围岩力学参数反演的GSA-BP神经网络模型及应用

基于BP神经网络的预测模型

基于ＢＰ神经网络的国际黄金价格预测模型公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化一、引言自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。二、影响因素刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。三、模型构建

隧道围岩分级及其主要力学参数

隧道围岩分级及其主要力学参数一、一般规定在公路勘察设计过程中，是根据周边岩体或土体的稳定特性进行围岩分级的。围岩分Ⅰ～Ⅵ级，由于每级间范围较大，施工阶段对Ⅲ、Ⅳ、Ⅴ基本级别，再进行亚级划分。在公路隧道按土质特性和工程特性分：岩质围岩分级——Ⅰ～Ⅴ级；土质围岩分级Ⅳ～Ⅵ级。对岩质围岩和土质围岩分别采用不同的指标体系进行评定：岩质围岩基本指标为岩质的坚硬程度和完整程度，修正指标为地下水状态，主要软弱结构面产状及初始地应力状态。土质围岩分级指标体系宜根据土性差异而组成，粘土质围岩基本指标为潮湿程度。沙质土围岩基本指标为密实程度。修正指标潮湿程度。碎石土围岩基本指标为密实程度。至于膨胀土、冻土作为专门研究，这里暂不述。围岩分级指标体系中可用定性分析，也可用定量分析，但由于工地施工条件时间等因素，一般我们仅采用定性分析。下面我讲定性分析来确定围岩级别。 1、确定岩性及风化程度。 2、结构面发育，主要结构面结合程度，主要结构面类型，甚至产状倾角、走向结构面张开度，张裂隙。 3、水的状况涌水量等。二、岩石坚硬程度的定性划分 1、坚硬岩：锤击声清脆、震手、难击碎，有回弹感，浸水后大多无吸水反应，如微风化的花岗岩——正长岩，闪长岩，辉绿岩，玄

武岩，安山岩，片麻岩，石英片麻岩，硅质板岩，石英岩，硅质胶结的砾岩，石英砂岩，硅质石灰岩等等。 2、较坚硬岩：锤击声较清脆，有轻微回弹，稍震手，较难击碎，浸水后有轻微吸水反应。如未风化～微风化的熔结凝灰岩、大理岩、板岩、白云岩、石灰岩、钙质胶结的砂岩等。 3、较软岩：锤击声不清脆，无回弹，较易击碎，浸水后指甲可刻击印痕。如未风化～微风化的凝灰岩，砂质泥岩，泥灰岩，泥质砂岩，粉砂岩，页岩等。 4、软岩：锤击声哑，无回弹，有凹痕，多击碎，手可掰开。如强风化的坚硬岩，弱风化～强风化的较坚硬岩，弱分化的较软岩，未风化的泥岩等。 5、极软岩：锤击声哑，无回弹，有较深凹痕，手可捏碎，浸水后可捏成团，如全风化的各种岩类，各种半成岩。Rc——岩石单轴饱和抗压强度、定性质与岩石的对应关系，一般Rc＞60MPa——坚硬岩，Rc=60～30 MPa为较坚硬岩；Rc=3 0～15MPa为较软岩；Rc=15～5MPa 软岩；Rc＜5Mpa极软岩。也可用Rc=22.82Is(50)，Is(50)——岩石点荷载强度指数。这里不多说。三、岩质围岩的完整度的定性划分这是根据岩体的结构状况来定性划分 1、完整：节理裂隙，不发育，节理裂隙1-2组，平均间距>1.0m 层面结合好，一般。 2、较完整：节理裂隙，不发育，节理裂隙1-2组，平均间距1.0m

基于神经网络的预测控制模型仿真

基于神经网络的预测控制模型仿真摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。关键词：预测控制神经网络动态矩阵误差补偿 1.引言动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，

