一、人工神经网络在地基土液化判别及等级评价中的应用（论文文献综述）
崔起飞[1]（2020）在《基于ANP-灰色聚类模型的地基稳定性评价 ——以新疆甘泉堡神信卸储配煤站为例》文中研究说明本文在全面分析新疆甘泉堡神信卸储配煤站地基特点的基础上,结合此项目所在地区的气候、环境、水文地质、经济和技术性条件等因素,以地质稳定性为切入点,针对卸储配煤站在大量建设下由于勘察不准确、技术方案选择不当、施工管理不规范等原因使地基出现橡皮土、冻结、沉降、冻胀破坏等问题,造成地基稳定性安全问题,通过对研究区域的地基稳定性影响因素的研究,归纳总结影响新疆卸储配煤站地基稳定性的主要影响因素,建立卸储配煤站地基稳定性评价指标体系,构建新疆甘泉堡神信卸储配煤站地基稳定性评价模型。根据评价结果提出提高地基稳定性的措施建议,为类似地基的施工方案实施、安全管理和施工过程决策提供合理化的建议,为新疆地区有关地基稳定性评价提供重要依据。对提高地基质量、节省投资具有重要的理论及现实意义。论文通过对构建适用于新疆甘泉堡神信卸储配煤站的ANP-灰色聚类模型的地基稳定性综合评价模型模型的计算得出此煤站稳定性等级,此等级与现场地基实际处理结果一致。针对现场地基实际处理结果,经过专家会审、补充勘察、采取新技术方案和管理等一系列措施处理后,进行再次检测和验收后能够达到安全使用的良好稳定性状态。本论文主要研究内容如下:（1）新疆甘泉堡神信卸储配煤站地基稳定性评价指标体系构建。确定评价新疆甘泉堡神信卸储配煤站地基稳定性的各影响因素指标,构建地基稳定性评价指标体系,通过参考查阅相关规范及专着列出各二级评价指标的具体判定标准。（2）新疆甘泉堡神信卸储配煤站地基稳定性评价模型研究。建立网络层次分析法（ANP）指标重要度求解模型,基于Super Decision软件构造出指标因素关联图并求出各指标权重。构建基于灰色白化权函数聚类的卸储配煤站地基稳定性综合评价模型,以最大隶属度原则判断新疆甘泉堡神信卸储配煤站地基稳定性评价结果所属灰类。（3）新疆甘泉堡神信卸储配煤站地基稳定性评价研究。分析新疆甘泉堡神信卸储配煤站概况,归纳总结出影响新疆甘泉堡神信卸储配煤站地基稳定性的指标因素数据,进行其地基稳定性情况的评价,通过模型分析计算可知此卸储配煤站地基稳定性安全等级为Ⅲ级。
孙伟超,袁颖[2]（2018）在《基于PCA-LM-BP融合的砂土液化预测评价模型》文中认为采用主成分分析法（principal component analysis,PCA）对影响砂土液化的8个因素进行主成分提取,得到3个主成分。然后采用BP神经网络对提取主成分后的数据进行训练,并应用Levenberg-Marquardt（LM）算法对BP神经网络进行优化,建立了基于PCA-LM-BP融合的砂土液化预测评价模型,并结合工程实例将预测结果与BP神经网络模型预测结果进行比较分析。结果表明,本预测评价模型的判别结果具有更高的准确性,符合实际工程的需要。
薛新华,钟声[3]（2016）在《基于Fisher判别法的砂土液化势判别》文中指出目的提出一种基于多元统计学的Fisher模型,判别复杂和不确定性因素影响下砂土液化的发生,提高和改善砂土液化势评价的可靠性、准确性及智能水平.方法应用Fisher判别分析法理论并结合砂土液化机理,建立砂土地震液化判别模型.选取具有代表性的25组实测砂土液化的数据作为学习样本进行训练和检验,建立相应线性判别函数并利用回代估计方法进行回检,并与规范法和Seed法进行比较.结果训练样本和测试样本的正确率均为100%,而规范法和Seed法都出现了不同程度的误判.结论 FDA判别法准确率较高,是一种有效的砂土液化判别方法,为砂土地震液化判别提供一种新的思路.
