基于主成分分析和RBF神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測(cè)模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>525KB
頁(yè)數(shù):2P
人氣 :92
4.8
隨著數(shù)據(jù)挖掘技術(shù)在各領(lǐng)域運(yùn)用越來(lái)越多,其算法也日漸趨于成熟。數(shù)據(jù)挖掘技術(shù)作為建立預(yù)測(cè)模型的重要技術(shù),已成為專(zhuān)家研究的熱點(diǎn)。隨著數(shù)據(jù)挖掘技術(shù)在實(shí)際模型運(yùn)用中暴露的問(wèn)題越來(lái)越多,單一的技術(shù)和方法已無(wú)法滿(mǎn)足各類(lèi)功能的需求。為了分析公路貨運(yùn)中復(fù)雜的數(shù)據(jù),構(gòu)建一種功能強(qiáng)大的預(yù)測(cè)模型就顯得尤為重要。本文嘗試說(shuō)明在數(shù)據(jù)預(yù)測(cè)模型中運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)技術(shù)和主成分分析方法,挖掘和分析公路貨運(yùn)中的數(shù)據(jù),提高預(yù)測(cè)結(jié)果的準(zhǔn)確性和高效性,為制定新的決策提供有效的依據(jù)。
基于RBF神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測(cè)方法研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>603KB
頁(yè)數(shù):4P
本文提出了一種基于rbf神經(jīng)網(wǎng)絡(luò)的直接預(yù)測(cè)法,對(duì)公路貨運(yùn)量進(jìn)行了預(yù)測(cè),并利用matlab工具箱予以了實(shí)現(xiàn).對(duì)2004和2005年公路貨運(yùn)量預(yù)測(cè)的結(jié)果表明,預(yù)測(cè)值與國(guó)家統(tǒng)計(jì)局公布的實(shí)際數(shù)值有很好的一致性,預(yù)測(cè)精度也高于其它rbf預(yù)測(cè)法,有很好的應(yīng)用性.
基于主成分分析的公路貨運(yùn)量預(yù)測(cè)影響因素研究
格式:pdf
大小:586KB
頁(yè)數(shù):3P
對(duì)影響公路貨運(yùn)量的相關(guān)因素常用指標(biāo)進(jìn)行主成分分析,提取出影響貨運(yùn)量的隱性因素,并解釋出隱性因素的經(jīng)濟(jì)含義,為貨運(yùn)量的預(yù)測(cè)及宏觀(guān)調(diào)控提供科學(xué)依據(jù)。
基于廣義回歸神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測(cè)方法研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>483KB
頁(yè)數(shù):3P
4.7
公路貨運(yùn)量受多種因素影響,各因素的作用機(jī)制通常不能準(zhǔn)確地用數(shù)學(xué)語(yǔ)言進(jìn)行描述。采用廣義回歸神經(jīng)網(wǎng)絡(luò)(grnn)對(duì)貨運(yùn)量進(jìn)行分析及預(yù)測(cè)。通過(guò)對(duì)1995~2003年南京市公路運(yùn)量的歷史數(shù)據(jù)進(jìn)行分析和處理,對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和擬合,用2004~2005年的實(shí)際數(shù)據(jù)進(jìn)行模型檢驗(yàn),結(jié)果證明了grnn用于貨運(yùn)量預(yù)測(cè)的有效性。
基于神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測(cè)方法研究
格式:pdf
大小:127KB
頁(yè)數(shù):未知
4.8
通過(guò)對(duì)公路貨運(yùn)量的預(yù)測(cè)方法進(jìn)行研究比較,并根據(jù)公路貨運(yùn)量形成的復(fù)雜和非線(xiàn)性等特點(diǎn),建立bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.利用黑龍江省公路貨運(yùn)量及其相關(guān)影響因素的實(shí)際數(shù)據(jù),確定網(wǎng)絡(luò)輸入與輸出樣本,并對(duì)bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)進(jìn)行訓(xùn)練和預(yù)測(cè).通過(guò)對(duì)網(wǎng)絡(luò)輸出的誤差曲線(xiàn)圖的分析,驗(yàn)證bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的精確性和簡(jiǎn)單方便性,提高了公路貨運(yùn)量預(yù)測(cè)的精確性.