岩石力学参数测试

3.2 侏罗系煤岩层物理力学性质测试 3.2.1试验仪器及原理本试验采用电子万能压力试验机(图3.24)对侏罗系、石炭系岩石试样进行抗压强度、抗拉强度以及抗剪强度的测定。 (a) 电子万能压力试验机 (b) 单轴抗压强度测试 (c) 抗拉强度测试 (d) 抗剪强度测试图3.24 岩石力学电子万能压力试验机及试验过程 (1) 岩石抗压强度测定：单轴抗压强度的测定：将采集的岩块试件放在压力试验机上，按规定的加载速度(0.1mm/min)加载至试件破坏。根据试件破坏时，施加的最大荷载P ，试件横断面A 便可计算出岩石的单轴抗压强度S 0，见式(3.1)。 S 0= P A (3.1) 一般表面单轴抗压强度测定值的分散性比较大，因此，为获得可靠的平均单轴抗压强度值，每组试件的数目至少为3块。 (2) 岩石抗拉强度的测定：做岩石抗拉试验时，将试件做成圆盘形放在压力机上进行压裂试验，试件受集中荷载的作用，见式(3.2)。

S t = 2P DT π (3.2) 式中：S t ——岩石抗拉强度 MPa ； P ——岩石试件断裂时的最大荷载，KN ； D ——岩石试件直径； T ——岩石试件厚度。为使抗拉强度值较准确，每种岩石试件数目至少3块。 (3) 岩石抗剪强度测定：将岩石试件放在两个钢制的倾斜压模之间，然后把夹有试件的压模放在压力实验机上加压。当施加荷载达到某一值时，试件沿预定的剪切面剪断，见式(3.3)。 sin cos n T P A A N P A A τασα? = =? ??? ==?? (3.3) 式中：P ——试件发生剪切破坏时的最大荷载； T ——施加在破坏面上的剪切力； N ——作用在破坏面上的正压力； A ——剪切破坏面的面积； τ——作用在破坏面上的剪应力； n σ——作用在破坏面上的正应力； α——破坏面上的角度。每组取3块试件，变换不同的破坏角，根据所得的数值，便可在στ-坐标系上画出反映岩石发生剪切破坏的强度曲线。并可求出反映岩石力学性质的另外两个参数：粘聚力c 及内摩察角?。 3.2.2 标准岩样加工根据需要和所在矿的条件，在晋华宫矿12#煤层2105巷顶板钻取岩样，钻孔长度约22m ，在。根据各段岩心长度统计结果，晋华宫矿顶板岩层的RQD 值为72.4%，围岩质量一般。岩心取出后，随即贴上标签，用透明保鲜袋包好以防风化，之后装箱，托运到实验室，经切割、打磨、干燥制成标准的岩石试样，岩样制作过程见图3.25。

BP神经网络测试例子(附数据)

Train.txt 5.0,3.0,1.6,0.2,1 5.0,3.4,1.6,0.4,1 5.2,3.5,1.5,0.2,1 5.2,3.4,1.4,0.2,1 4.7,3.2,1.6,0.2,1 4.8,3.1,1.6,0.2,1 5.4,3.4,1.5,0.4,1 5.2,4.1,1.5,0.1,1 5.5,4.2,1.4,0.2,1 4.9,3.1,1.5,0.1,1 5.0,3.2,1.2,0.2,1 5.5,3.5,1.3,0.2,1 4.9,3.1,1.5,0.1,1 4.4,3.0,1.3,0.2,1 5.1,3.4,1.5,0.2,1 5.0,3.5,1.3,0.3,1 4.5,2.3,1.3,0.3,1 4.4,3.2,1.3,0.2,1 5.0,3.5,1.6,0.6,1 5.1,3.8,1.9,0.4,1 4.8,3.0,1.4,0.3,1 5.1,3.8,1.6,0.2,1 4.6,3.2,1.4,0.2,1 5.3,3.7,1.5,0.2,1 5.0,3.3,1.4,0.2,1 6.6,3.0,4.4,1.4,2 6.8,2.8,4.8,1.4,2 6.7,3.0,5.0,1.7,2 6.0,2.9,4.5,1.5,2 5.7,2.6,3.5,1.0,2 5.5,2.4,3.8,1.1,2 5.5,2.4,3.7,1.0,2 5.8,2.7,3.9,1.2,2 6.0,2.7,5.1,1.6,2 5.4,3.0,4.5,1.5,2 6.0,3.4,4.5,1.6,2 6.7,3.1,4.7,1.5,2 6.3,2.3,4.4,1.3,2 5.6,3.0,4.1,1.3,2 5.5,2.5,4.0,1.3,2 5.5,2.6,4.4,1.2,2 6.1,3.0,4.6,1.4,2 5.8,2.6,4.0,1.2,2

