關(guān)分析表明:各站點(diǎn)之間相關(guān)性較差,相關(guān)分析難以滿足本研究流域內(nèi)部分月降水?dāng)?shù)據(jù)插補(bǔ)精度,故嘗試采用bp神經(jīng)網(wǎng)絡(luò)模型對(duì)研究流域降水?dāng)?shù)據(jù)進(jìn)行插補(bǔ)。研究表明:基于本流域降水?dāng)?shù)據(jù)建立的神經(jīng)網(wǎng)絡(luò)模型檢測(cè)樣本合格率達(dá)到89.6%,具有較好的插補(bǔ)精度,說明神經(jīng)網(wǎng)絡(luò)可以用于本研究流域的缺測(cè)降水?dāng)?shù)據(jù)插補(bǔ),為降水?dāng)?shù)據(jù)缺測(cè)的插補(bǔ)提供了新的途徑。

缺測(cè)降水?dāng)?shù)據(jù)的插補(bǔ)可以有效改善數(shù)據(jù)系列的完整性,以元江境內(nèi)的元江、洼垤、因遠(yuǎn)、街子河、阿支、磨房河等水文和雨量站點(diǎn)逐月及年降水?dāng)?shù)據(jù)為基礎(chǔ),研究缺測(cè)降水?dāng)?shù)據(jù)的插補(bǔ)。站點(diǎn)之間月降水?dāng)?shù)據(jù)相關(guān)分析表明：各站點(diǎn)之間相關(guān)性較差,相關(guān)分析難以滿足本研究流域內(nèi)部分月降水?dāng)?shù)據(jù)插補(bǔ)精度,故嘗試采用bp神經(jīng)網(wǎng)絡(luò)模型對(duì)研究流域降水?dāng)?shù)據(jù)進(jìn)行插補(bǔ)。研究表明：基于本流域降水?dāng)?shù)據(jù)建立的神經(jīng)網(wǎng)絡(luò)模型檢測(cè)樣本合格率達(dá)到89.6%,具有較好的插補(bǔ)精度,說明神經(jīng)網(wǎng)絡(luò)可以用于本研究流域的缺測(cè)降水?dāng)?shù)據(jù)插補(bǔ),為降水?dāng)?shù)據(jù)缺測(cè)的插補(bǔ)提供了新的途徑。

當(dāng)前一般按照數(shù)據(jù)的后驗(yàn)分布,為缺失值插入估計(jì)值,通常低估了統(tǒng)計(jì)量的方差,導(dǎo)致統(tǒng)計(jì)量估計(jì)置信范圍降低,檢測(cè)顯著性降低。為此,提出1種新的基于bp神經(jīng)網(wǎng)絡(luò)的農(nóng)資庫(kù)存數(shù)據(jù)插補(bǔ)技術(shù)。為了增強(qiáng)不同年份農(nóng)資庫(kù)存數(shù)據(jù)的可比性,對(duì)數(shù)據(jù)進(jìn)行歸一化處理。針對(duì)訓(xùn)練的bp神經(jīng)網(wǎng)絡(luò),通過平均絕對(duì)誤差、均方誤差、平均預(yù)測(cè)誤差、平均絕對(duì)百分誤差完成統(tǒng)計(jì)分析,評(píng)價(jià)模擬值和觀測(cè)模擬值間的離散程度。分析了bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),對(duì)農(nóng)資庫(kù)存數(shù)據(jù)進(jìn)行插補(bǔ)的過程中,構(gòu)造雙向時(shí)間識(shí)別序列,改變應(yīng)用前一時(shí)間段農(nóng)資庫(kù)存數(shù)據(jù)預(yù)測(cè)后期數(shù)據(jù)的傳統(tǒng)方式,采用缺失時(shí)間段前后已有農(nóng)資庫(kù)存數(shù)據(jù)共同對(duì)缺失數(shù)據(jù)進(jìn)行預(yù)測(cè)。完成農(nóng)資庫(kù)存數(shù)據(jù)的處理后,需對(duì)已有樣本進(jìn)行訓(xùn)練,如果檢驗(yàn)擬合度指標(biāo)值高于0.8,則認(rèn)為訓(xùn)練結(jié)果可靠,從而完成對(duì)缺失值的預(yù)測(cè),實(shí)現(xiàn)農(nóng)資庫(kù)存數(shù)據(jù)插補(bǔ)。試驗(yàn)結(jié)果表明,所提技術(shù)插補(bǔ)精度高。

