多层人工神经网络合理结构的确定方法

隐层结构如何选择是多层人工神经网络应用中一个关键问题·基于多层神经网络优化算法原理和非线性方程理论,建立了多层神经网络计算输出和理想输出关系的非线性方程组,分析了权阈变量、标准样本数量和输出层单元数量的内在关系,给出隐层层数和每个隐层单元数量选取应该满足的基本条件·提出多层神经网络合理结构,即隐层层数和每个隐层单元数量选取的一般原则,给出隐层结构定量求解的直接计算方法和间接优化计算方法·对具体算例进行了合理结构分析,通过神经网络优化算法对多种结构组合比较,表明所提出的合理结构分析方法的正确性·这种方法将为多层神经网络在工程应用中如何选取合理结构提供理论依据和选取有效方法·

基于BP神经网络的海洋监测数据等级划分

数据的分类是数据处理和应用的重要环节和前提。在海洋领域中,海洋数据呈现多元、多类等的复杂多样性,给数据的分类带来一定的技术挑战。主要针对海洋数据分类难这一问题,首先利用BP神经网络技术对海洋环境监测数据进行分类,且通过对获取的海洋环境监测数据进行分类预测,最后,实验验证了海洋环境监测数据分类方法的正确性和可行性,给海洋监测数据根据秘密等级进行数据分类提供了支持。

利用Gaussian型RBF网络进行函数逼近的构造性估计

前馈人工神经网络有着极其广泛的应用 ,如何估计隐层神经元数及相应的逼近误差 ,一直是确定前馈网络结构的难点和关键。 RBF网络是一种最重要的前馈神经网络 ,本文给出了利用 Gaussian型 RBF网络逼近连续函数或 Lebesgue-可积函数时的构造性的隐层单元数显式估算式及相应的显式逼近误差估算式。文中的结论也易于推广到离散样本的情形。这些结论对于提高 Guassian型 RBF在实际应用时的计算精度和减少计算量具有一定的指导意义。

基于BP模型的基坑开挖引起邻近隧道变形预测

由于邻近地铁隧道的基坑开挖会影响原隧道结构的安全与稳定,故有必要针对基坑开挖过程中邻近隧道的变形情况进行研究。以天津某邻近地铁隧道的基坑工程为背景,提出了一种优化的BP神经网络方法对该问题进行研究。依据基坑及隧道的变形实测数据,分析了影响隧道水平位移的主要因素,将基坑与隧道的相对位置、围护结构的深层水平位移、支撑轴力以及开挖深度作为神经网络输入层的神经元,并确定了隐含层节点数以及有效监测范围。根据上述分析建立了一种可以预测隧道结构水平位移的BP神经网络。通过已训练好的BP网络对二期工程影响下的隧道水平变形进行预测且引入均方根误差RMSE进行分析,得出预测得到的隧道水平位移曲线形态与实测形态大致相同,从而验证了优化后的BP神经网络的可靠性。