基于SMIV-PSO-LMBP的砖混结构群震害预测方法研究—以广州地区为例

砖混建筑物在地震中破坏严重损失巨大,快速评估地震作用下城市砖混建筑物的破坏风险实现建筑抗震韧性至关重要。传统神经网络预测方法在建筑震害分析过程中存在易陷入局部最优和收敛效率低等问题。为此,本文提出一种耦合SMIV(Spearman-Mean Impact Value)和PSO-LMBP(Particle Swarm Optimization-Levenberg Marquard Back Propagation)的砖混结构群集成震害预测方法。首先,利用SMIV方法进行震害因子筛选降低数据维数;其次,建立了耦合PSO(Particle Swarm Optimization)和LM(Levenberg Marquard)算法的PSO-LMBP神经网络的震害预测模型,通过PSO算法将得到的一组全局最优解作为BP网络的初始权值和阈值,再利用LM算法对BP神经网络进行优化训练;最后,从整体样本的预测精度、拟合效果以及运行速度上进行对比分析,交叉验证结果表明提出的SMIV-PSO-LMBP模型震害预测效果显著。同时,以广州地区为例,应用本文提出的方法进行了区域砖混结构群震害预测,预测结果与华南地区砖混建筑实际计算统计得到的震害矩阵对比,误差较小。综上所述,本文提出的SMIV-PSO-LMBP预测方法能够较好、较快地评估出区域砖混建筑物的破坏风险,为政府震后进行精准救灾提供一定的借鉴。

基于LMBP改进算法的神经网络结构优化

提出了一种基于增长法的神经网络结构优化算法。在函数逼近的BP神经网络中引入一种改进的BP算法(LMBP算法),通过二次误差下降与梯度下降,利用误差变化规律分析网络结构的优化程度,自适应地增加隐层神经元或网络层次,从而得到一个合适的网络结构。进行了仿真实验及该算法与RAN算法用于逼近函数的对比实验,实验结果表明了该算法的有效性。

基于逐步回归—LMBP算法的大通站旬径流与月径流预报

为提高长江干流大通站旬径流与月径流预报精度,选取大通站1980~2012年各旬、各月径流观测资料及国家气候中心同期发布的72项大气环流资料,采用逐步回归法—LMBP算法对大通站的旬平均径流序列进行模拟和预报,并与月尺度径流序列的计算结果做了对比。结果表明,预测值与原序列的趋势基本相同,旬尺度的径流预报精度高于月尺度的预报精度,表明时间尺度的选择影响径流预报的精度。

LMBP神经网络改进算法的研究

论述了BP网络中最优秀的算法之一LMBP算法及其推导过程,分析了标准LMBP算法的特点和不足。为了进一步加快标准LMBP算法的收敛速度,提出了变步长θ的改进LMBP算法。通过采用某水厂混凝沉淀过程真实的实验数据和Matlab仿真程序实验,验证了此改进LMBP算法的可行性和有效性。该改进算法进一步加快了LMBP算法的收敛速度,对于采用LMBP算法神经网络的在线计算具有重要的应用参考价值。

改进LMBP算法收敛速度的方法研究及仿真

对LMBP(Levenberg-Marquardt算法)算法的基本原理及其计算机实现进行了深入分析。根据LMBP算法权值增量公式的计算特点,从数值分析的角度,提出了一种提高该算法收敛速度的方法,并将其应用到基本LMBP算法中。在计算网络的权值和偏置值增量时,计算速度大约是基本LMBP算法的6倍。利用该改进的算法,对几种典型的神经网络样本进行训练仿真。仿真结果表明,基于该改进算法的单隐含层BP网络整体训练速度有明显提高。

神经网络中处理鞍点的LMBP改进算法

针对目前神经网络中的Levenberg-Marquardt反向传播(LMBP)算法在训练过程中有可能迭代到鞍点的问题,提出一种能有效克服鞍点的LMBP改进算法。计算鞍点处雅克比矩阵的正特征值对应的特征向量并将其作为新的搜索方向。通过实例对比传统LMBP算法与改进LMBP算法的效果,证明改进的算法能有效地脱离鞍点并进一步收敛到极小点处。

基于神经网络LMBP算法的入侵检测方法

阐述了基于神经网络LMBP算法的入侵检测方法,在对网络中的IP数据包进行分析处理以及特征提取的基础上,采用神经网络进行训练或判别,以达到对未知数据包进行检测的目的。由传统的BP算法与LMBP算法的分析与比较得到:LMBP算法解决了传统BP算法的收敛速度慢、易陷入局部最小的问题。实验结果表明,LMBP算法的学习速度快,收敛速度快,将这个算法应用于基于神经网络的入侵检测,效果良好,判别准确率高,为实现高效准确的入侵检测提供了一种有效的方法。

