人工神经网络原理在建筑物震陷预测中的应用

运用人工神经网络原理 ,对BP型神经网络作了多方面的改进。采用改进后的BP算法 ,建立了建筑物震陷预测模型。研究结果表明 ,改进的BP网络性能良好 ,所建立的模型预测精度高 ,能满足工程要求 。

基于高斯过程回归的建筑物震陷量预测模型

城市抗震防灾系统是一个复杂开放巨系统,系统中由于灾情的动态演化导致的建筑物震陷量形成机理也日趋复杂。根据高斯过程理论和贝叶斯规则,对训练样本进行的“归纳推理学习”,即综合先验信息,调整各随机变量的后验分布,进而提出基于高斯回归过程的建筑物震陷量非线性预测模型。采用EP(expectation propagation)算法获得预测样本潜在函数的近似后验高斯分布,并对其超参数和协方差函数的选择进行了探讨,利用LSSVM(least square support vector machine)模型、PLS(partial least squares)模型和MLR(multiple linear regression)模型等统计模型对建筑物实测震陷样本进行预测训练,通过模型的交叉验证分析及建模参数详细对比分析,验证了预测模型的科学性和可靠性,可为城市抗震防灾决策提供借鉴。

基于GA-SVR的建筑物液化震陷预测方法

根据影响建筑物液化震陷量的9个主要因素,建立了基于遗传算法和回归型支持向量机(support vector regression,SVR)的建筑物液化震陷量预测模型.该模型通过有限的60组实例数据学习,利用遗传算法自动确定ν-SVR的最优模型参数,建立了建筑物液化震陷量与其各种影响因素之间的非线性关系.运用所建立的模型对另外10个实例进行推广预测,取得了较好的效果,与实际液化震陷量的平均相对误差在5%左右,显示了该方法的有效性和可行性.同时,本文的思路和方法也可推广至建筑结构的震害预测.