神经网络一个简单实例

OpenCV的ml模块实现了人工神经网络（Artificial Neural Networks，ANN）最典型的多层感知器（multi-layer perceptrons, MLP）模型。由于ml模型实现的算法都继承自统一的CvStatModel基类，其训练和预测的接口都是train(),predict()，非常简单。下面来看神经网络CvANN_MLP 的使用~ 定义神经网络及参数： [cpp]view plain copy 1.//Setup the BPNetwork 2. CvANN_MLP bp; 3.// Set up BPNetwork's parameters 4. CvANN_MLP_TrainParams params; 5. params.train_method=CvANN_MLP_TrainParams::BACKPROP; 6. params.bp_dw_scale=0.1; 7. params.bp_moment_scale=0.1; 8.//params.train_method=CvANN_MLP_TrainParams::RPROP; 9.//params.rp_dw0 = 0.1; 10.//params.rp_dw_plus = 1.2; 11.//params.rp_dw_minus = 0.5; 12.//params.rp_dw_min = FLT_EPSILON; 13.//params.rp_dw_max = 50.; 可以直接定义CvANN_MLP神经网络，并设置其参数。BACKPROP表示使用 back-propagation的训练方法，RPROP即最简单的propagation训练方法。使用BACKPROP有两个相关参数：bp_dw_scale即bp_moment_scale：使用PRPOP有四个相关参数：rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max：

BP神经网络预测模型及应用

B P神经网络预测模型及应用 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】

B P神经网络预测模型及应用摘要采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。【关键词】神经网络模型预测应用 1 BP神经网络预测模型 BP神经网络基本理论人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。 BP神经网络预测模型（1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算：（1）

式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7. BP网络采用了有一定阈值特性的、连续可微的sigmoid函数作为神经元的激发函数。采用的s 型函数为：（2）式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.计算值需经四舍五入取整。（2）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响，尽管从理论分析中得到比的收敛速度快，但是也存在着不足之处。当网络收敛到一定程度或者是已经收敛而条件又有变化的时候，过于灵敏的反映会使得系统产生震荡，难于收敛。因此，对激励函数进行进一步改进，当权值wij （k）的修正值Δwij（k） Δwij（k+1）<0时，，其中a为大于零小于1的常数。这样做降低了系统进入最小点时的灵敏度，减少震荡。 2 应用车辆销售量神经网络预测模型本文以某汽车制造企业同比价格差、广告费用、服务水平、车辆销售量作为学习训练样本数据。如表1。表1 产品的广告费、服务水平、价格差、销售量月份广告费（百万元）服务水平价格差

BP神经网络模型应用实例

BP神经网络模型第1节基本原理简介近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注．目前，已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络

设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11)(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经

叶面积指数遥感反演

冬小麦叶面积指数(LAI)的遥感反演 ——经验模型和物理模型方法李淑敏 2010/12/13

?第一部分.基础知识 ?第二部分.遥感反演LAI 的方法 ?第三部分.研究实例本次课程主要内容叶面积指数LAI 、遥感反演经验模型反演方法、物理模型反演方法几何光学模型、辐射传输模型 PROSAIL 模型硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面积指数PROSAIL 模型反演研究” BRDF 模型PROSPECT 模型、SAIL 模型

叶面积指数leaf area index ?定义：单位土地面积上植被叶片总面积。叶片总面积/占地面积 ?陆地生态系统的一个十分重要的参数：农作物产量预估和病虫害评价；反映作物生长发育的动态特征和健康状况。 ?叶面积指数越大，表明单位土地面积上的叶面积越大。那么，叶面积指数越大越好吗?? ?以冬小麦为例了解叶面积指数变化情况

