CN111461457A - 一种基于粒子群优化bp神经网络的基坑位移预测方法 - Google Patents
一种基于粒子群优化bp神经网络的基坑位移预测方法 Download PDFInfo
- Publication number
- CN111461457A CN111461457A CN202010304825.8A CN202010304825A CN111461457A CN 111461457 A CN111461457 A CN 111461457A CN 202010304825 A CN202010304825 A CN 202010304825A CN 111461457 A CN111461457 A CN 111461457A
- Authority
- CN
- China
- Prior art keywords
- neural network
- displacement
- foundation pit
- particle swarm
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于粒子群优化BP神经网络的基坑位移预测方法,包括以下步骤:1)选取基坑工程坡顶第一位移监测点及其相邻多个监测点,获取该些监测点过去第一时间段内的变形监测数据,作为样本数据;2)对样本数据进行包括数据归一化的预处理,得到训练数据集;3)构建BP神经网络;4)采用粒子群算法对BP神经网络的权值和阈值进行优化,输出最优的权值和阈值;5)将得到的最优权值和阈值赋值给BP神经网络,然后采用训练数据集进行网络训练,得到训练好的BP神经网络;6)采用训练好的BP神经网络预测第二时间段内第一位移监测点的位移形变。该方法有利于提高基坑位移预测的精确度和稳定性。
Description
技术领域
本发明属于基坑位移预测领域,具体涉及一种基于粒子群优化BP神经网络的基坑位移预测方法。
背景技术
随着我国现代化城市基础建筑设施行业的高速发展,建筑市场不断扩大,各写字楼、商场、学校的建设使得基坑工程数量也不断增长,由基坑工程引发的安全问题也得到人们的重视。监测基坑问题成为当前研究的热点之一,随着近些年来基坑施工过程中信息化程度和监控手段的不断提高,BP神经网络有良好的自适应和实时学习能力,在解决一些工程应用的非线性问题上具有广泛的应用,它也成为监测基坑形变的重要人工智能技术之一。基坑在开挖过程中会带来基坑自身坡体、周边建筑物和地下水位沉降的问题,为保证基坑安全及施工进度,避免造成人身安全事故和财产损失,一般需要对基坑工程进行相应的水平和沉降位移形变预测。
刘永辉、黄立、刘炳凯、袁畅在《BP神经网络在深基坑监测预报中的应用与精度分析》中提出了基于BP神经网络的预报方法用于深基坑变形的预测是可行、有效的,但BP神经网络的初始权重随机性较大,因此常会出现在训练过程中无法高速收敛和结果进度低的现象。
发明内容
本发明的目的在于提供一种基于粒子群优化BP神经网络的基坑位移预测方法,该方法有利于提高基坑位移预测的精确度和稳定性。
为实现上述目的,本发明采用的技术方案是:一种基于粒子群优化BP神经网络的基坑位移预测方法,包括以下步骤:
1)选取基坑工程坡顶第一位移监测点及其相邻多个监测点,获取该些监测点过去第一时间段内的变形监测数据,作为样本数据;
2)对样本数据进行包括数据归一化的预处理,得到训练数据集;
3)构建BP神经网络;
4)采用粒子群算法对BP神经网络的权值和阈值进行优化,输出最优的权值和阈值;
5)将得到的最优权值和阈值赋值给BP神经网络,然后采用训练数据集进行网络训练,得到训练好的BP神经网络;
6)采用训练好的BP神经网络预测第二时间段内第一位移监测点的位移形变。
进一步地,所述步骤2中,采用下式将样本数据归一化到[0.1, 0 .9]上:
式中,X'为样本归一化后的值,Xmax为样本数据中的最大值,Xmin样本数据中的最小值。
进一步地,所述步骤3中,采用MATLAB软件中的newff函数建立所述BP神经网络,在网络训练过程中,首先确定输入层、隐含层和输出层的具体结构参数,然后输入需要训练的数据集,并给出期望输出值;学习函数为BLF,训练函数为BTF。
进一步地,所述步骤4具体包括以下步骤:
401)初始化粒子群参数,包括粒子的速度、位移向量、迭代次数、学习因子和惯性权重,并初始化种群;
402)计算粒子的适应度值,确定个体极值和全局最优极值;
403)对粒子的速度位移进行更新计算,得到粒子适应度更新值;
404)判断是否误差达到期望值或达到设定的最大迭代次数,是则输出最优的权值和阈值,否则返回步骤402进行循环迭代。
进一步地,对粒子群参数设置如下:迭代次数为100;粒子数为40;粒子维数为118,为BP神经网络所有连接权值和阈值的和;学习因子c1=c2=2;粒子速度范围为-5~5;惯性权重ω start =0.9,ω end =0.4。
相较于现有技术,本发明具有以下有益效果:提供了一种基于粒子群优化BP神经网络的基坑位移预测方法,采用该方法预测未来基坑可能的形变,大幅降低了对基坑形变预测结果的误差,提高了基坑位移预测的精确度和稳定性,有效提前支护修复的时间点,降低支护修复的难度,最终为基坑安全保驾护航,不仅为预防为主的标准化安全管理提供技术支持,也为基坑健康管理方案提供一个新思路。
附图说明
图1是本发明实施例的方法实现流程图。
图2是本发明实施例中BP神经网络的拓扑结构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