基于BP神經(jīng)網(wǎng)絡(luò)的公路客運(yùn)量和貨運(yùn)量預(yù)測(cè)方法研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>179KB
頁(yè)數(shù):未知
4.7
公路客運(yùn)量和貨運(yùn)量預(yù)測(cè)是一個(gè)復(fù)雜的非線(xiàn)性問(wèn)題,由于影響因素較多,難以用普通的數(shù)學(xué)方法建模,而建立bp神經(jīng)網(wǎng)絡(luò)可以表達(dá)這些非線(xiàn)性問(wèn)題。根據(jù)公路客運(yùn)量貨運(yùn)量歷史數(shù)據(jù)及其相關(guān)影響因素?cái)?shù)據(jù)建立了bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。利用實(shí)際數(shù)據(jù)確定網(wǎng)絡(luò)輸入與輸出樣本,對(duì)bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)進(jìn)行訓(xùn)練和預(yù)測(cè)。通過(guò)對(duì)網(wǎng)絡(luò)輸出預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)的分析,驗(yàn)證了bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的精確性和方便性,提高了公路客運(yùn)貨運(yùn)預(yù)測(cè)的精確性。
基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的能源供需安全研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>714KB
頁(yè)數(shù):4P
4.5
基于主成分分析法,運(yùn)用matlab7.0軟件中的bp神經(jīng)網(wǎng)絡(luò)工具箱對(duì)1985~2007年我國(guó)的能源供需安全狀況進(jìn)行了訓(xùn)練及測(cè)試。測(cè)試結(jié)果表明,主成分分析與bp神經(jīng)網(wǎng)絡(luò)的結(jié)果較吻合,bp神經(jīng)網(wǎng)絡(luò)運(yùn)用于能源安全領(lǐng)域可行、有效。同時(shí),得出自1985年以來(lái)我國(guó)能源供需安全狀況大體上逐年提高,從2005年開(kāi)始大幅提高,但仍未擺脫較差的境地,未來(lái)前景不容樂(lè)觀(guān)。
基于灰色關(guān)聯(lián)和BP神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè)方法
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>331KB
頁(yè)數(shù):5P
4.5
為提高鐵路貨運(yùn)量的預(yù)測(cè)準(zhǔn)確性,運(yùn)用灰色關(guān)聯(lián)分析法,計(jì)算分析了與鐵路貨運(yùn)量相關(guān)的主要社會(huì)指標(biāo),確定鐵路貨運(yùn)量的影響因子分別為鐵路運(yùn)營(yíng)里程、鐵路電氣化里程、鐵路復(fù)線(xiàn)比重、公路運(yùn)營(yíng)里程、固定資產(chǎn)投資總額和鋼材產(chǎn)量。將所確定的因子作為鐵路貨運(yùn)量的預(yù)測(cè)指標(biāo),建立基于bp神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè)模型,并對(duì)模型進(jìn)行了應(yīng)用測(cè)試。結(jié)果表明:bp神經(jīng)網(wǎng)絡(luò)模型具有較高的精度,最大相對(duì)誤差為3.7%,平均相對(duì)誤差為2.3%。該方法具有較快的收斂速度和較高的預(yù)測(cè)精度,可為我國(guó)鐵路貨運(yùn)量的預(yù)測(cè)研究提供方法支撐。
基于MPSO-RBF的公路貨運(yùn)量預(yù)測(cè)方法研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>624KB
頁(yè)數(shù):4P
4.8
在分析公路貨運(yùn)量的影響因素和預(yù)測(cè)特點(diǎn)的基礎(chǔ)上,將pso算法的全局搜索能力和rbf神經(jīng)網(wǎng)絡(luò)局部?jī)?yōu)化相結(jié)合,建立了基于改進(jìn)pso算法和rbf神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測(cè)模型(mpso-rbf)。利用某城市的歷史數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行了訓(xùn)練、測(cè)試與仿真,同時(shí)將仿真結(jié)果與回歸分析法、灰色理論法、bp神經(jīng)網(wǎng)絡(luò)和rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果進(jìn)行了比較,結(jié)果表明文中提出的預(yù)測(cè)方法精度較高,對(duì)于公路貨運(yùn)量預(yù)測(cè)具有一定的可行性和有效性。
基于RBF神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)研究綜述
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>196KB
頁(yè)數(shù):未知
4.3
負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò),具有良好的函數(shù)逼近性能,已被廣泛應(yīng)用到電力負(fù)荷預(yù)測(cè)中,并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測(cè)方法,對(duì)存在的問(wèn)題進(jìn)行了分析,并對(duì)未來(lái)的發(fā)展進(jìn)行了展望。
基于RBF神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)研究綜述
