改進(jìn)BP人工神經(jīng)網(wǎng)絡(luò)在地下水水質(zhì)現(xiàn)狀評(píng)價(jià)中的應(yīng)用

調(diào)查分析了蘑菇湖水庫的污染源,選取蘑菇湖水庫污染的6項(xiàng)水質(zhì)監(jiān)測(cè)數(shù)據(jù)作為評(píng)價(jià)指標(biāo),采用matlab建立了蘑菇湖水庫水質(zhì)評(píng)價(jià)的三層bp網(wǎng)絡(luò)模型,并以這6項(xiàng)指標(biāo)為訓(xùn)練樣本,對(duì)bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練,將訓(xùn)練好的網(wǎng)絡(luò)用于水質(zhì)進(jìn)行評(píng)價(jià),得出的蘑菇湖水庫水質(zhì)評(píng)價(jià)結(jié)果是劣ⅴ類,采用分級(jí)評(píng)分法對(duì)計(jì)算結(jié)果進(jìn)行了比較分析,結(jié)果表明:bp神經(jīng)網(wǎng)絡(luò)方法收斂速度較快,預(yù)測(cè)精度很高,蘑菇湖水庫已喪失養(yǎng)殖功能,并且已不能滿足農(nóng)業(yè)灌溉的標(biāo)準(zhǔn)。

基于遺傳算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在水質(zhì)評(píng)價(jià)中的應(yīng)用

根據(jù)溶解氧、高錳酸鹽指數(shù)、化學(xué)需氧量、氨氮、總氮、總磷的實(shí)測(cè)數(shù)據(jù),本文基于bp神經(jīng)網(wǎng)絡(luò)對(duì)尼爾基水庫水質(zhì)進(jìn)行了綜合評(píng)價(jià),評(píng)價(jià)結(jié)果表明：近年來水庫水質(zhì)介于iv至v類之間。水庫庫尾水質(zhì)較庫中和壩前水質(zhì)略好,汛期水質(zhì)與非汛期水質(zhì)差別不大,介于iv至v類之間,水庫水質(zhì)污染問題尚未得到有效解決。bp神經(jīng)網(wǎng)絡(luò)綜合評(píng)價(jià)方法相較于傳統(tǒng)的單因子評(píng)價(jià)方法,評(píng)價(jià)結(jié)果更為客觀、合理。

對(duì)富營養(yǎng)化評(píng)價(jià)標(biāo)準(zhǔn)進(jìn)行插值獲取大量的樣本,建立了基于bp人工神經(jīng)網(wǎng)絡(luò)的富營養(yǎng)化評(píng)價(jià)模型。將模型應(yīng)用于評(píng)價(jià)深圳市13座主要水庫的富營養(yǎng)化狀況,對(duì)其成因進(jìn)行分析,并提出了對(duì)策與建議。研究結(jié)果表明,石巖水庫與深圳水庫為輕度富營養(yǎng)化,占評(píng)價(jià)水庫總數(shù)的15.4%;西麗水庫等11座水庫為中營養(yǎng),占評(píng)價(jià)水庫總數(shù)的84.6%。人工神經(jīng)網(wǎng)絡(luò)用于建立湖庫富營養(yǎng)評(píng)價(jià)模型是適合的。

人工神經(jīng)網(wǎng)絡(luò)(ann)作為一種新型的信息處理系統(tǒng)和計(jì)算系統(tǒng),近年來被廣泛的應(yīng)用于蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)、譜圖分析、藥物分子藥效預(yù)測(cè)、定量構(gòu)效關(guān)系(qsar)研究等方面。文章論述了人工神經(jīng)網(wǎng)絡(luò)的的工作原理和基本特點(diǎn),列舉了國內(nèi)研究者運(yùn)用人工神經(jīng)網(wǎng)絡(luò)在蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)和qsar中的主要應(yīng)用,并對(duì)以后的應(yīng)用進(jìn)行了展望。

簡(jiǎn)要介紹了人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及特點(diǎn),并且詳細(xì)論述了神經(jīng)網(wǎng)絡(luò)在中央空調(diào)水系統(tǒng)、風(fēng)系統(tǒng)、制冷系統(tǒng)、負(fù)荷預(yù)測(cè)、系統(tǒng)的仿真設(shè)計(jì)和建筑運(yùn)行能耗評(píng)價(jià)等方面的應(yīng)用概況,指出了神經(jīng)網(wǎng)絡(luò)在空調(diào)領(lǐng)域今后的發(fā)展方向.