BP神经网络(Back Propagation),是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。该算法为将全局误差系数降到最小,通过神经网络各层间的反向传播并采用快速下降法不断调整网络的权值和阈值。BP神经网络主要由一个输入层LA、一个或多个隐含层LB、一个输出层LC构成,设输入层到隐含层连接权值为v,隐含层到输出层的连接权值为w、隐含层的阈值为θ、输出层 的阈值为γ,训练过程中利用层内各单元的泛化误差和隐含层输出校正权w和阈值γ,调整各传输层之间的连接权v和门限θ,当网络的全局误差达到事先设定好的值时,网络收敛训练结束。
粒子群算法,是运用粒子的运动过程求解问题,可将粒子群算法模拟成鸟寻找食物的过程,每只鸟被看作是粒子群算法中的粒子,寻找食物的过程等同于粒子的速度和位置不断变化不断优化趋于期望值的过程。在标准的粒子群算法求解优化问题时,粒子会在S维空间中构成粒子群,而不断的迭代过程可表示为寻找2个粒子的极值问题:一是找到粒子本身的最优值,又称作个体极值;二是找到当前粒子种群的最优值,即全局极值。通过迭代追踪2个“极值”,粒子会不断更新自己的速度和位移,从而达到优化逼近期望值的目的。
本发明提供了一种基于粒子群优化BP神经网络的基坑位移预测方法,如图1所示,包括以下步骤:
1)获取样本数据
选取基坑工程坡顶第一位移监测点及其相邻多个监测点,获取该些监测点过去第一时间段内的变形监测数据,作为样本数据。
在本实施例中,选取坡顶水平位移监测点Y20为研究对象,使用累计监测数据,连续测量3天后,取平均值作为初始值(后续测量变量均以初始值为基础)。建立基于遗传粒子群算法优化的基坑变形预测模型,用样本数据中Y20点过去5天为时域特征输入、相邻点后一天的位移为空域特征输入来预测Y20点未来天的位移。
网络训练依次分别取时域特征5个样本为滑动窗,并将它们映射为1天的值,即Y20位移变化5个数据(前五天)、空域特征10个样本即相邻点的位移变化(第六天)来预测(第6天)Y20的变形值以及时域特征与空域特征相结合15个样本作为网络输入样本,以此类推,以前85%的样本数据为训练样本,后15%的数据为预测样本,基坑监测点Y20前5个时间点的位移形变和相邻点10个监测点的位移形变为输入特征,将时间序列和相邻点都作为输入样本影响因素时,输入层单元个数为15,输出层单元个数为1,隐藏神经元个数为8,学习率为 0 .05,训练目标为0 .001,同时设置最小均方根误差等训练参数,进行BP神经网络训练。
2)对样本数据进行包括数据归一化的预处理,得到训练数据集。
由于常见的S型传递函数的值域都在(-1, 1)之间,因此采用下式将样本数据归一化到[0.1, 0 .9]上:
式中,X'为样本归一化后的值,Xmax为样本数据中的最大值,Xmin样本数据中的最小值。
3)构建BP神经网络,其拓扑结构如图2所示。
在本实施例中,采用MATLAB软件中的newff函数建立所述BP神经网络,在网络训练过程中,首先确定输入层、隐含层和输出层的具体结构参数,然后输入需要训练的数据集,并给出期望输出值;学习函数为BLF,训练函数为BTF,设为“trainlm”。
4)采用粒子群算法对BP神经网络的权值和阈值进行优化,输出最优的权值和阈值。具体包括以下步骤:
401)初始化粒子群参数,包括粒子的速度、位移向量、迭代次数、学习因子和惯性权重,并初始化种群。
种群和参数初始化,将阈值与神经网络的权重相结合,神经网络权重和阈值进行二进制实数编码,采用实数编码不仅因为它使得优化过程更容易理解,而且没有数字系统转换,也将大大节省了遗传操作时间。设总群群体为N,种群中每个个体都由一个包含神经网络所有权重和阈值的实数字符串组成。利用粒子群算法优化BP神经网络的初始权值,得到最佳的BP神经网络参数。
粒子数目一般由样本决定,通常取20~40个。学习因子对应的是粒子的自我学习能力,通常取2。惯性权重影响着粒子的速度更新能力,可以利用自适应法、线性递减法等设定。在本实施例中,对粒子群参数设置如下:迭代次数为100;粒子数为40;粒子维数为118,为BP神经网络所有连接权值和阈值的和;学习因子c1=c2=2;粒子速度范围为-5~5;惯性权重ω start =0.9,ω end =0.4。
402)采用适应度函数计算粒子的适应度值,确定个体极值和全局最优极值。
适应度函数是评价个体质量的函数,本发明的适应度函数定义为输出值与样本值的均方误差δ MSE :
式中,N为训练样本个数;yi为第i个样本的实测值;si为第i个样本的预测值。
403)采用以下式(1)~(3),对粒子的速度位移进行更新计算,得到粒子适应度更新值。
式中,表示第i个粒子的S维向量,P i 表示前一个粒子找寻自身的最优解,即个体极值矩阵;P g 表示全局最优解矩阵;参数d、i取值都是递增数,即d=1, 2,…, s;i=1, 2, …, n;k表示迭代了k次,m best 为粒子种群中的最优均值;γ表示扩张调节因子,用于调节收敛速度;τ和μ表示取值在0~1的随机数。
404)判断是否误差达到期望值或达到设定的最大迭代次数,是则输出最优的权值和阈值,否则返回步骤402进行循环迭代,直至误差达到期望值或达到设定的最大迭代次数时,结束粒子群算法。
在粒子迭代进化过程中,初期w的减幅缓慢,全局搜索能力强,有利于找到很好的优化粒子,后期w的减幅加快,在找到最优粒子后,可以加快算法的收敛速度。