图为不同群体叶面积指数消长模型（彭永欣等，1992）1—过大群体;2—高产群体;3—过小群体. 低增缓增快增衰减LAI 消长动态分为四个时期 1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低； 2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长； 3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI 达峰值； 4. 衰减期，植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI 为0。一个生长期内冬小麦叶面积指数变化

叶面积指数获取方法 ?实测方法长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求 ?遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。可以用定量遥感方法反演区域LAI ?作物生长模型模拟LAI

几种神经网络模型及其应用

几种神经网络模型及其应用摘要：本文介绍了径向基网络，支撑矢量机，小波神经网络，反馈神经网络这几种神经网络结构的基本概念与特点，并对它们在科研方面的具体应用做了一些介绍。关键词：神经网络径向基网络支撑矢量机小波神经网络反馈神经网络Several neural network models and their application Abstract: This paper introduced the RBF networks, support vector machines, wavelet neural networks, feedback neural networks with their concepts and features, as well as their applications in scientific research field. Key words: neural networks RBF networks support vector machines wavelet neural networks feedback neural networks 2 引言随着对神经网络理论的不断深入研究，其应用目前已经渗透到各个领域。并在智能控制，模式识别，计算机视觉，自适应滤波和信号处理，非线性优化，语音识别，传感技术与机器人，生物医学工程等方面取得了令人吃惊的成绩。本文介绍几种典型的神经网络，径向基神经网络，支撑矢量机，小波神经网络和反馈神经网络的概念及它们在科研中的一些具体应用。 1. 径向基网络 1.1 径向基网络的概念径向基的理论最早由Hardy，Harder和Desmarais 等人提出。径向基函数（Radial Basis Function，RBF）神经网络，它的输出与连接权之间呈线性关系，因此可采用保证全局收敛的线性优化算法。径向基神经网络（RBFNN）是 3 层单元的神经网络，它是一种静态的神经网络，与函数逼近理论相吻合并且具有唯一的最佳逼近点。由于其结构简单且神经元的敏感区较小，因此可以广泛地应用于非线性函数的局部逼近中。主要影响其网络性能的参数有3 个：输出层权值向量，隐层神经元的中心以及隐层神经元的宽度(方差)。一般径向基网络的学习总是从网络的权值入手，然后逐步调整网络的其它参数，由于权值与神经元中心及宽度有着直接关系，一旦权值确定，其它两个参数的调整就相对困难。其一般结构如下：如图 1 所示，该网络由三层构成,各层含义如下：第一层：输入层：输入层神经元只起连接作用。第二层：隐含层：隐含层神经元的变换函数为高斯核. 第三层：输出层：它对输入模式的作用做出响应. 图 1. 径向基神经网络拓扑结构其数学模型通常如下：设网络的输入为x = ( x1 , x2 , ?, xH ) T，输入层神经元至隐含层第j 个神经元的中心矢为vj = ( v1 j , v2 j , ?, vIj ) T (1 ≤j ≤H)，隐含层第j 个神经元对应输入x的状态为：zj = φ= ‖x - vj ‖= exp Σx1 - vij ) 2 / (2σ2j ) ，其中σ(1≤j ≤H)为隐含层第j个神