王爱华[4]（2015）在《遗传算法及其在非线性方程组求解中的应用研究》文中指出随着网络技术和信息技术的飞速发展及广泛应用,其相关学科交叉所形成的数学模型中非线性方程组问题日益增多.近年来,人们越来越重视对这个问题的研究.针对非线性方程组的特征和相关理论,对遗传算法进行了改进,明确了用改进后的遗传算法求解非线性方程组的方法.
薛新华,杨兴国[5]（2012）在《基于减法聚类模糊神经网络的砂土液化势判别》文中进行了进一步梳理砂土地震液化问题是岩土地震工程学的重要研究课题之一。在分析模糊神经网络原理的基础上,利用减法聚类算法对自适应模糊推理系统进行优化,并建立了砂土地震液化的模糊神经网络模型。然后,将该模型用于实际工程的砂土液化判别中,并与传统砂土液化判别方法结果进行对比。判别结果表明:文中建立的模糊神经网络模型具有较强的学习功能,用于砂土地震液化判别中是可行的和有效的。
薛新华,陈群[6]（2010）在《基于GRNN的砂土液化危害等级评价模型研究》文中提出影响砂土地震液化的因素复杂且具有随机性和不确定性。神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的砂土地震液化评价问题。在分析广义回归神经网络的基本原理和算法基础上,建立了砂土液化危害等级评价的广义回归神经网络模型。然后用收集到的工程实例样本对该模型进行训练和检验,并与BP神经网络判别结果进行对比。结果表明,广义回归神经网络性能良好、预测精度高,是砂土地震液化危害等级评价的一种有效方法。
陈刚[7]（2010）在《氟石粉液化建模中的特征选择方法研究》文中研究表明氟石粉在海运途中因运输水分含量过高会发生液化从而发生沉船事故。随着越来越多此类沉船事故的发生,人们意识到探讨氟石粉液化成因的重要性。在国内外对氟石粉液化研究较少的情况下,本文从考虑所有可能影响氟石粉液化的因素出发,利用特征选择方法筛选出影响氟石粉液化的主要因素并建立相应液化模型,为进一步机理模型建立及氟石粉厂家生产提供参考。主要工作如下:（1）为了寻找主要影响氟石粉液化的因素,先考虑了所有可能影响氟石粉液化的因素,按照相关实验标准进行实验并采集实验数据。总共采集了196个样品的20个属性的有效实验数据。（2）提出了基于回归预测误差的异常样本逐次剔除方法。该算法相比于一次性删除所有异常样品的剔除方法,给了被鉴定为异常样品二次确认的机会,这样会在很大程度上避免将一些正常样品误当作异常样品删除,同时又能达到提高回归预测模型精度的效果。（3）提出了基于回归预测误差和遗传算法集成的特征选择方法。该算法将所有的属性编码为一个遗传个体,利用回归预测模型的预测误差及个体的属性个数来评价该个体的适应度,通过选择、交叉及变异过程,不断繁殖与迭代,最终会收敛到一个最优的个体,此个体所包含的属性即为最优属性集合。同时在遗传算法中,提出了综合预测误差及属性个数的适应度函数确定方法,在选择算子与变异算子中引入了模拟退火算法的思想,使选择算子与变异算子得到改善,更有利于算法的寻优,加强了算法的全局搜索能力。（4）利用本文所提出的特征选择方法对实验数据进行分析得到包含8个属性的最优属性集,并对这8个属性在回归预测模型上进行灵敏度分析,指出这8个属性对氟石粉液化的影响。
张敬一,史吏,倪卫达[8]（2008）在《沙土的液化预测研究》文中研究说明本文以大量粉土地基实测数据为学习训练样本及预测样本,建立了预测模型。研究表明,用RBF神经网络方法进行沙土地震液化预测是可行的。