迭代完成后,将最优粒子的位置向量值赋值给BP神经网络权值和阈值,此时BP神经网络性能已接近最优。为避免训练过拟合,在进行BP神经网络训练时不需要设置过多的训练次数。训练参数设置如下:最大训练循环次数为200,学习效率为0.01,目标精度为,训练函数选择trainlm。
5)将得到的最优权值和阈值赋值给BP神经网络,以大幅提高神经网络的训练精度和预测能力,然后采用训练数据集进行网络训练,得到训练好的BP神经网络。
6)采用训练好的BP神经网络预测第二时间段内监测点Y20的位移形变。
在建筑施工阶段,基坑施工的安全保障极为重要,而对基坑结构变形的预测是对施工安全保障的重要技术。传统基坑施工的安全保障通常只重视监测,忽略对基坑变形的预测。本发明利用粒子群优化BP神经网络的方法来预测未来的基坑可能的形变,提前修复时间,为施工的安全保驾护航。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.一种基于粒子群优化BP神经网络的基坑位移预测方法,其特征在于,包括以下步骤:
1)选取基坑工程坡顶第一位移监测点及其相邻多个监测点,获取该些监测点过去第一时间段内的变形监测数据,作为样本数据;
2)对样本数据进行包括数据归一化的预处理,得到训练数据集;
3)构建BP神经网络;
4)采用粒子群算法对BP神经网络的权值和阈值进行优化,输出最优的权值和阈值;
5)将得到的最优权值和阈值赋值给BP神经网络,然后采用训练数据集进行网络训练,得到训练好的BP神经网络;
6)采用训练好的BP神经网络预测第二时间段内第一位移监测点的位移形变。
3.根据权利要求1所述的一种基于粒子群优化BP神经网络的基坑位移预测方法,其特征在于,所述步骤3中,采用MATLAB软件中的newff函数建立所述BP神经网络,在网络训练过程中,首先确定输入层、隐含层和输出层的具体结构参数,然后输入需要训练的数据集,并给出期望输出值;学习函数为BLF,训练函数为BTF。
4.根据权利要求1所述的一种基于粒子群优化BP神经网络的基坑位移预测方法,其特征在于,所述步骤4具体包括以下步骤:
401)初始化粒子群参数,包括粒子的速度、位移向量、迭代次数、学习因子和惯性权重,并初始化种群;
402)计算粒子的适应度值,确定个体极值和全局最优极值;
403)对粒子的速度位移进行更新计算,得到粒子适应度更新值;
404)判断是否误差达到期望值或达到设定的最大迭代次数,是则输出最优的权值和阈值,否则返回步骤402进行循环迭代。
5.根据权利要求4所述的一种基于粒子群优化BP神经网络的基坑位移预测方法,其特征在于,对粒子群参数设置如下:迭代次数为100;粒子数为40;粒子维数为118,为BP神经网络所有连接权值和阈值的和;学习因子c1=c2=2;粒子速度范围为-5~5;惯性权重ω start =0.9,ω end =0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304825.8A CN111461457A (zh) | 2020-04-17 | 2020-04-17 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304825.8A CN111461457A (zh) | 2020-04-17 | 2020-04-17 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111461457A true CN111461457A (zh) | 2020-07-28 |
Family
ID=71682630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010304825.8A Pending CN111461457A (zh) | 2020-04-17 | 2020-04-17 | 一种基于粒子群优化bp神经网络的基坑位移预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461457A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860842A (zh) * | 2020-07-29 | 2020-10-30 | 天津市勘察院 | 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 |
CN112163669A (zh) * | 2020-10-09 | 2021-01-01 | 上海应用技术大学 | 基于bp神经网络的路面沉陷预测方法 |
CN112381326A (zh) * | 2020-11-30 | 2021-02-19 | 安徽理工大学 | 一种基于改进bp神经网络的汛情监测方法 |
CN112459080A (zh) * | 2020-11-16 | 2021-03-09 | 上海市机械施工集团有限公司 | 基于bp神经网络的钢支撑轴力智能调整方法 |
CN112948916A (zh) * | 2021-01-30 | 2021-06-11 | 同济大学 | 一种岩土体力学参数获取方法 |
CN113139228A (zh) * | 2021-04-22 | 2021-07-20 | 南京智慧岩土工程技术研究院有限公司 | 一种大跨度基坑复杂支撑体系结构监测点布置优化方法 |