岩体力学参数确定的方法

岩体力学参数的确定方法在岩石工程实践中,首先需要了解其研究对象———工程岩体的力学特性,确定其特性参数。力学参数的合理确定在岩石力学的研究和发展过程中始终是难题之一。在应用工程力学领域, 如果原封不动地借用经典理论力学的连续性假设和定义,会出现理解上的毛病。必须考虑假设的合理使用范围和各物理量的适用定义。本文就地下岩体工程根据侧重的点不同对岩体参数的确定方法进行探讨。一．传统岩体参数的确定方法地下巷道、硐室开挖后，围岩产生应力重分异作用,径向应力减少,切向应力增加,并且随着工程不断推进,岩体应力状态不断改变。巷道、硐室围岩处于“三高一扰动”条件下,岩体表现的力学特性是破坏条件下的稳定失稳再平衡过程。围岩体处于一种拉压相间出现的复杂应力状态。该类工程岩体的力学参数的确定要进行岩体的卸荷试验研究,且要依据现场工程实际条件进行卸荷条件下的应力、渗流与温度三场耦合试验研究。需要进行循环加卸载条件下的岩体力学特性研究,进而获得岩体的力学参数特征。确定地下巷道、硐室工程岩体力学参数的方法为: (1)三轴应力状态下的卸荷三场耦合力学试验,获得有关参数; (2)进行岩体流变特性试验研究,获得有关岩体的流变参数。目前在该领域要进行大量的工作,包括设备仪器的研制等,同时还要利用新的计算机技术才会实现。二．建立力学模型确定岩体力学参数

建立工程岩体力学参数模型主要是解决复杂岩体力学参数确定的问题。要确定复杂岩体的力学参数需要把工程岩体看作具有连续性的模型,运用确定岩体力学参数的新方法,对含层状斜节理的岩体建立力学模型进行力学实验,从而确定了该岩体的各项基本力学参数值。 1．工程岩体力学参数模型目前对岩石的力学属性及其划分基本有两种观点：一种观点认为岩石本身是一个连续的、没有各向异性的材料,另一种意见认为岩石由多晶体系组成,并存在空洞和裂纹等缺陷,使得岩体本身结构表现出各向异性和不连续性。一般情况下岩体被视为非连续介质,但在一定条件下仍满足连续介质力学的基本假定。因此给定工程岩体的连续性假设:假定整个物体的体积都被组成这个物体的物质微元所充满,没有任何空隙。物质微元是有大小的，物质微元的尺寸决定于所研究的工程物体的尺寸。这样就存在一个用连续体理论来研究非连续体的问题。 2．工程岩体力学参数为确定工程岩体的力学参数,需要通过井下工程地质调查,根据岩体所含结构面的不同及结构体特性的差异,选取具有代表性的不同尺寸的岩块和结构面,然后进行一系列室内力学实验和数值模拟实验。具体步骤如下: (1) 通过井下工程调查,确定结构面的空间分布模式,抽象工程岩体结构模型;并在现场采集有代表性的完整岩块和软弱结构面试

堆石料弹塑性本构模型参数反演方法研究

堆石料弹塑性本构模型参数反演方法研究筑坝堆石料的本构模型及其参数是合理计算面板堆石坝施工、运行及地震过程中应力与变形的重要基础。目前主要通过级配缩尺后的室内三轴试验确定模型参数,但缩尺效应对参数的影响规律尚不清楚。一些学者结合室内三轴试验成果,根据大坝施工期变形监测数据进行筑坝材料参数的反演。但由于土石坝施工期、地震反应过程及震后沉降计算分别采用不同的本构模型且模型参数之间的相关性缺乏统计资料,反演得到的模型参数仅能进行所反演问题的验证分析。如:根据施工期沉降监测反演得到的邓肯EB模型、南水模型或清华K-G模型参数仅能进行大坝的施工填筑及蓄水过程模拟。近年来,随着堆石料本构理论的发展,一些学者开始尝试在弹塑性理论框架内建立能够反应堆石料在静、动力及循环荷载作用下变形与强度特性的弹塑性本构模型。随着监测手段的不断发展和完善,高土石坝在施工过程中基本能够获取详实、可靠的位移监测数据,结合静、动力统一的弹塑性本构模型,根据施工期监测数据反演堆石料模型参数,进而预测地震荷载作用下大坝的动力响应,对于高土石坝抗震设计方法和安全评价具有一定的理论意义和工程价值。本文反演分析采用改进的广义塑性模型,该模型将初始孔隙比作为模型输入参数,同时考虑了筑坝堆石料颗粒破碎,可以描述不同密度的堆石料在单调和循环荷载条件下的变形与强度特性,包括剪胀、剪缩、颗粒破碎、循环滞回、循环密实及循环残余变形,采用一套参数即可完成大坝施工、蓄水及地震反应全过程分析,并直接得到地震残余变形。论文针对堆石料弹塑性本构模型参数反演方法,开展了下列工作:(1)首先通