精密軸承應(yīng)用廣泛,精度要求高,軸承表面缺陷對(duì)其使用影響很大.因此,對(duì)軸承缺陷的檢測(cè)很有必要.目前的檢測(cè)以人工為主,但當(dāng)缺陷小于0.075mm時(shí)人眼就很難識(shí)別.以ccd攝像機(jī)為視覺結(jié)合圖像處理技術(shù),設(shè)計(jì)一種軸承在線檢測(cè)方法,能夠在很大程度上提高檢測(cè)效率和檢測(cè)精度,最后利用bp神經(jīng)網(wǎng)絡(luò)進(jìn)行缺陷分類,實(shí)驗(yàn)結(jié)果表明:分類正確率可達(dá)92.7%,符合工業(yè)要求.

基于bp神經(jīng)網(wǎng)絡(luò)電子評(píng)標(biāo)方法的研究和應(yīng)用——為了解決招投標(biāo)中評(píng)標(biāo)環(huán)節(jié)專家評(píng)審法隨意性大的問題,針對(duì)建設(shè)工程的不同特點(diǎn),對(duì)評(píng)標(biāo)內(nèi)容進(jìn)行分類剖析.利用人工神經(jīng)網(wǎng)絡(luò)的智能識(shí)別功能,建立基于神經(jīng)網(wǎng)絡(luò)的電子評(píng)標(biāo)方法.結(jié)合人工神經(jīng)網(wǎng)絡(luò)的自適應(yīng)功能、良好的容錯(cuò)能...

本文利用特征價(jià)格理論和bp神經(jīng)網(wǎng)絡(luò)工具建立住宅項(xiàng)目估價(jià)模型,為住宅項(xiàng)目定價(jià)提供一種快速、有效的新方法。

為了對(duì)民航系統(tǒng)安全運(yùn)行狀態(tài)進(jìn)行科學(xué)的分析和預(yù)測(cè),針對(duì)反映民航系統(tǒng)安全運(yùn)行狀態(tài)的重要指標(biāo)之一——飛行事故萬時(shí)率,采用bp神經(jīng)網(wǎng)絡(luò)的時(shí)間序列非線性預(yù)測(cè)模型及方法,對(duì)其進(jìn)行了分析研究和仿真驗(yàn)證,計(jì)算結(jié)果表明,該預(yù)測(cè)方法是可行的,并與實(shí)際具有較好的一致性。

針對(duì)傳統(tǒng)方法單獨(dú)采用bp神經(jīng)網(wǎng)絡(luò)算法易陷入局部極值的問題,提出了遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò),并將其應(yīng)用于mimo-ofdm系統(tǒng)信號(hào)檢測(cè)中。該方法將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合,用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)初始值,使bp網(wǎng)絡(luò)快速收斂到最優(yōu)解,避免了由初始值的隨機(jī)選取而帶來的檢測(cè)誤碼。仿真結(jié)果表明所提出的方法在誤碼率方面有比較好的性能。

針對(duì)工業(yè)控制系統(tǒng)入侵檢測(cè)模型對(duì)各類攻擊的檢測(cè)率和檢測(cè)效率不高的問題,提出一種adaboost算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型.首先利用主成分分析法對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理,消除其相關(guān)性；其次利用adaboost算法對(duì)訓(xùn)練樣本的權(quán)重進(jìn)行不斷調(diào)整,從而獲得bp神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)重和閾值；最后再通過adaboost算法將bp弱分類器組合成bp強(qiáng)分類器,從而實(shí)現(xiàn)工業(yè)控制系統(tǒng)的異常檢測(cè).實(shí)驗(yàn)結(jié)果表明該方法在對(duì)各攻擊類型的檢測(cè)率和測(cè)試時(shí)間明顯優(yōu)于其他算法模型.

