基于计算机仿真技术的结构损伤识别方法研究

通过计算机仿真技术,建立了损伤结构的模型,得到了包含结构损伤位置和损伤程度信息的固有频率变化规律,采用适当的方式构造改进型BP神经网络的输入参数,对结构做数值模拟试验,从而对悬臂板结构进行损伤识别。结果显示,本文采用的方法在工程结构损伤检测中有很好的应用价值。     

基于CNN-LSTM架构神经网络的桥梁损伤位置识别

针对桥梁健康安全监测中的损伤位置识别准确率不佳的问题,文章提出一种基于CNN-LSTM架构神经网络模型(CLEANNM)的桥梁损伤位置识别方法。通过MATLAB软件对不同损伤工况条件下的简支梁结构振动响应进行数值模拟,利用CLEANNM挖掘测点加速度信号数据集中有效的损伤位置特征,并测试该方法识别损伤位置准确率。结果表明:CL-EANNM识别简支梁结构损伤位置体现出良好的效果。该方法的现阶段成果为桥梁健康监测中损伤位置识别准确率优化问题提供了新的研究思路。     

预制装配式分体柱节点截面内力分布

研究装配式梁柱节点的抗震性能对装配式框架结构的发展至关重要，本文提出了一种模块化程度高、结构简单的新型干连接梁柱节点并使用ABAQUS进行数值模拟。该节点由预制混凝土梁和通过钢套筒连接的预制混凝土分体柱组成。通过分析节点截面Z方向位移、应变、应力数据，研究了这种新型节点在柱顶水平位移荷载作用下的内力分布。     

长周期地震动作用下RC框架结构的抗震性能分析

为研究RC框架结构在长周期地震动作用下的抗震性能,本文建立了5层RC框架结构模型,选取5条典型地震波和2条人工波,对RC框架进行动力时程分析,结果表明:RC框架结构的加速度响应均比较大,最大层间位移逐层增加,层间位移以第2层达到最大值,层间位移角除第5层满足要求外,其余各层均远超规范限值,RC框架结构在长周期地震动地震作用下处于危险状态.     

基于径向基神经网络的网络流量预测

针对网络流量在时序上的复杂非线性特征,采用径向基函数神经网络对网络流量时间序列进行预测。用自相关分析技术分析时间序列的延迟特性,建立了基于MATLAB6.5环境下径向基神经网络的网络流量预测模型,并用本校网络流量数据进行了验证。结果表明,该模型拟合精度和预测精度较高、计算速度较快。     

填充墙对框架结构抗震性能的影响分析

填充墙砌体工程一般采用空心砖、蒸压加气混凝土砌块、轻骨料混凝土小型空心砌块等材料进行砌筑。框架一填充墙结构是指填充墙砌体在框架结构中起围护、分隔作用，不承担荷载，属于非结构构件。在地震力的作用下，填充墙的材料、种类、位置、数量等的不同布置方法对框架结构的刚度影响很大，因此，地震剪力对填充墙框架结构与纯框架结构所造成的破坏程度是不一样的。所以，在填充墙框架结构的设计规范中都有明确的要求，必须考虑到填充墙的布置对框架结构的刚度影响。所以本文通过分析填充墙对框架结构的抗震影响，得出填充墙的有利和不利影响，并总结规律，提出填充墙合理布置的一些建议。     

风电功率预测问题研究

文章采用BP神经网络法对风电场58台风机的输出功率进行了预测研究,建立三层神经网络模型,根据已有的风电功率历史数据、应用数据整理,进行BP神经网络的计算和回归分析,运用excel,matlab以及eviews等相关软件进行预测分析,解决了风电功率预测问题。     

利用应变技术进行设备故障诊断方法的比较

由于应变对结构局部损伤具有很高的灵敏性,利用应变技术对设备和仪器进行故障诊断(判别是否有故障,故障发生的位置和程度)已在实际的工程得以广泛应用。本文对采用应变技术进行故障诊断的各种方法进行比较,并给出其适用范围。     

模糊神经网络在汽车远程故障诊断中的应用

根据汽车故障征兆具有模糊性地特点,提出了一种基于模糊神经网络的汽车远程状态监测和故障诊断方法,采用模糊隶属函数来描述故障征兆的程度,建立了基于模糊神经网络的汽车状态监测和故障诊断模型,利用GSM通信技术将汽车运行数据实时采集、远程传送,监控中心接受、管理数据,对汽车进行故障诊断.试验结果表明,该方法具有推理速度快,容错能力强,且汽车故障诊断识别率高等特点.     