过有限元敏感性分析确定待反演参数,进而通过粒子群算法和人工蜂群算法等启发式智能优化算法随机产生待反演的本构模型参数向量,代入到有限元模型中进行计算,并根据计算得到大坝竣工期典型测点沉降与实际测得沉降之间的误差不断优化待反演参数,直至达到设定的收敛准则,然后确定优化后堆石料的模型参数。(2)采用拉丁超立方抽样对敏感参数进行抽样并进行有限元分析,得到敏感参数与大坝典型测点沉降之间的关系样本,通过神经网络建立敏感参数与大坝典型测点沉降的响应面,进而进行敏感参数的反演分析。该方法降低了有限元数值分析的工作量。(3)针对紫坪铺面板堆石坝施工填筑过程现场监测结果,根据上述方法得到的堆石料参数进行了汶川地震震害模拟,并与实际震害结果进行对比分析。结果表明:通过反演分析得到的弹塑性模型参数能够较好的模拟紫平铺大坝地震沉降变形。

BP神经网络matlab实例

神经网络Matlab p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建（1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) R?维矩阵。 PR：由R维的输入样本最小最大值构成的2

S S SNl：各层的神经元个数。 [1 2...] TF TF TFNl：各层的神经元传递函数。 { 1 2...} BTF：训练用函数的名称。（2）网络训练 = [,,,,,] (,,,,,,) net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp' BP网络的训练函数训练方法训练函数梯度下降法traingd 有动量的梯度下降法traingdm 自适应lr梯度下降法traingda 自适应lr动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere共轭梯度法traincgp Powell-Beale共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm

神经网络应用实例

神经网络在石灰窑炉的建模与控制中的应用神经网络应用广泛，尤其在系统建模与控制方面，都有很好应用。下面简要介绍神经网络在石灰窑炉的建模与控制中的应用，以便更具体地了解神经网络在实际应用中的具体问题和应用效果。 1 石灰窑炉的生产过程和数学模型石灰窑炉是造纸厂中一个回收设备，它可以使生产过程中所用的化工原料循环使用，从而降低生产成本并减少环境污染。其工作原理和过程如图1所示，它是一个长长的金属圆柱体，其轴线和水平面稍稍倾斜，并能绕轴线旋转，所以又 CaCO（碳酸钙）泥桨由左端输入迴转窑，称为迴转窑。含有大约30%水分的 3 由于窑的坡度和旋转作用，泥桨在炉内从左向右慢慢下滑。而燃料油和空气由右端喷入燃烧，形成气流由右向左流动，以使泥桨干燥、加热并发生分解反应。迴转窑从左到右可分为干燥段、加热段、煅烧段和泠却段。最终生成的石灰由右端输出，而废气由左端排出。图1石灰窑炉示意图这是一个连续的生产过程，原料和燃料不断输入，而产品和废气不断输出。在生产过程中首先要保证产品质量，包括CaO的含量、粒度和多孔性等指标，因此必须使炉内有合适的温度分布，温度太低碳酸钙不能完全分解，会残留在产品中，温度过高又会造成生灰的多孔性能不好，费燃料又易损坏窑壁。但是在生产过程中原料成分、含水量、进料速度、燃油成分和炉窑转速等生产条件经常会发生变化，而且有些量和变化是无法实时量测的。在这种条件下，要做到稳定生产、高质量、低消耗和低污染，对自动控制提出了很高的要求。以前曾有人分析窑炉内发生的物理-化学变化，并根据传热和传质过程来建立窑炉的数学模型，认为窑炉是一个分布参数的非线性动态系统，可以用二组偏

