基于Quickprop算法的BP神经网络在边坡稳定性预测中的应用

目前,人工智能方法已经在岩土边坡稳定性预测方面得到应用,由于边坡稳定性的目标函数非线性强,且难获取受力效应的数学解,致使常规预测方法很难得到准确的预测结果。为提高边坡稳定性的预测精度和预测效率,在常规BP神经网络方法的基础上,结合边坡稳定性相关影响因素,采用基于Quickprop算法对预测误差进行归类判断,改善神经网络的构建方式,提高神经网络的预测精度和效率。经测试数据验证,改进的BP神经网络可用于边坡稳定性预测,预测误差小、精度高,具有较强的应用效果。

改进的神经网络级联相关算法及其在初至拾取中的应用

针对传统BP神经网络存在的问题,引入一种神经网络构造算法——级联相关(CC)算法。该算法具有比BP算法更快的收敛速度,能根据待解决问题自行确定网络结构,即能随时扩展网络拓扑结构以学习新样本。常规CC算法的初始网络只包含输入层和输出层。改进的CC算法起始于适当的BP网络结构(存在隐含层);且为了防止权值病态递增,在训练候选隐含神经元的目标函数中加入了正则化项,对权值进行衰减。仿真试验表明:改进的CC算法具有更快收敛速度、更强泛化能力;瞬时强度比、振幅、频率、曲线长度比、相邻道相关性等五种地震属性特征交会图显示对初至波具有稳定的区分能力。本文构建的神经网络初至拾取方法在实际资料应用中取得了良好效果。

基于遗传算法和BP算法的多层感知机杂交训练算法

基于梯度下降的神经网络训练算法易于陷入局部最小,从而使网络不能对输入模式进行准确分类。本文提出综合遗传算法和BP算法的杂交算法GA-QP,它结合遗传算法的全局搜索特性和BP的局部收敛特性,实现对神经网络的有效训练。实验表明该算法优于BP算法,实验结果令人满意。