某幼儿园框架结构粘滞阻尼器减震分析

结合昆明市某幼儿园四层钢筋混凝土框架结构的工程实例,采用ETABS对该幼儿园进行消能减震分析,用附加非线性阻尼单元模拟粘滞阻尼器。结果表明,多遇地震时,结构层剪力、层间位移角较未加阻尼器前有显著减小;大震时,层间最大位移角也能显著减小;两种情况下的位移角均满足规范要求。     

审计指标评价识别的Rough-ANN模型

由于审计指标体系的开放性,当需要甄别的指标结构相对简单的时候,比较容易处理,但是当面对更加复杂的的财务报表以及其他相关数据时,需要完善和建立的审计指标系统也会更加复杂。本文首先介绍了Rough集(粗糙集)和ANN(人工神经网络)理论的出现为审计指标识别带来的机会,分析了这种识别模型的确立的可能性,将Rough集和ANN相结合,构造了审计对象识别的Rough-ANN模型,并结合一个实例来验证此模型的可行性和有效性。     

基于混合粗糙集与ANN的上市公司财务危机预警研究

利用混合粗糙集ANN数据挖掘技术和相关敏感财务及非财务指标构建财务危机预警模型,对30家ST和90家非ST的A股制造业上市公司的财务数据进行实证检验。结果表明,将混合粗糙集的知识约简理论和神经网络的推理能力相结合构建的混合粗糙ANN预警模型具有较高的财务危机预测准确率和较好的实际应用价值。     

基于神经网络的入境旅游人数预测

入境旅游人数分析是旅游开发的基础。尝试利用人工神经网络的3层BP模型来仿真模拟入境旅游人数,其输入层结点为3,输出节点为1,得出3层前馈反向传播神经网络模型。结果表明人工神经网络模型的模拟结果与实际情况逼近。     

基于BP神经网络的ETC系统客户的流失分析研究

文章应用神经网络数据分析技术研究ETC系统客户流失的状况,详细研究了如何建立ETC系统客户流失基本模型。通过对客户的基本数据进行神经网络预测,可以发现描述流失客户基本特征的属性值集合以及对应的是否流失的结论。文章给出的是改进的神经网络的预测方法,可提高BP神经网络的收敛速度,增强网络的泛化能力,获得了很好的效果。     

基于粗神经网络的港口集装箱吞吐量预测

运用粗糙集神经网络建立了广州港集装箱吞吐量的预测模型,预测了2007～2010年的集装箱吞吐量。该预测方法融合了粗糙集理论与神经网络方法具有的优点,具有很强的学习与泛化能力,非常适合处理多因素、非线性的复杂系统。预测结果对广州港的发展有较强的借鉴作用,可以为广州港未来发展提供参考。     

Analyzing the financial distress of Chinese public companies using probabilistic neural networks and multivariate discriminate analysis

Many studies have applied backpropagation feedforward neural networks (BPNNs) as an alternative to multivariate discriminant analysis (MDA) in attempts to predict business distress using relatively small data sets. Although these studies have generally reported the superiority of BPNNs vs. MDA, they seem to ignore the fact that the former suffers from overfitting if the data set is too small compared to the free parameters of the network. We thus suggest an alternative approach that involves use of a probabilistic neural network (PNN). From our study of financially distressed Chinese public companies, we found that both the PNN and MDA algorithms provide good classifications. Relative to MDA, however, the PNN method provides better prediction, and, at the same time, does not require multivariate normality of the data. Our results appear to offer an improvement from those of earlier efforts that employ MDA, BPNN, and other models. In particular, PNN was here able to predict company distress with greater than 87.5% short-term accuracy, and 81.3% medium-term accuracy.     

基于粗糙集-神经网络技术的客户价值分类模型的研究

客户关系管理的核心内容之一是对客户价值的评价进而对客户进行分类。文章首先找出对客户价值分类有影响的一些因子,应用粗糙集-神经网络的模型,即利用神经网络与粗糙集理论的优势互补,采用粗糙集对数据进行预处理,然后选择神经网络作为评价方法,最后根据客户价值评价结果进行客户价值分类。     

The use of network analysis to handle semantic differential data

The aim of this paper is to propose a method to transform semantic differential data into a network whose graph representation is interpreted as an empirical network of adjectives. The graph is constituted by the adjectives of the semantic differential task. Two adjectives are linked depending on the scoring assigned by a set of respondents. The proposed approach aims at using concepts and methods of Social Network Analysis to explore the network structure and study roles and positions of dominant adjectives. A simulation design has been realized to assess the stability of results under different conditions, i.e. in order to set the optimal threshold in presence of different data generator processes. A case study carried out on real data shows how the emerging network of adjectives can be effectively used to define the concept arising from a semantic differential task.     

Models of representation of social mobility and inequality systems. A neural network approach

This paper reports on the results of the application of an innovative technique, i.e. neural network models, to mobility data. Our primary aim is to show that the technique is more flexible than traditional statistical modeling, and that it entails less strong methodological assumptions concerning the phenomenon which they are intended to represent. Two kinds of networks have been applied: heteroassociative networks, used for prevision and class membership recognition; and autoassociative networks, used for simulation tasks. Results obtained from experiments with neural networks on Italian data are highly consistent with the body of knowledge derived from previous classical analysis. The explicative power of neural network models proved to be higher than that of path analysis given their capacity to uncover any kind or relation between variables, whether linear or nonlinear. When compared to log-linear models, they enable the reconstruction of mobility processes within a global frame, controlling all relevant variables at once.