人工神经网络技术在系统流量异常检测模块中的应用

人工神经网络技术在深基坑信息化施工中的应用

简要介绍了人工神经网络的结构及特点,并且详细论述了神经网络在中央空调水系统、风系统、制冷系统、负荷预测、系统的仿真设计和建筑运行能耗评价等方面的应用概况,指出了神经网络在空调领域今后的发展方向.

本文分析了引起光电检测系统非线性误差的因素。在基于光电二极管的光照度检测实验中,应用rbf人工神经网络对光信号和电信号进行非线性误差补偿,实现了在不同环境温度下,光信号与电信号的线性转换,有效地提高光照度检测的检测精度。

考虑到常规bp神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型ga优化bp神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用kddcup99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对bp神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择bp神经网络结构参数带来的问题,避免了常规bp神经网络容易陷入局部最优解的问题。

长期以来,由于水土流失引发的生态环境问题受到各界人士的十分关注。我国大部分地区降水集中,生态破坏导致水土流失严重。利用bp网络模型对水土流失程度进行检测和分析是当前学科领域的一个热门话题。

针对建筑物成新度评估中存在的问题,利用人工神经网络理论,建立了建筑物成新度评估的人工神经网络模型,从而为其准确评估提供了科学的依据.

人工神经网络在基坑变形性状研究中的应用——基坑工程不仅要保证维护结构本身的安全，而且要保证周围建(构)筑物的安全和正常使用。开展基坑工程变形性状研究具有重要意义。影响基坑变形的因素很复杂，传统的计算方法已无法准确预测基坑的变形。人工神经网络(an...

人工神经网络在预测软基沉降中的应用研究——依据影响软土路基沉降的因素选取参数建立了bp神经网络预测最终沉降量模型，利用已建高速公路沉降数据，进行了软土地基最终沉降量的预测，取得了较为理想的效果。证明神经网络法能避免传统方法计算过程中各种人为因素...

在运用人工神经网络对深基坑岩土参数进行反分析的基础上,将pso与bp算法相结合,充分发挥pso全局寻优的能力和bp算法局部细致搜索优势,并通过实例验证了方法的可行性。可以看出,运用该方法可以使学习效率增高,收敛速度加快,预测结果更加准确。

泡沫金属试样测试复杂,对试样而言又急需知道基体结构参数与力学性能和阻尼性能的关系,采用线性回归技术无法实现这一功能,应用人工神经网络,则解决了通过测量泡沫金属的四个基本参数达到推知其力学性能、阻尼性能的课题。

采用热压成型的方法制备掺杂粉煤灰、以无机纤维为增强体的摩擦材料,并测试其磨损性能。选用bp神经网络建模,以摩擦材料配方、制备工艺、测试条件为输入变量,以材料的磨损率为输出变量,采用l-m算法对网络进行训练。结果表明,模型可以对材料磨损性能进行有效的预测,可用于配方及制备工艺的优化。

人工神经网络(ann)是一种动态信息处理系统,它具有联想记忆、自组织、自适应、自学习和容错性等特性。人工神经网络可实现对危险源的动态分级;可解决安全综合评价中的不确定性、模糊性和动态复杂性、指标多、数据多等难题;在安全预测方面,可进行煤与瓦斯突出预测、煤矿瓦斯涌出量预测、煤层自燃预测、交通事故预测等。讨论了其在安全科学中的应用现状及存在问题,并对未来研究方向进行了展望。

人工神经网络在工程管理中的应用——基于建设工程的复杂性和长期性,阐述了工程管理发展的新现象,对神经网络的发展及其结构特点作了介绍,并对神经网络在工程管理各个阶段的应用及其所带来的优点进行了探讨,解决了诸多工程难题。

人工神经网络在岩石力学中的应用——从岩石力学研究思维方式转变的观点出发，从岩石非线性系统辨识、工程时序预测、反分析及岩石工程系统等四个方面综述了人工神经网络在岩石力学中的应用进展情况，并对其应用情况进行了简要评述。　　

对人工神经网络在结构控制中的应用做了综合评述。介绍了神经网络的控制原理,总结了结构控制中常见的网络模型,阐述了人工神经网络在结构控制中的应用情况,并对未来的发展方向进行了展望。

依据从2005年1~12月所采集的365组试验数据,建立了一个能够反映土壤墒情变化与气候因素之间关系的人工神经网络模型。模型共分输入层、隐含层和输出层3层。输入层的输入变量包括数据采集当天的10cm、20cm和40cm深度的土壤含水量以及当天的日照时数,空气湿度,平均气温和降雨量。输出层的输出变量包括1天后的10cm2、0cm和40cm深度的土壤含水量。模型的学习因子为0.1,动量因子为0.05。模型经过25000次训练后收敛,收敛误差为8×10-4,这说明该模型能够很好的反映出输出量与输入量的关系,并能够准确预报出土壤水分信息。

介绍了应用人工神经网络解决问题的基本原理;论述了人工神经网络在农业工程中的应用及可能的应用范围;并指出了应用人工神经网络在农业工程中要注意的问题。

人工神经网络在岩土参数反分析中的应用——在运用人工神经网络对深基坑岩土参数进行反分析的基础上，将pso与bp算法相结合。充分发挥pso全局寻优的能力和bp算法局部细致搜索优势，并通过实例验证了方法的可行性。可以看出，运用该方法可以使学习效率增高，收敛速...

从岩石力学研究思维方式转变的观点出发,从岩石非线性系统辨识、工程时序预测、反分析及岩石工程系统等四个方面综述了人工神经网络在岩石力学中的应用进展情况,并对其应用情况进行了简要评述。

简述传统的结构近似重分析技术的缺点与不足,介绍bp网络的原理、算法,利用bp网络能够实现从n维设计空间到m维任意非线形映射的特点,通过不同设计变量的训练样本集对bp网络进行训练,然后输出拟合值。经过分析,证明在结构近似重分析中,采用bp神经网络能很好地实现从设计变量到结构响应之间的映射。

对人工神经网络的发展及基本原理作了简要介绍,重点介绍了桥梁损伤智能诊断中常用的bp神经网络模型的结构及其国内外的主要研究成果,指出了bp神经网络的一些缺陷并提出了相应的改进方法,最终对人工神经网络在桥梁损伤智能诊断发展应用作了展望。

土壤含盐量的预测对合理配置水资源,防治土壤次生盐碱化等具有重要的指导意义。在阐述bp人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层bp网络模型,以土壤含水率、地下水矿化度、地下水ph值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测。结果表明,bp神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度。