人工神經(jīng)網(wǎng)絡(luò)在基坑變形性狀研究中的應(yīng)用——基坑工程不僅要保證維護(hù)結(jié)構(gòu)本身的安全，而且要保證周圍建(構(gòu))筑物的安全和正常使用。開展基坑工程變形性狀研究具有重要意義。影響基坑變形的因素很復(fù)雜，傳統(tǒng)的計(jì)算方法已無法準(zhǔn)確預(yù)測(cè)基坑的變形。人工神經(jīng)網(wǎng)絡(luò)(an...

人工神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)軟基沉降中的應(yīng)用研究——依據(jù)影響軟土路基沉降的因素選取參數(shù)建立了bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)最終沉降量模型，利用已建高速公路沉降數(shù)據(jù)，進(jìn)行了軟土地基最終沉降量的預(yù)測(cè)，取得了較為理想的效果。證明神經(jīng)網(wǎng)絡(luò)法能避免傳統(tǒng)方法計(jì)算過程中各種人為因素...

在運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對(duì)深基坑巖土參數(shù)進(jìn)行反分析的基礎(chǔ)上,將pso與bp算法相結(jié)合,充分發(fā)揮pso全局尋優(yōu)的能力和bp算法局部細(xì)致搜索優(yōu)勢(shì),并通過實(shí)例驗(yàn)證了方法的可行性?？梢钥闯?運(yùn)用該方法可以使學(xué)習(xí)效率增高,收斂速度加快,預(yù)測(cè)結(jié)果更加準(zhǔn)確。

泡沫金屬試樣測(cè)試復(fù)雜,對(duì)試樣而言又急需知道基體結(jié)構(gòu)參數(shù)與力學(xué)性能和阻尼性能的關(guān)系,采用線性回歸技術(shù)無法實(shí)現(xiàn)這一功能,應(yīng)用人工神經(jīng)網(wǎng)絡(luò),則解決了通過測(cè)量泡沫金屬的四個(gè)基本參數(shù)達(dá)到推知其力學(xué)性能、阻尼性能的課題。

采用熱壓成型的方法制備摻雜粉煤灰、以無機(jī)纖維為增強(qiáng)體的摩擦材料,并測(cè)試其磨損性能。選用bp神經(jīng)網(wǎng)絡(luò)建模,以摩擦材料配方、制備工藝、測(cè)試條件為輸入變量,以材料的磨損率為輸出變量,采用l-m算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。結(jié)果表明,模型可以對(duì)材料磨損性能進(jìn)行有效的預(yù)測(cè),可用于配方及制備工藝的優(yōu)化。

人工神經(jīng)網(wǎng)絡(luò)(ann)是一種動(dòng)態(tài)信息處理系統(tǒng),它具有聯(lián)想記憶、自組織、自適應(yīng)、自學(xué)習(xí)和容錯(cuò)性等特性。人工神經(jīng)網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)危險(xiǎn)源的動(dòng)態(tài)分級(jí);可解決安全綜合評(píng)價(jià)中的不確定性、模糊性和動(dòng)態(tài)復(fù)雜性、指標(biāo)多、數(shù)據(jù)多等難題;在安全預(yù)測(cè)方面,可進(jìn)行煤與瓦斯突出預(yù)測(cè)、煤礦瓦斯涌出量預(yù)測(cè)、煤層自燃預(yù)測(cè)、交通事故預(yù)測(cè)等。討論了其在安全科學(xué)中的應(yīng)用現(xiàn)狀及存在問題,并對(duì)未來研究方向進(jìn)行了展望。

人工神經(jīng)網(wǎng)絡(luò)在工程管理中的應(yīng)用——基于建設(shè)工程的復(fù)雜性和長期性,闡述了工程管理發(fā)展的新現(xiàn)象,對(duì)神經(jīng)網(wǎng)絡(luò)的發(fā)展及其結(jié)構(gòu)特點(diǎn)作了介紹,并對(duì)神經(jīng)網(wǎng)絡(luò)在工程管理各個(gè)階段的應(yīng)用及其所帶來的優(yōu)點(diǎn)進(jìn)行了探討,解決了諸多工程難題。

人工神經(jīng)網(wǎng)絡(luò)在巖石力學(xué)中的應(yīng)用——從巖石力學(xué)研究思維方式轉(zhuǎn)變的觀點(diǎn)出發(fā)，從巖石非線性系統(tǒng)辨識(shí)、工程時(shí)序預(yù)測(cè)、反分析及巖石工程系統(tǒng)等四個(gè)方面綜述了人工神經(jīng)網(wǎng)絡(luò)在巖石力學(xué)中的應(yīng)用進(jìn)展情況，并對(duì)其應(yīng)用情況進(jìn)行了簡(jiǎn)要評(píng)述?！　?/p>