CN113221434A (zh) * | 2021-01-06 | 2021-08-06 | 河北建筑工程学院 | 一种基坑变形预测方法 |
CN113283183A (zh) * | 2021-07-08 | 2021-08-20 | 国网新源控股有限公司 | 基于dpso-anfis的弃渣坝变形预测方法 |
CN113743011A (zh) * | 2021-08-31 | 2021-12-03 | 华中科技大学 | 一种基于pso-bp神经网络的设备寿命预测方法和系统 |
CN114037181A (zh) * | 2021-11-26 | 2022-02-11 | 江苏科技大学 | 一种基于pso优化bp神经网络的耙吸挖泥船艏吹浓度预测方法 |
CN114357595A (zh) * | 2022-03-11 | 2022-04-15 | 山东省物化探勘查院 | 一种基于Forecast函数预测基坑侧壁水平位移的方法及系统 |
CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
CN114896852A (zh) * | 2022-06-13 | 2022-08-12 | 山东大学 | 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法 |
CN117010283A (zh) * | 2023-10-07 | 2023-11-07 | 中国矿业大学(北京) | Pba车站钢管柱结构变形预测方法、系统 |
CN114896852B (zh) * | 2022-06-13 | 2024-06-28 | 山东大学 | 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503790A (zh) * | 2015-08-28 | 2017-03-15 | 余学飞 | 一种改进粒子群优化神经网络的压力导丝温度补偿方法 |
CN106869990A (zh) * | 2017-03-02 | 2017-06-20 | 新疆大学 | 基于lvq‑cpso‑bp算法的煤体瓦斯渗透率预测方法 |
US20190236446A1 (en) * | 2018-01-29 | 2019-08-01 | Lawrence Livermore National Security, Llc | Optimization control technology for building energy conservation |
-
2020
- 2020-04-17 CN CN202010304825.8A patent/CN111461457A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503790A (zh) * | 2015-08-28 | 2017-03-15 | 余学飞 | 一种改进粒子群优化神经网络的压力导丝温度补偿方法 |
CN106869990A (zh) * | 2017-03-02 | 2017-06-20 | 新疆大学 | 基于lvq‑cpso‑bp算法的煤体瓦斯渗透率预测方法 |
US20190236446A1 (en) * | 2018-01-29 | 2019-08-01 | Lawrence Livermore National Security, Llc | Optimization control technology for building energy conservation |
Non-Patent Citations (4)
Title |
---|
刘贺 等: "基于粒子群优化神经网络算法的深基坑变形预测方法", 《吉林大学学报(地球科学版)》 * |
卜斤革 等: "基于粒子群算法优化BP神经网络的溶浸开采浸出率预测", 《黄金科学技术》 * |
卞恺慧: "基于神经网络的基坑形变预测研究及应用", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
毕娅著 等: "《湖北省城乡食品冷链物流系统需求预测:理论、实践与创新》", 31 March 2016, 武汉大学出版社 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860842B (zh) * | 2020-07-29 | 2024-01-26 | 天津市勘察设计院集团有限公司 | 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 |
CN111860842A (zh) * | 2020-07-29 | 2020-10-30 | 天津市勘察院 | 一种邻近基坑工程的既有地铁隧道水平位移的预测方法 |
CN112163669A (zh) * | 2020-10-09 | 2021-01-01 | 上海应用技术大学 | 基于bp神经网络的路面沉陷预测方法 |
CN112459080A (zh) * | 2020-11-16 | 2021-03-09 | 上海市机械施工集团有限公司 | 基于bp神经网络的钢支撑轴力智能调整方法 |
CN112459080B (zh) * | 2020-11-16 | 2022-04-15 | 上海市机械施工集团有限公司 | 基于bp神经网络的钢支撑轴力智能调整方法 |
