BP小波神经网络在大断面隧道变形预测中的应用

将BP算法引入小波神经网络,自适应地调整小波系数和网络权重,同时利用自适应算法调节BP算法的学习率,提高收敛效率.以4车道隧道———前欧隧道的监测数据为基础,建立BP小波神经网络变形预测模型.预测结果表明:BP小波神经网络对地质条件相似,施工及初期支护方法相同的隧道断面变形进行预测,其预测结果满足工程精度要求,能较准确地预知该断面在施工过程中的变形值.

BP小波神经网络快速学习算法研究

讨论了BP小波神经网络在训练过程中减小误差函数时最优方向的确定和自适应调整学习率的方法。首先论证了小波神经网络的数学基础 ,然后讨论了BP小波神经网络的学习过程 ,重点讨论了减小误差函数最优方向的确定方法 ,即如何保证步长方向与负梯度方向一致 ,由此得出了自适应调整学习率的简便方法。该方法具有普遍性 ,有广泛的应用价值。仿真结果表明 ,采用最优梯度下降方向可以大幅度提高BP小波神经网络的学习速度。

BP小波神经网络自适应调节步长的改进算法

在BP小波神经网络的训练过程中 ,自适应调节步长是对算法效率起重要作用的步骤之一。深入讨论了自适应调节步长的改进算法 ,从而得到更加方便合理的实时步长调整方法 ,进一步提高了局部搜索速度。多种情况下的仿真结果表明 ,该算法能够提高局部搜索速度 ,具有较广泛的应用价值。

基于BP小波神经网络的模拟电路故障诊断

针对现有BP网络在模拟电路故障诊断中存在的问题,提出了一种基于BP小波神经网络的故障诊断方法。该法将小波函数与BP网络结合构成BP小波网络,这种网络具有小波变换的时频局域化性质和BP网络的自学习能力。分别用BP小波网络和传统BP网络对实例电路进行故障诊断,结果表明本方法是有效的,而且比传统BP网络方法的学习收敛速度快得多。

BP小波神经网络在边坡位移预测中的应用

用优化的BP小波神经网络建立的预测模型对吊钟坝边坡的变形量进行了预测。引入了共轭梯度反向传播算法来优化BP小波神经网络,从而使网络计算量大为减少,避免了网络产生局部最优的弊端,有效提高了网络的质量。与未优化的BP小波神经网络和BP神经网络的预测结果进行比较可以看出,优化的BP小波神经网络的预测值更接近GPS实测值。

基于小波BP神经网络的风电机组变桨系统故障预测

变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。

小净距2扩4隧道变形规律的BP小波神经预测

以泉厦高速扩建工程大帽山隧道为例,通过周边位移和拱顶沉降的监测数据对小净距扩挖隧道的围岩变形规律进行分析.研究表明:小净距2扩4隧道具有和其他隧道不同的变形规律.在此基础上将小波函数引入BP神经网络建立BP小波神经网络模型,对特大断面超小净距隧道2扩4时围岩变形进行预测,并将预测结果与BP神经网络的预测结果进行对比.结果表明:BP小波神经网络模型收敛快、精度高,优于BP神经网络模型,预测的精度达10%以内,满足工程精度要求.

爆破振动特征参量的BP小波预测

以福建泉州南惠高速公路NH5标段路基爆破开挖工程为实例,运用人工神经网络原理,以孔径、孔深、孔距、排距、最大单孔药量、单段最大药量、总药量和爆源距离作为影响爆破振动的主要因素,建立BP小波神经网络模型.对质点的水平径向、水平切向、垂直方向等3个方向分别预测其爆破振动速度峰值及频率,并将预测结果与BP神经网络、支持向量机的预测结果进行对比.实验结果表明:BP小波神经网络的爆破振动速度峰值-频率模型预测收敛快、精度高,优于标准BP网络和支持向量机模型,其结果更加符合国家标准GB 6722-2003《爆破安全规程》的评价要求.

云计算下的一种网络流量预测算法的研究

为了提高云计算下的网络流量的预测精度,提出了一种基于遗传算法的小波BP神经网络的预测模型。首先针对BP神经网络的不足,引入动量项进行改进,其次,在遗传算法中加入进化操作,提高了算法的整体效率,将改进后的算法与小波函数进行融合,整体优化了BP神经网络的阀值和权值进行优化。仿真实验通过与其他文献算法的比较,说明本文算法具有良好的收敛速度,有效的提高预测的精度。

基于小波降噪的深度极限学习机交通流量预测

为了克服非线性和强噪声特征对交通流短时预测准确度的影响,应用交通流预测模型获得更为准确的交通流信息是智能交通建设的关键环节。文中构建了小波降噪的深度极限学习机对城市道路的交通流量进行预测,并与原极限学习机和小波BP神经网络模型的预测效果进行比较。将实验城市一年中电子警察采集到的各路口五分钟车流量作为训练集,构建了极限学习机、基于小波降噪的深度极限学习机和小波BP神经网络模型,分别对各路口高峰时段车流量进行预测,采用三类误差分析指标刻画三种模型的预测效果。实验结果表明,小波降噪的深度极限学习机预测误差评价值MAPE为0.234%,MRE为0.0029,RSE为0.6999,其值均小于原极限学习机和小波BP神经网络的误差指标,有较好的预测效果,从而说明小波降噪的深度极限学习机对短时交通流预测的合理性和可行性,为短时交通流的预测提供了一种新的解决思路。

隧道爆破近区振动的预测方法

将比例距离的概念应用于隧道爆破振动分区中,以速度衰减曲线斜率的大小作为分区计算的依据。在此基础上,提出采用BP小波神经网络的方法预测爆破近区振速,以棋盘山隧道实测数据验证模型的可行性。结合泉厦高速公路大坪山隧道工程实例,对临近既有隧道形式的隧道爆破地震波传播规律进行分析,并对近区振速进行预测。分析表明:(1)在无实测值时,隧道爆破分区可按比例距离大致划分为:比例距离<5.0为爆破近区;5.0≤比例距离≤9.0为爆破中区;比例距离>9.0为爆破远区。(2)BP小波神经网络爆破近区预测模型不仅适用于新建分离式隧道,也适用于临近既有隧道的新建小净距隧道。研究成果对复杂环境下的隧道钻爆施工具有一定的指导意义。

基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报

为实现天山西部山区喀什河流域冰川融雪区域的水资源可持续开发利用,更好地支撑所在区域工农业生产发展,有必要开展融雪径流中长期水文预报研究。基于相关系数法、主成分分析法及两种方法相结合的综合方法优选预报因子,采用BP神经网络模型和组合小波BP神经网络模型预报径流。结果表明,采用综合方法筛选出的预报因子集合可以得到更好的预报结果;组合小波BP神经网络模型在3个不同方案中的预测效果均优于BP神经网络模型的预测结果,其预报精度更高。研究成果可为该区域融雪径流模拟研究及洪水预报提供参考。