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>196KB
頁(yè)數(shù):未知
4.7
負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò),具有良好的函數(shù)逼近性能,已被廣泛應(yīng)用到電力負(fù)荷預(yù)測(cè)中,并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測(cè)方法,對(duì)存在的問(wèn)題進(jìn)行了分析,并對(duì)未來(lái)的發(fā)展進(jìn)行了展望。
基于RBF神經(jīng)網(wǎng)絡(luò)的軟基沉降預(yù)測(cè)研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>298KB
頁(yè)數(shù):4P
3
基于rbf神經(jīng)網(wǎng)絡(luò)的軟基沉降預(yù)測(cè)研究——將神經(jīng)網(wǎng)絡(luò)理論引入軟基沉降預(yù)測(cè)領(lǐng)域.借助自控領(lǐng)域信號(hào)處理的思想,應(yīng)用改進(jìn)后的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的映射模式進(jìn)行軟基沉降的短期預(yù)測(cè);軟基沉降的長(zhǎng)期預(yù)測(cè)實(shí)質(zhì)上為基于神經(jīng)網(wǎng)絡(luò)的多維歐氏空間的曲面擬合問(wèn)題,將地基壓...
基于RBF神經(jīng)網(wǎng)絡(luò)的投標(biāo)報(bào)價(jià)預(yù)測(cè)研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>122KB
頁(yè)數(shù):3P
4.8
針對(duì)建筑工程特點(diǎn),提出了基于rbf神經(jīng)網(wǎng)絡(luò)的建筑工程投標(biāo)報(bào)價(jià)方法,建立建筑工程投標(biāo)報(bào)價(jià)標(biāo)高率數(shù)學(xué)模型。應(yīng)用matlab計(jì)算軟件,以實(shí)例驗(yàn)證了該模型的正確性及實(shí)用性。
基于主成分分析和RBF神經(jīng)網(wǎng)絡(luò)的水電工程造價(jià)估算研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>436KB
頁(yè)數(shù):4P
4.6
建立了基于主成分分析和rbf神經(jīng)網(wǎng)絡(luò)的水電工程造價(jià)估算模型,并運(yùn)用mtlab語(yǔ)言程序?qū)⑵鋵?shí)現(xiàn)。實(shí)例表明,該方法可以使工程項(xiàng)目初期造價(jià)估算更合理、準(zhǔn)確,給企業(yè)和決策者提供一種智能的估價(jià)方法。
基于數(shù)學(xué)模型的公路物流貨運(yùn)量預(yù)測(cè)及驗(yàn)證分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>114KB
頁(yè)數(shù):未知
4.5
采用定性分析方法確定物流貨運(yùn)量的影響因素,基于線(xiàn)性回歸方法建立數(shù)學(xué)模型。采集延安市貨運(yùn)量相關(guān)數(shù)據(jù),根據(jù)2001-2008年數(shù)據(jù)確定模糊回歸系數(shù)a,對(duì)2009-2012年公路物流貨運(yùn)量進(jìn)行計(jì)算,并采用實(shí)際數(shù)據(jù)與其他三種預(yù)測(cè)方法進(jìn)行驗(yàn)證。結(jié)果表明:線(xiàn)性回歸數(shù)學(xué)模型對(duì)物流貨運(yùn)量進(jìn)行預(yù)測(cè)精確度高,誤差較小。
基于RBF神經(jīng)網(wǎng)絡(luò)模型的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>241KB
頁(yè)數(shù):3P
4.7
電力系統(tǒng)短期負(fù)荷對(duì)電力企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益都有一定影響。因此文中建立了基于rbf神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷模型。用歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本,用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè),并與bp神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。rbf神經(jīng)網(wǎng)絡(luò)的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經(jīng)網(wǎng)絡(luò)精確度較高,有利于電力系統(tǒng)合理地進(jìn)行調(diào)度規(guī)劃工作。
基于RBF神經(jīng)網(wǎng)絡(luò)的建筑逐時(shí)空調(diào)負(fù)荷預(yù)測(cè)模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>446KB
頁(yè)數(shù):6P
3
基于rbf神經(jīng)網(wǎng)絡(luò)的建筑逐時(shí)空調(diào)負(fù)荷預(yù)測(cè)模型——分別用徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)模型和bp神經(jīng)網(wǎng)絡(luò)模型對(duì)廣州市一棟辦公樓和一棟圖書(shū)館在夏季不同月份的逐時(shí)冷負(fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè),發(fā)現(xiàn)rbf神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的均方根誤差和平均相對(duì)誤差都僅是bp神經(jīng)網(wǎng)絡(luò)方法的64%...