為簡(jiǎn)化震害預(yù)測(cè)工作,提出一種以房屋普查數(shù)據(jù)為震害影響因子并利用人工神經(jīng)網(wǎng)絡(luò)模型為工具的震害預(yù)測(cè)方法。從以往震害實(shí)例中選取了具有典型破壞特點(diǎn)的建筑物作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本,用收集的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練并得到了收斂的網(wǎng)絡(luò),應(yīng)用此收斂的網(wǎng)絡(luò)對(duì)一組新的房屋數(shù)據(jù)進(jìn)行震害預(yù)測(cè),結(jié)果表明了運(yùn)用此方法和模型的實(shí)用性。

軌道交通費(fèi)率清分的實(shí)質(zhì)是在不同線路下網(wǎng)絡(luò)客流分布的問題。在充分考慮乘客出行路徑選擇多要素的基礎(chǔ)上,提出一種基于神經(jīng)網(wǎng)絡(luò)的軌道交通客流清分模型。將影響乘客出行路徑選擇的多要素分為確定性要素和不確定性要素,通過樣本訓(xùn)練神經(jīng)元的抑制系數(shù)和激勵(lì)系數(shù),結(jié)合轉(zhuǎn)換函數(shù)將結(jié)果傳導(dǎo)給輸出層輸出。與傳統(tǒng)模型相比,該模型更符合乘客出行選擇的多要素心理。最后通過對(duì)比客流調(diào)查結(jié)果和logit模型表明,在排除其他要素的干擾下,該方法能夠較好的實(shí)現(xiàn)客流在不同線路的清分。

軌道交通費(fèi)率清分的實(shí)質(zhì)是在不同線路下網(wǎng)絡(luò)客流分布的問題。在充分考慮乘客出行路徑選擇多要素的基礎(chǔ)上,提出一種基于神經(jīng)網(wǎng)絡(luò)的軌道交通客流清分模型。將影響乘客出行路徑選擇的多要素分為確定性要素和不確定性要素,通過樣本訓(xùn)練神經(jīng)元的抑制系數(shù)和激勵(lì)系數(shù),結(jié)合轉(zhuǎn)換函數(shù)將結(jié)果傳導(dǎo)給輸出層輸出。與傳統(tǒng)模型相比,該模型更符合乘客出行選擇的多要素心理。最后通過對(duì)比客流調(diào)查結(jié)果和logit模型表明,在排除其他要素的干擾下,該方法能夠較好的實(shí)現(xiàn)客流在不同線路的清分。

本文首先根據(jù)北京城市軌道交通網(wǎng)絡(luò)的特點(diǎn)，以靜態(tài)非平衡分配模型中的最短路徑分配為理論基礎(chǔ)，實(shí)現(xiàn)歷史客流在斷面上的分配，得到具有參考價(jià)值的斷面客流。然后通過大量bp神經(jīng)網(wǎng)絡(luò)建模試驗(yàn)，對(duì)北京城市軌道交通客流預(yù)測(cè)問題，建立了合理的預(yù)測(cè)模型。最后利用bp神經(jīng)網(wǎng)絡(luò)模型對(duì)13號(hào)線西直門站至2號(hào)線西直門站的換乘斷面客流進(jìn)行預(yù)測(cè)，并與最小二乘擬合結(jié)果進(jìn)行對(duì)比分析，得出合理的客流預(yù)測(cè)結(jié)果。

強(qiáng)烈的地震給人們生命財(cái)產(chǎn)帶來巨大損失,為了能夠在地震之前預(yù)測(cè)出建筑物震害,提出一多層磚房為例。利用matlab神經(jīng)網(wǎng)絡(luò)工具箱,建立一種基于貝葉斯正則算法的bp神經(jīng)網(wǎng)絡(luò)模型,并以過去發(fā)生地震地區(qū)的多層磚房調(diào)查數(shù)據(jù)為震害因子的震害預(yù)測(cè)方法。結(jié)果表明:對(duì)多層磚房的震害樣本的預(yù)測(cè)達(dá)到理想效果。

