学科分类
/ 1
10 个结果
  • 简介:结合图象处理、模式识别等先进技术开发路面破损自动检测系统已经成为本领域的研究热点[1~5].本文主要研究了小波神经网络在路面破损识别中的应用,并与传统的BP神经网络作了对比.试验结果表明,在相同的训练样本情况下,小波神经网络的精度高于BP神经网络.为开发更为高效的路面破损自动检测系统提供新的思路.

  • 标签: 公路试验 公路破损检测 图象处理 破损识别 小波神经网络
  • 简介:简要叙述数据挖掘的概念及几种主要的数据挖掘方法,提出一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。

  • 标签: 数据挖掘 神经网络 模糊理论
  • 简介:针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。

  • 标签: 人工神经网络 主成分分析 结构监测 模式识别
  • 简介:提出一种改进BP神经网络的交通流数据融合算法,通过对融合模型以及融合算法的改进,实现融合精度及容错能力的提高,最终利用某城市主干路的交通流实测数据进行实验验证.验证结果表明,本文提出模型可以通过LSE值验证且融合精度可以达到94%以上,因此利用改进BP神经网络可以有效进行交通流参数的融合,并可以较为准确反映路段平均速度的变化,为交通流的预测与诱导提供理论支持.

  • 标签: 道路交通 交通流 改进BP神经网络 数据融合
  • 简介:在含富水带山岭地区的隧道工程建设中,往往引起隧道内涌水,不但影响施工安全,还会影响到隧道建成后运营质量,必须采取超前预报和措施,保证工程质量。此文以某在建隧道6个里程段的地质构造和涌水情况为样本,通过建立BP神经网络模型,对隧道内的涌水量进行预测,并与实测涌水量进行比较。所得结果表明,最大相对误差在10%以内,平均为3.8%,符合工程要求。可为隧道施工提供采取有效措施的依据。

  • 标签: 隧道工程 BP神经网络 涌水量 预测
  • 简介:为准确计算动车组牵引能耗,提出BP神经网络模型和改进牵规法预测动车组牵引能耗。选取机车类型、坡度、目标速度、停站方案等8个因素作为动车组牵引能耗之BP神经网络的输入变量,建立3层BP神经网络模型。采用增加动车组运动方程和优化基本阻力公式方式对牵规法进行优化。利用正交实验法对动车组牵引能耗影响因素进行分析,并对111组数据进行模拟验证。研究结果表明:BP神经网络模型的误差在4.26%以内,改进牵规法的误差基本在10%以内,证明BP神经网络模型比改进牵规法模型能更好地预测动车组的牵引能耗,而且当目标速度增大时,BP神经网络模型的计算精度明显比改进牵规法的计算精度高;目标速度和坡度对牵引能耗有显著影响。

  • 标签: 动车组 牵引能耗 BP神经网络 改进牵规法 因素分析
  • 简介:分析影响北京地铁运量的因素,选取城市轨道交通内部生产、人口因素、乘客收入因素和交通因素等作为运量预测的关键要素,应用B-P神经网络(BackPropagationANN,基于误差反向传播神经网络)模型,对未来几年内北京地铁运量进行预测分析。结果发现B-P神经网络对地铁客运量的预测较为适用,可为北京地铁运营规划提供决策参考。

  • 标签: B-P神经网络 运量预测 北京地铁 模型
  • 简介:实时交通流量预测是智能交通系统的核心内容,智能交通系统中多个子系统的功能实现都以其为基础。交通流具有高度非线性和不确定等特征,且与时间高度相关,可以看成是时间序列预测问题。根据交通流的这些特点,提出基于小波神经网络的道路交通流量实时预测模型,并以某条道路为例,通过Matlab编程实现模拟仿真。仿真结果表明,小波神经网络能够比较精确、快速地对实时交通流量进行预测,网络预测值接近期望值。

  • 标签: 交通流量预测 小波神经网络 时间序列预测 智能交通系统
  • 简介:在实际应用中,由于温度变化经常导致传感器的实际输出失真,本文采用BP神经网络对压力传感器与温度传感器的数据进行数据融合,以消除由温度带来的测量误差,解决压力传感器的温漂问题。

  • 标签: 传感器 神经网络 温度 补偿