基于混沌粒子群神经网络变形预测模型的应用研究

发布时间：2017-10-01 07:41

  本文关键词：基于混沌粒子群神经网络变形预测模型的应用研究

  更多相关文章： 变形预测 BP神经网络 粒子群算法 混沌理论 应用

【摘要】：变形监测一直是工程建设中的一个重要环节,而变形监测的最终目的是通过对观测数据的分析建模然后对变形体的未来变形做出正确的预报,从而为工程提供施工预警,保证施工的安全进行,避免经济损失和人民生命危险。因此,对变形预测模型的研究意义重大。本文以混沌粒子群优化的BP神经网络在变形预测中的应用为研究对象,主要进行的工作如下:(1)对目前常用的几种变形预测模型进行研究,在分析其各自优势与缺陷的基础上重点研究了BP神经网络模型,探究了其缺陷产生的根本原因,并针对缺陷产生的原因确定了改进思路,即借助粒子群算法优化其权值和阈值。(2)研究了粒子群算法自身参数的改进对算法整体性能的影响,并借助MATLAB编程进行了仿真测试,仿真结果表明粒子群算法自身参数的改进能够在一定程度上提高算法的整体性能。进一步研究了粒子群算法改进传统BP算法的原理、步骤和不足,并针对其不足引入了粒子群算法的变异和混沌改进策略。(3)重点研究了混沌改进粒子群算法的改进思路,提出了一种嵌入式的混沌粒子群算法,通过仿真测试论证了该算法的优越性,进而提出了基于混沌粒子群BP神经网络的变形预测模型。(4)结合具体工程实例,借助MATLAB编程,选用传统BP神经网络和不同组合方式下改进的BP神经网络模型进行变形预测,通过预测结果的对比,分析,最终从实践上得出本文提出的混沌粒子群BP神经网络变形预测模型的适用性和优势。
【关键词】：变形预测 BP神经网络 粒子群算法 混沌理论 应用
【学位授予单位】：华北水利水电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU196.1
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 1 绪论10-20
• 1.1 研究背景和意义10-11
• 1.2 国内外研究现状11-16
• 1.2.1 变形监测技术的研究现状11-12
• 1.2.2 变形监测数据分析的研究现状12-16
• 1.3 本文研究的主要内容16-17
• 1.4 本文的技术路线及结构17-19
• 1.4.1 本文的技术路线17-18
• 1.4.2 论文的组织结构18-19
• 1.5 本章小结19-20
• 2 人工神经网络和经典BP网络20-40
• 2.1 神经网络简介及发展史20-21
• 2.2 神经网络的结构和分类21-25
• 2.2.1 神经网络的结构21-23
• 2.2.2 神经网络的分类23-24
• 2.2.3 神经网络学习方式24-25
• 2.3 神经网络的特点及应用25-26
• 2.3.1 神经网络的特点25-26
• 2.3.2 神经网络的应用26
• 2.4 BP神经网络26-38
• 2.4.1 BP神经网络的结构与特点27-28
• 2.4.2 最速下降BP法28-32
• 2.4.3 最速下降BP法的改进32-34
• 2.4.4 BP神经网络的设计34-35
• 2.4.5 BP神经网络变形预测的基本流程35-36
• 2.4.6 BP神经网络的优缺点36-37
• 2.4.7 BP神经网络的优化37-38
• 2.5 本章小结38-40
• 3 粒子群算法和粒子群神经网络40-54
• 3.1 粒子群算法概述40-44
• 3.1.1 粒子群算法原理40-41
• 3.1.2 粒子群算法的参数分析与改进41-44
• 3.2 粒子群算法的基本流程44-45
• 3.3 仿真测试45-50
• 3.3.1 标准测试函数45-47
• 3.3.2 参数设置47-48
• 3.3.3 实验分析48-50
• 3.4 粒子群BP神经网络算法50-52
• 3.4.1 粒子群优化BP神经网络的基本思想51
• 3.4.2 粒子群BP神经网络的操作步骤51-52
• 3.4.3 粒子群BP神经网络的不足52
• 3.5 粒子群算法的二次改进52-53
• 3.6 本章小结53-54
• 4 混沌粒子群BP神经网络54-66
• 4.1 混沌理论概述54-58
• 4.1.1 混沌的定义54-55
• 4.1.2 混沌的特点55
• 4.1.3 混沌映射55-58
• 4.2 混沌粒子群算法（CPSO）58-59
• 4.3 仿真测试59-62
• 4.3.1 算法设计59-60
• 4.3.2 实验分析60-62
• 4.4 混沌粒子群BP神经网络62-63
• 4.5 本章小结63-66
• 5 基于混沌粒子群神经网络的变形预测实例分析66-88
• 5.1 实验准备66-69
• 5.1.1 MATLAB神经工具箱函数的选取66-67
• 5.1.2 模型精度评价因子的选取67
• 5.1.3 实验数据的来源67-68
• 5.1.4 数据的处理规则68-69
• 5.2 BP神经网络预测69-74
• 5.3 粒子群BP神经网络预测74-81
• 5.4 改进粒子群神经网络预测81-87
• 5.4.1 变异粒子群神经网络预测81-82
• 5.4.2 混沌粒子群神经网络预测82
• 5.4.3 结果对比分析82-87
• 5.5 实验结果综合分析87
• 5.6 本章小结87-88
• 6 结论与展望88-90
• 6.1 结论88
• 6.2 展望88-90
• 攻读硕士学位期间发表的学术论文及参加的科研项目目录90-92
• 1.攻读硕士学位期间发表的学术论文90
• 2.攻读硕士学位期间参加的科研项目90-92
• 致谢92-94
• 参考文献94-99

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

，

本文编号：952163