CN112381326A (zh) * | 2020-11-30 | 2021-02-19 | 安徽理工大学 | 一种基于改进bp神经网络的汛情监测方法 |
CN113221434A (zh) * | 2021-01-06 | 2021-08-06 | 河北建筑工程学院 | 一种基坑变形预测方法 |
CN112948916B (zh) * | 2021-01-30 | 2022-09-20 | 同济大学 | 一种岩土体力学参数获取方法 |
CN112948916A (zh) * | 2021-01-30 | 2021-06-11 | 同济大学 | 一种岩土体力学参数获取方法 |
CN113139228A (zh) * | 2021-04-22 | 2021-07-20 | 南京智慧岩土工程技术研究院有限公司 | 一种大跨度基坑复杂支撑体系结构监测点布置优化方法 |
CN113283183A (zh) * | 2021-07-08 | 2021-08-20 | 国网新源控股有限公司 | 基于dpso-anfis的弃渣坝变形预测方法 |
CN113743011A (zh) * | 2021-08-31 | 2021-12-03 | 华中科技大学 | 一种基于pso-bp神经网络的设备寿命预测方法和系统 |
CN114037181A (zh) * | 2021-11-26 | 2022-02-11 | 江苏科技大学 | 一种基于pso优化bp神经网络的耙吸挖泥船艏吹浓度预测方法 |
CN114742265B (zh) * | 2022-03-09 | 2023-07-18 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
CN114357595A (zh) * | 2022-03-11 | 2022-04-15 | 山东省物化探勘查院 | 一种基于Forecast函数预测基坑侧壁水平位移的方法及系统 |
CN114896852A (zh) * | 2022-06-13 | 2022-08-12 | 山东大学 | 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法 |
CN114896852B (zh) * | 2022-06-13 | 2024-06-28 | 山东大学 | 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法 |
CN117010283A (zh) * | 2023-10-07 | 2023-11-07 | 中国矿业大学(北京) | Pba车站钢管柱结构变形预测方法、系统 |
CN117010283B (zh) * | 2023-10-07 | 2023-12-29 | 中国矿业大学(北京) | Pba车站钢管柱结构变形预测方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461457A (zh) | 一种基于粒子群优化bp神经网络的基坑位移预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
CN112906982A (zh) | 一种基于gnn-lstm结合的网络流量预测方法 | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN112733996B (zh) | 基于GA-PSO优化XGBoost的水文时间序列预测方法 | |
CN113468803A (zh) | 一种基于改进的woa-gru洪水流量预测方法及系统 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
CN113610243A (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN116992779B (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
CN111582541A (zh) | 一种基于萤火虫算法的内涝模型预测方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
Dou et al. | Long-term weather prediction based on GA-BP neural network | |
WO2022032874A1 (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
WO2022032873A1 (zh) | 一种基于对抗神经网络的无资料地区水文参数率定方法 | |
CN114580762A (zh) | 一种基于XGBoost的水文预报误差校正方法 | |
CN117648878A (zh) | 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法 | |
CN117195443A (zh) | 基于深度确定性策略梯度算法的雨水管网优化方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
RJ01 | Rejection of invention patent application after publication |