對(duì)人工神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)控制中的應(yīng)用做了綜合評(píng)述。介紹了神經(jīng)網(wǎng)絡(luò)的控制原理,總結(jié)了結(jié)構(gòu)控制中常見的網(wǎng)絡(luò)模型,闡述了人工神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)控制中的應(yīng)用情況,并對(duì)未來的發(fā)展方向進(jìn)行了展望。

依據(jù)從2005年1~12月所采集的365組試驗(yàn)數(shù)據(jù),建立了一個(gè)能夠反映土壤墑情變化與氣候因素之間關(guān)系的人工神經(jīng)網(wǎng)絡(luò)模型。模型共分輸入層、隱含層和輸出層3層。輸入層的輸入變量包括數(shù)據(jù)采集當(dāng)天的10cm、20cm和40cm深度的土壤含水量以及當(dāng)天的日照時(shí)數(shù),空氣濕度,平均氣溫和降雨量。輸出層的輸出變量包括1天后的10cm2、0cm和40cm深度的土壤含水量。模型的學(xué)習(xí)因子為0.1,動(dòng)量因子為0.05。模型經(jīng)過25000次訓(xùn)練后收斂,收斂誤差為8×10-4,這說明該模型能夠很好的反映出輸出量與輸入量的關(guān)系,并能夠準(zhǔn)確預(yù)報(bào)出土壤水分信息。

介紹了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)解決問題的基本原理;論述了人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程中的應(yīng)用及可能的應(yīng)用范圍;并指出了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程中要注意的問題。

人工神經(jīng)網(wǎng)絡(luò)在巖土參數(shù)反分析中的應(yīng)用——在運(yùn)用人工神經(jīng)網(wǎng)絡(luò)對(duì)深基坑巖土參數(shù)進(jìn)行反分析的基礎(chǔ)上，將pso與bp算法相結(jié)合。充分發(fā)揮pso全局尋優(yōu)的能力和bp算法局部細(xì)致搜索優(yōu)勢(shì)，并通過實(shí)例驗(yàn)證了方法的可行性?？梢钥闯觯\(yùn)用該方法可以使學(xué)習(xí)效率增高，收斂速...

從巖石力學(xué)研究思維方式轉(zhuǎn)變的觀點(diǎn)出發(fā),從巖石非線性系統(tǒng)辨識(shí)、工程時(shí)序預(yù)測(cè)、反分析及巖石工程系統(tǒng)等四個(gè)方面綜述了人工神經(jīng)網(wǎng)絡(luò)在巖石力學(xué)中的應(yīng)用進(jìn)展情況,并對(duì)其應(yīng)用情況進(jìn)行了簡(jiǎn)要評(píng)述。

簡(jiǎn)述傳統(tǒng)的結(jié)構(gòu)近似重分析技術(shù)的缺點(diǎn)與不足,介紹bp網(wǎng)絡(luò)的原理、算法,利用bp網(wǎng)絡(luò)能夠?qū)崿F(xiàn)從n維設(shè)計(jì)空間到m維任意非線形映射的特點(diǎn),通過不同設(shè)計(jì)變量的訓(xùn)練樣本集對(duì)bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后輸出擬合值。經(jīng)過分析,證明在結(jié)構(gòu)近似重分析中,采用bp神經(jīng)網(wǎng)絡(luò)能很好地實(shí)現(xiàn)從設(shè)計(jì)變量到結(jié)構(gòu)響應(yīng)之間的映射。

對(duì)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及基本原理作了簡(jiǎn)要介紹,重點(diǎn)介紹了橋梁損傷智能診斷中常用的bp神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)及其國內(nèi)外的主要研究成果,指出了bp神經(jīng)網(wǎng)絡(luò)的一些缺陷并提出了相應(yīng)的改進(jìn)方法,最終對(duì)人工神經(jīng)網(wǎng)絡(luò)在橋梁損傷智能診斷發(fā)展應(yīng)用作了展望。

在對(duì)某基坑工程采用bp神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)基坑開挖引起地表變形的分析中,考慮到現(xiàn)有模型可能會(huì)遇到預(yù)測(cè)結(jié)果跳不出訓(xùn)練樣本以及訓(xùn)練時(shí)間較長的問題,提出采用matlab中的mapminmax函數(shù)進(jìn)行歸一化處理,并基于牛頓法、共軛梯度法和l-m法三種數(shù)值優(yōu)化方法對(duì)bp網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行了改進(jìn).研究結(jié)果表明:與常用的基于梯度下降原則相比,改進(jìn)后的bp神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)間和預(yù)測(cè)誤差方面均有明顯的優(yōu)勢(shì),采用l-m法的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本時(shí)的迭代次數(shù)最少為74次,采用共軛梯度法的預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果的誤差最大為2.4％,而采用牛頓法神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值則比較均衡,預(yù)測(cè)結(jié)果相對(duì)最佳.