神经网络模型应用实例

BP 神经网络模型近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注．目前，已发展了几十种神经网络，例如Hopficld 模型，Feldmann 等的连接型网络模型，Hinton 等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen 的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart 等人提出了误差反向传递学习算法（即BP 算），实现了Minsky 的多层网络设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11 )(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。社含有n 个节点的任意网络，各节点之特性为Sigmoid 型。为简便起见，指定网络只有一个输出y ,任一节点i 的输出为O i ,并设有N 个样本(x k ,y k )(k =1,2,3,…,N ),对某一输入x k ，网络输出为y k 节点i 的输出为O ik ,节点j 的输入为net jk = ∑i ik ij O W 并将误差函数定义为∑=-=N k k k y y E 12 )(21

人工神经网络应用实例

人工神经网络在蕨类植物生长中的应用摘要：人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)是目前国际上一门发展迅速的前沿交叉学科。为了模拟大脑的基本特性，在现代神经科学研究的基础上，人们提出来人工神经网络的模型。根据此特点结合蕨类植物的生长过程进行了蕨类植物生长的模拟。结果表明，人工神经网络的模拟结果是完全符合蕨类植物的生长的，可有效的应用于蕨类植物的生长预测。关键词：人工神经网络；蕨类植物；MATLAB应用一人工神经网络的基本特征 1、并行分布处理：人工神经网络具有高度的并行结构和并行处理能力。这特别适于实时控制和动态控制。各组成部分同时参与运算，单个神经元的运算速度不高，但总体的处理速度极快。 2、非线性映射：人工神经网络具有固有的非线性特性，这源于其近似任意非线性映射(变换)能力。只有当神经元对所有输入信号的综合处理结果超过某一门限值后才输出一个信号。因此人工神经网络是一种具有高度非线性的超大规模连续时间动力学系统。 3、信息处理和信息存储合的集成：在神经网络中，知识与信息都等势分布贮存于网络内的各神经元，他分散地表示和存储于整个网络内的各神经元及其连线上，表现为神经元之间分布式的物理联系。作为神经元间连接键的突触，既是信号转换站，又是信息存储器。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。信息处理的结果反映在突触连接强度的变化上，神经网络只要求部分条件，甚至有节点断裂也不影响信息的完整性，具有鲁棒性和容错性。 4、具有联想存储功能：人的大脑是具有联想功能的。比如有人和你提起内蒙古，你就会联想起蓝天、白云和大草原。用人工神经网络的反馈网络就可以实现这种联想。神经网络能接受和处理模拟的、混沌的、模糊的和随机的信息。在处理自然语言理解、图像模式识别、景物理解、不完整信息的处理、智能机器人控制等方面具有优势。 5、具有自组织自学习能力：人工神经网络可以根据外界环境输入信息，改变突触连接强度，重新安排神经元的相互关系，从而达到自适应于环境变化的目的。二人工神经网络的基本数学模型神经元是神经网络操作的基本信息处理单位（图1）。神经元模型的三要素为： (1) 突触或联接，一般用，表尔神经元和神经元之间的联接强度，常称之为权值。 (2) 反映生物神经元时空整合功能的输入信号累加器。图1 一个人工神经元（感知器）和一个生物神经元示意图 (3) 一个激活函数用于限制神经元输出（图2），可以是阶梯函数、线性或者是指数形式的

人工神经网络及其应用实例_毕业论文

人工神经网络及其应用实例人工神经网络是在现代神经科学研究成果基础上提出的一种抽象数学模型，它以某种简化、抽象和模拟的方式，反映了大脑功能的若干基本特征，但并非其逼真的描写。人工神经网络可概括定义为：由大量简单元件广泛互连而成的复杂网络系统。所谓简单元件，即人工神经元，是指它可用电子元件、光学元件等模拟，仅起简单的输入输出变换y = σ (x)的作用。下图是 3 中常用的元件类型：线性元件：y = 0.3x，可用线性代数法分析，但是功能有限，现在已不太常用。 2 1.5 1 0.5 -0.5 -1 -1.5 -2 -6 -4 -2 0 2 4 6 连续型非线性元件：y = tanh(x)，便于解析性计算及器件模拟，是当前研究的主要元件之一。