目前鋼絲繩斷絲定量檢測(cè)中存在效率低、可靠性差的問題?；赽p神經(jīng)網(wǎng)絡(luò)的智能化鋼絲繩斷絲檢測(cè)系統(tǒng),利用虛擬儀器技術(shù),可方便地實(shí)現(xiàn)對(duì)鋼絲繩的數(shù)據(jù)采集、實(shí)時(shí)分析,實(shí)現(xiàn)了對(duì)鋼絲繩斷絲檢測(cè)的綜合判斷。運(yùn)用matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模擬檢測(cè),結(jié)果表明:網(wǎng)絡(luò)仿真與實(shí)際相符,準(zhǔn)確判斷率為81.82%。該系統(tǒng)用于鋼絲繩斷絲識(shí)別可行。

本文結(jié)合住宅房地產(chǎn)的價(jià)格理論和相關(guān)網(wǎng)站上的數(shù)據(jù),科學(xué)地選取影響商品住宅價(jià)格的影響指標(biāo)為人均gdp、人均可支配收入、人口數(shù)量、房地產(chǎn)開發(fā)投資額和商品住宅建筑面積,并以此建立hedonic商品住宅價(jià)格影響因素模型。依照bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的實(shí)現(xiàn)步驟,探索bp神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)?？谑猩唐纷≌瑑r(jià)格的應(yīng)用,得到2018年6月-2019年5月商品住宅價(jià)格預(yù)測(cè)值,對(duì)海口市商品住宅價(jià)格的研究具有一定的指導(dǎo)作用。

利用matlab建立bp神經(jīng)網(wǎng)絡(luò),將影響建筑能耗的18個(gè)因素作為網(wǎng)絡(luò)的輸入,進(jìn)行學(xué)習(xí)訓(xùn)練,最后通過測(cè)試樣本點(diǎn)數(shù)據(jù)預(yù)測(cè)建筑能耗,與dest-h模擬計(jì)算得到的結(jié)果比較,發(fā)現(xiàn)相對(duì)誤差在3.5%以內(nèi),并通過實(shí)例驗(yàn)證了該網(wǎng)絡(luò)模型的準(zhǔn)確性。該方法使建筑人員在設(shè)計(jì)階段就能快速且準(zhǔn)確地獲得設(shè)計(jì)建筑的能耗。

建筑企業(yè)的安全問題不僅關(guān)系到建筑行業(yè)的發(fā)展,而且關(guān)系到社會(huì)的和諧與進(jìn)步。從管理者的視角構(gòu)建了建筑企業(yè)安全管理評(píng)價(jià)指標(biāo)體系,并對(duì)指標(biāo)之間的關(guān)系做了簡(jiǎn)要的說明。然后應(yīng)用主成份分析對(duì)神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)進(jìn)行預(yù)處理,提取其中的關(guān)鍵成分作為網(wǎng)絡(luò)的輸入,并采用遺傳算法來提高神經(jīng)網(wǎng)絡(luò)的收斂速度。最后以天津市建筑企業(yè)為實(shí)例加以說明并進(jìn)行了分析。結(jié)果表明,建立的模型不僅較公平、合理,而且提高了神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)效率。

基于bp神經(jīng)網(wǎng)絡(luò)軟粘土循環(huán)強(qiáng)度研究——以軟粘土動(dòng)三軸試驗(yàn)結(jié)果作為樣本集，以靜應(yīng)力、循環(huán)應(yīng)力和確定位移破壞標(biāo)準(zhǔn)下的循環(huán)破壞振次作為輸入層，建立基于bp神經(jīng)網(wǎng)絡(luò)軟粘土循環(huán)強(qiáng)度的預(yù)測(cè)模型．通過循環(huán)扭剪試驗(yàn)結(jié)果對(duì)模型進(jìn)行檢驗(yàn)．結(jié)果表明，該模型穩(wěn)定性良好，...