首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

BP神经网络在大坝变形分析中的应用及改进

摘要第5-6页
ABSTRACT第6-7页
第一章 绪论第11-19页
    1.1 概述第11-12页
    1.2 大坝安全监测的意义第12-13页
    1.3 大坝变形分析与预测的理论基础第13-16页
    1.4 本文的主要研究内容第16-17页
    1.5 本文的技术结构第17-19页
第二章 BP神经网络模型第19-35页
    2.1 人工神经网络简介第19-20页
    2.2 人工神经网络的发展历史第20-21页
    2.3 人工神经元的结构及模型第21-24页
        2.3.1 生物神经元的结构第21页
        2.3.2 人工神经元模型第21-22页
        2.3.3 人工神经网络模型第22-24页
    2.4 人工神经网络的特点第24页
    2.5 神经网络的学习方式第24-25页
    2.6 BP算法及BP神经网络第25-34页
        2.6.1 BP算法简介第25-26页
        2.6.2 BP算法的数学原理第26-28页
        2.6.3 标准BP网络学习算法第28-29页
        2.6.4 动量BP算法第29页
        2.6.5 学习率可变的BP算法第29-30页
        2.6.6 BP神经网络的结构与实现流程第30-33页
        2.6.7 BP神经网络的缺陷第33-34页
    本章小结第34-35页
第三章 基于遗传算法的BP神经网络模型在大坝变形分析中的应用第35-47页
    3.1 引言第35-36页
    3.2 遗传算法第36-39页
        3.2.1 生物进化论与遗传学说第36页
        3.2.2 遗传算法原理第36-39页
    3.3 遗传算法的应用第39-40页
    3.4 GA-BP网络模型的实现第40-43页
    3.5 GA-BP算法可行性测试第43-45页
    本章小结第45-47页
第四章 基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用第47-55页
    4.1 引言第47页
    4.2 BP神经网络与PSO算法简介第47-52页
        4.2.1 BP神经网络的网络结构与算法原理第48-49页
        4.2.2 标准PSO算法的基本原理第49-51页
        4.2.3 改进粒子群优化算法第51-52页
    4.3 基于IPSO算法的BP神经网络模型第52-54页
        4.3.1 IPSO算法优化BP网络的初始权值和阈值第52-53页
        4.3.2 IPSO-BP算法的实现步骤第53-54页
    本章小结第54-55页
第五章 应用实例及其结果分析第55-72页
    5.1 工程概况第55-56页
    5.2 大坝变形的主要影响因子分析第56-58页
    5.3 单一BP网络预测模型第58-59页
    5.4 基于GA-BP算法模型的实现及结果分析第59-65页
        5.4.1 数据的处理和GA-BP网络模型参数设定第59-61页
        5.4.2 GA-BP模型训练及结果分析第61-62页
        5.4.3 误差分析与算法评价指标对比第62-64页
        5.4.4 结论第64-65页
    5.5 基于IPSO-BP算法模型的实现及结果分析第65-71页
        5.5.1 数据的预处理和IPSO-BP网络模型参数设定第65-66页
        5.5.2 IPSO-BP神经网络训练以及结果输出第66-69页
        5.5.3 误差分析与算法评价指标对比第69-71页
    本章小结第71-72页
第六章 结论与展望第72-75页
    6.1 主要结论第72-73页
    6.2 展望第73-75页
致谢第75-76页
参考文献第76-80页
附录A 攻读硕士学位期间发表论文第80-81页
附录B 硕士学位期间参与实践项目第81页

论文共81页,点击 下载论文
上一篇:大理岩加卸荷条件下力学特性研究
下一篇:滇西北松诺—地苏嘎矿区斑岩型铜矿矿化遥感异常信息提取及找矿预测