离散型非线性元件： y = ? 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 -6 -4 -2 2 4 6 ?1, x ≥ 0 ?-1, x < 0 ，便于理论分析及阈值逻辑器件实现，也是当前研究的主要元件之一。 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 -6 -4 -2 2 4 6

每一神经元有许多输入、输出键，各神经元之间以连接键（又称突触）相连，它决定神经元之间的连接强度（突触强度）和性质（兴奋或抑制），即决定神经元间相互作用的强弱和正负，共有三种类型：兴奋型连接、抑制型连接、无连接。这样，N个神经元（一般N很大）构成一个相互影响的复杂网络系统，通过调整网络参数，可使人工神经网络具有所需要的特定功能，即学习、训练或自组织过程。一个简单的人工神经网络结构图如下所示：上图中，左侧为输入层（输入层的神经元个数由输入的维度决定），右侧为输出层（输出层的神经元个数由输出的维度决定），输入层与输出层之间即为隐层。输入层节点上的神经元接收外部环境的输入模式，并由它传递给相连隐层上的各个神经元。隐层是神经元网络的内部处理层，这些神经元在网络内部构成中间层，不直接与外部输入、输出打交道。人工神经网络所具有的模式变换能力主要体现在隐层的神经元上。输出层用于产生神经网络的输出模式。多层神经网络结构中有代表性的有前向网络（BP网络）模型、

基于matlab的bp神经网络应用_毕设论文

目录 1绪论 (1) 1.1人工神经网络的研究背景和意义 (1) 1.2神经网络的发展与研究现状 (2) 1.3神经网络的研究内容和目前存在的问题 (3) 1.4神经网络的应用 (4) 2神经网络结构及BP神经网络 (4) 2.1神经元与网络结构 (4) 2.2BP神经网络及其原理 (7) 2.3BP神经网络的主要功能 (9) 2.4BP网络的优点以及局限性 (9) 3BP神经网络在实例中的应用 (10) 3.1基于MATLAB的BP神经网络工具箱函数 (10) 3.2BP网络在函数逼近中的应用 (12) 3.3BP网络在样本含量估计中的应用 (17) 4结束语 (23) 参考文献: (24) 英文摘要 (25) 致谢 (26)

基于MATLAB的BP神经网络应用蒋亮亮南京信息工程大学滨江学院自动化专业，南京210044 摘要:本文首先说明课题研究的目的和意义，评述课题的国内外研究现状，引出目前存在的问题。然后分析了神经网络算法的基本原理，给出经典神经网络算法的具体实现方法，总结神经网络算法的特点，并给出神经网络算法的基本流程。采用Matlab软件编程实现BP神经网络算法。将神经网络算法应用于函数逼近和样本含量估计问题中，并分析相关参数对算法运行结果的影响。最后对BP神经网络算法进行了展望。关键词:神经网络；BP神经网络；函数逼近 1绪论人工神经网络（Artificial Neural Networks，NN）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统[1]。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。神经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用[2]。神经网络与其他传统方法相组合，将推动人工智能和信息处理技术不断发展。近年来，神经网络在模拟人类认知的道路上更加深入发展，并与模糊系统、遗传算法、进化机制等组合，形成计算智能，成为人工智能的一个重要方向。 MATLAB是一种科学与工程计算的高级语言，广泛地运用于包括信号与图像处理，控制系统设计，系统仿真等诸多领域。为了解决神经网络问题中的研究工作量和编程计算工作量问题，目前工程领域中较为流行的软件MA TLAB，提供了现成的神经网络工具箱（Neural Network Toolbox，简称NNbox）[3]，为解决这个矛盾提供了便利条件。神经网络工具箱提供了很多经典的学习算法，使用它能够快速实现对实际问题的建模求解。在解决实际问题中，应用MA TLAB 语言构造典型神经网络的激活传递函数，编写各种网络设计与训练的子程序，网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。 1.1人工神经网络的研究背景和意义