基于LMBP的烟台四十里湾赤潮预测模型

针对赤潮发生的突发性及非线性等特点,提出了基于LMBP神经网络(Levenberg–Marquardt Back-Propergation Neural Network Algorithm)的赤潮预测模型。通过多组对比实验构建了最优的LMBP神经网络模型,并将该模型与标准BP网络模型进行了对比实验,对比结果证明了LMBP模型在收敛速度和拟合精度上的优越性。进而对该赤潮预测模型进行了测试,其结果充分表明:以叶绿素a,透明度为输入的该LMBP神经网络模型对烟台四十里湾海域的赤潮预测是有效的。目前,该模型已经进行了应用实验,实时预测效果良好。

露天矿高陡边坡变形预报的最优LMBP算法研究

为提高BP神经网络在露天矿高陡边坡变形监测数据预测的精度与可靠性,建立了基于LM算法改进的LMBP神经网络预测模型。以某露天矿边坡监测数据为样本,构建了LMBP最优网络拓扑结构,通过MATLAB编制程序进行了网络训练和预测,应用结果表明:LMBP神经网络具有良好的函数逼近能力及较快的网络收敛能力,且该模型计算结果较为精确,预测精度较高。

基于遗传LMBP神经网络模型的股票预测

股票市场是一个高度非线性的系统,通过传统的方法建立较为精确的预测模型比较困难。文章建立了基于遗传算法的LMBP神经网络组合预测模型。利用遗传算法优化BP神经网络的连接权和阈值。采用LMBP算法改进模型的收敛速度。实例验证表明,在建模样本和预测因子相同的条件下,该模型比传统BP网络的预测结果稳定且精度高。

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。

基于LMBP神经网络的涡流传感器曲线拟合研究

为了正确反映数字式涡流传感器的实际非线性特性,文中利用Levenberg-Marguardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,从数学角度详细阐述了LMBP算法的学习过程,并在Matlab环境下设计了具体的网络对数字式涡流传感器特性曲线进行拟合。仿真结果表明,较传统BP网络和传统改进BP网络,LMBP网络有着更快的收敛速度和更强的逼近能力。

基于LMBP算法的防空兵群射击指挥能力评估模型

介绍了一种基于BP神经网络的防空兵群射击指挥能力综合评估方法。首先确立了评估的指标集,其次在阐述BP神经网络相关原理的基础上,对LM BP算法进行了描述,建立了基于该网络的防空兵群射击指挥能力评估模型,最后介绍了该方法的实际应用情况。实例证明此方法是可行的。

基于LMBP神经网络的声纳图像识别

利用具有二阶收敛效应的Levenberg-Marquardt(L-M)算法优化BP的权值修正量,构造了快速收敛的LMBP学习算法,并将其应用在声纳图像识别系统中。通过与标准BP算法和几种常用改进型BP神经网络以及径向基函数网络比较,验证了用LMBP神经网络作为声纳图像识别系统中的分类器,能够提高图像的识别率,加快网络的收敛速度,通过对受不同程度高斯白噪声污染的声纳图象的识别,验证了其性能稳定,具有较好的抗噪声性能。

基于改进LMBP网络的四元自正交码重量分布检索

目的根据四元自正交码重量分布及其对偶距离的特点,寻找对偶距离参数较优的码。方法从已知四元自正交码构造出训练样本,利用一种改进的LMBP神经网络对未知自正交码重量分布进行的检索,以达到减小运算量的目的。结果设计出较为理想的神经网络,在一定的训练下可达到89%的检索正确率。结论将神经网络理论应用于四元自正交码研究可起到简化计算,提高查找速度的效果。

LMBP神经网络算法的改进

针对LMBP神经网络算法的一些不足,如计算量大,收敛速度慢等特点,提出一些改进方法,即将求逆矩阵G-1移到等式左边,用直接分解法求解,极大地减少了计算量,并且采用变步长代替原来的固定步长.通过结合聚合釜的现场数据集进行故障诊断的仿真实验,结果表明所提改进LMBP故障诊断方法有效、可行.

LMBP算法在宜昌站日流量预测中的应用

运用反向传播的改进方法LMBP算法,选取宜昌站1994年～2003年的日流量时间序列,建立LMBP神经网络日流量预测模型.论文对模型中采用不同的延迟时间和不同的激活函数对日流量预测的影响进行了比较和分析.实验结果表明该模型在进行日流量预测时,准确率高,收敛速度快,性能良好.

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。

基于神经网络LMBP算法的正则模糊文法推导

用实时间回馈(RTRL)算法和实编码基因遗传(RCGA)算法训练二阶递归神经网络进行模糊文法推导,表现出了精度高的良好性能,但速度较慢。然而作为目前最快的递归神经网络算法Levenberg-Marquard(tLMBP)算法在模糊文法推导中的应用却很少引起学者们的关注。通过实验对LMBP算法在正则模糊文法推导中的优势与缺陷等性能进行分析,实验显示了LMBP算法在模糊文法推导中的快速收敛能力。

基于LMBP算法的Drazin矩阵逆的求解

研究利用神经网络求解Drazin矩阵逆的一种新的算法,根据Drazin矩阵所具有的性质和已经研究的成果,对Drazin矩阵逆的求解的预处理过程及求解分别设计了循环神经网络和LMBP神经网络结构。据算法求解的实例结果,与传统算法进行了比较,表明新的算法具有优越性。