基于RBF神經(jīng)網(wǎng)絡(luò)的建筑逐時(shí)空調(diào)負(fù)荷預(yù)測(cè)模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>703KB
頁(yè)數(shù):6P
4.4
分別用徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)模型和bp神經(jīng)網(wǎng)絡(luò)模型對(duì)廣州市一棟辦公樓和一棟圖書(shū)館在夏季不同月份的逐時(shí)冷負(fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè),發(fā)現(xiàn)rbf神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的均方根誤差和平均相對(duì)誤差都僅是bp神經(jīng)網(wǎng)絡(luò)方法的64%左右.仿真結(jié)果表明,rbf神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度及更好的泛化能力,是建筑空調(diào)負(fù)荷預(yù)測(cè)的一種有效方法.在此基礎(chǔ)上,構(gòu)建了基于rbf神經(jīng)網(wǎng)絡(luò)的建筑逐時(shí)空調(diào)負(fù)荷智能預(yù)測(cè)軟件系統(tǒng).
基于RBF神經(jīng)網(wǎng)絡(luò)的建筑逐時(shí)空調(diào)負(fù)荷預(yù)測(cè)模型
格式:pdf
大小:160KB
頁(yè)數(shù):2P
3
基于rbf神經(jīng)網(wǎng)絡(luò)的建筑逐時(shí)空調(diào)負(fù)荷預(yù)測(cè)模型——在簡(jiǎn)單介紹變風(fēng)量空調(diào)(vav)系統(tǒng)的基礎(chǔ)上,通過(guò)多元線(xiàn)性回歸原理建立機(jī)組部分的靜態(tài)模型,并對(duì)靜態(tài)模型進(jìn)行驗(yàn)證;最后用最小二乘法建立動(dòng)態(tài)模型。
基于灰色 RBF 神經(jīng)網(wǎng)絡(luò)模型在建筑物沉降預(yù)測(cè)中的應(yīng)用
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>185KB
頁(yè)數(shù):3P
4.5
建筑物沉降的因素多種多樣,因此,采用變形監(jiān)測(cè)技術(shù)對(duì)沉降量進(jìn)行監(jiān)測(cè),利用精度較高的預(yù)測(cè)模型進(jìn)行沉降量預(yù)測(cè)預(yù)警很有意義。為了提高建筑物變形監(jiān)測(cè)的精度以及變形監(jiān)測(cè)預(yù)警的準(zhǔn)確性,針對(duì)gm(1,1)模型和rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行分析,提出灰色rbf神經(jīng)網(wǎng)絡(luò)模型。通過(guò)對(duì)某建筑物的沉降監(jiān)測(cè)數(shù)據(jù)進(jìn)行實(shí)例計(jì)算,結(jié)果顯示灰色rbf神經(jīng)網(wǎng)絡(luò)模型具有較高的預(yù)測(cè)精度。
小波分析和RBF神經(jīng)網(wǎng)絡(luò)在地基沉降預(yù)測(cè)中的應(yīng)用研究
格式:pdf
大小:692KB
頁(yè)數(shù):6P
4.4
地基沉降是一種危害很大的環(huán)境災(zāi)害。地基沉降的監(jiān)測(cè)數(shù)據(jù)經(jīng)常受降雨及工程施工等諸多外界因素的干擾,故而在沉降曲線(xiàn)中存在許多數(shù)據(jù)突變點(diǎn)。為此,提出基于小波分析與rbf神經(jīng)網(wǎng)絡(luò)相結(jié)合的新的地基沉降預(yù)測(cè)方法,首先采用小波分析對(duì)對(duì)原始監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)去噪處理,進(jìn)而得到反映實(shí)際變化的地基沉降曲線(xiàn),然后采用徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)方法對(duì)其進(jìn)行預(yù)測(cè),為工程設(shè)計(jì)提供依據(jù)。最后結(jié)合工程實(shí)例分析,通過(guò)多種小波去噪與預(yù)測(cè)結(jié)果的對(duì)比研究,表明3次b樣條小波的去噪及預(yù)測(cè)效果最好,與實(shí)測(cè)值能較好地吻合,具有較好的工程應(yīng)用前景。
基于神經(jīng)網(wǎng)絡(luò)的公路運(yùn)輸量預(yù)測(cè)模型及應(yīng)用
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>447KB
頁(yè)數(shù):3P
4.7
以福建省公路旅客周轉(zhuǎn)量和貨物周轉(zhuǎn)量的統(tǒng)計(jì)資料為基礎(chǔ),結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)原理,應(yīng)用bp神經(jīng)網(wǎng)絡(luò)方法建立3維輸入、單輸出、隱層單元數(shù)為15的3層神經(jīng)網(wǎng)絡(luò)模型,分別對(duì)福建省公路旅客周轉(zhuǎn)量和貨物周轉(zhuǎn)量進(jìn)行預(yù)測(cè).結(jié)果表明,各月的旅客周轉(zhuǎn)量和貨物量預(yù)測(cè)值的最大相對(duì)誤差的絕對(duì)值分別為0.4890%和0.4495%.該模型具有簡(jiǎn)便實(shí)用、預(yù)測(cè)精度高的優(yōu)點(diǎn).
基于神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)預(yù)測(cè)模型
格式:pdf
大小:187KB
頁(yè)數(shù):3P
4.4
文章對(duì)高速公路的工程特征進(jìn)行全面的分析和篩選,確定了7個(gè)對(duì)公路工程造價(jià)影響較大的工程特征,使其作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入向量,隨之構(gòu)建了基于bp神經(jīng)網(wǎng)絡(luò)的高速公路工程造價(jià)預(yù)測(cè)模型,最后結(jié)合matlab神經(jīng)網(wǎng)絡(luò)工具箱對(duì)程序進(jìn)行設(shè)計(jì),并選取已完工程為實(shí)例.通過(guò)對(duì)模型的訓(xùn)練、修正以及實(shí)例驗(yàn)證,證明bp神經(jīng)網(wǎng)絡(luò)可以有效提高預(yù)測(cè)的精確度,具有較強(qiáng)的實(shí)用價(jià)值.
基于RBF神經(jīng)網(wǎng)絡(luò)的砂土液化預(yù)測(cè)
格式:pdf
大小:198KB
頁(yè)數(shù):4P
3
基于rbf神經(jīng)網(wǎng)絡(luò)的砂土液化預(yù)測(cè)——通過(guò)分析砂土液化成因及其影響因素,建立了砂土液化預(yù)測(cè)rbf網(wǎng)絡(luò)模型,并與bp網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行比較.測(cè)試結(jié)果表明,應(yīng)用rbf網(wǎng)絡(luò)模型對(duì)砂土液化進(jìn)行預(yù)測(cè),預(yù)測(cè)效果好,識(shí)別精度高.
基于高維云RBF神經(jīng)網(wǎng)絡(luò)的混凝土強(qiáng)度預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>171KB
頁(yè)數(shù):3P
4.5
針對(duì)目前混凝土強(qiáng)度預(yù)測(cè)中存在的不確定性,難以自適應(yīng)性的確定神經(jīng)網(wǎng)絡(luò)隱含層,建立了基于高維云的rbf神經(jīng)網(wǎng)絡(luò)的混凝土預(yù)測(cè)模型。運(yùn)用matlab8.10進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明該模型綜合考慮了影響混凝土強(qiáng)度的各種因素,能夠?qū)崿F(xiàn)預(yù)測(cè)結(jié)果的隨機(jī)性和模糊性,具有更高的預(yù)測(cè)精度,更快的訓(xùn)練速度,可以廣泛應(yīng)用于生產(chǎn)現(xiàn)場(chǎng)實(shí)地的混凝土強(qiáng)度預(yù)測(cè)和質(zhì)量檢驗(yàn)。
文輯推薦
知識(shí)推薦
百科推薦
職位:BIM產(chǎn)品總監(jiān)
擅長(zhǎng)專(zhuān)業(yè):土建 安裝 裝飾 市政 園林