孟红宇[9]（2006）在《铁路客车单元式空调机组性能ANN模型及仿真研究》文中认为单元式客车空调机组是改善车内热湿环境的主要设备。随着客车空调机组的大量使用，机组检修任务大大增加。为确定运用过程中空调机组的性能状态，现场需配备相应的检修试验设备。由于目前空调机组厂家只提供额定风量及名义工况制冷量、制热量，因此，单元式空调机组试验（按TB／T2432-93及后续替代标准TB／T1804-2003设计）局限于名义工况试验。在非名义工况下进行检修测试时缺乏参考和比较值，无法判定被测空调机组性能是否合格。而空调机组主要在非名义工况下运行，研究在这些工况下测试结果的评判有助于掌握空调机组的性能，具有重要的理论和应用价值。本文以试验研究基准样机为研究对象，建立单元式客车空调机组试验样机性能的人工神经网络模型，通过正交法确定试验样本值获取方案，并按照此方案进行空调机组性能试验，获取试验样本值。在试验基础上对空调机组进行性能仿真研究，用试验样本数据辨识确定空调机组的制冷量、压缩机工作电流的神经网络模型，利用该模型得到空调机组多工况下的性能数据。本文的研究结果可作为任意工况下空调机组性能试验结果的对比值，可以作为空调机组性能改进研究和现场检修的参考，有利于提高空调机组运用和管理水平。
李雯霞[10]（2006）在《基于MATLAB的BP神经网络在黄土液化评价中的应用》文中认为黄土的主要分布区也是强震的多发区,历史上曾发生过多次大地震,引发了大面积的黄土液化和滑坡,造成了严重震害。近年来的震害调查和室内试验表明:当土层中的含水量较高时,在一定强度的地震作用下就会发生液化和流滑。 本文介绍了黄土的液化机理、液化判别方法、液化产生条件以及影响因素,由于影响黄土液化的因素具有复杂性、多样性和非线性等特点,很难提出准确的判别公式,特别是很难能够共同考虑多方面的因素。人工神经网络能够揭示数据样本中蕴含的非线性关系,由大量神经元组成的非线性自适应动态系统具有良好的自适应性、自组织及很强的学习、联想、容错和抗干扰能力,在不同程度上和层次上可灵活方便的对多成因的复杂的未知系数进行高度建模。 但是,BP网络模型的实现需要掌握计算机编程语言及较高的编程能力,这在一定程度上不利于神经网络技术的推广和使用,而MATLAB软件提供了一个现成的神经网络工具箱（Neural Network Toolbox,简称NNT）。本文运用MATLAB的神经网络工具箱（NNT）,结合黄土液化本身的特点,建立了判别黄土液化势以及黄土液化危害程度的两个BP网络模型,并参考唐山地震和国外的液化资料,阐述了基于MATLAB的BP网络应用于黄土液化分析的可行性和使用价值。 通过本文可以看出,运用MATLAB神经网络工具箱（NNT）,不需要进行繁琐的编程,就可以快速、准确、有效的建立BP网络模型对黄土液化进行评价,而且具有很好的通用性和使用价值。
二、人工神经网络在地基土液化判别及等级评价中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、人工神经网络在地基土液化判别及等级评价中的应用（论文提纲范文）
（1）基于ANP-灰色聚类模型的地基稳定性评价 ——以新疆甘泉堡神信卸储配煤站为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 地基承载力确定方法的研究现状 |
| 1.2.2 地基稳定性评价的研究现状 |
| 1.2.3 国内外研究存在的不足 |
| 1.3 研究目的及意义 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 地基稳定性评价理论基础 |
| 2.1 地基稳定性评价方法 |
| 2.1.1 定性评价法 |
| 2.1.2 半定性半定量结合评价法 |
| 2.1.3 定量评价法 |
| 2.1.4 评价方法的选择 |
| 2.2 网络层次分析法 |
| 2.2.1 网络层次分析法简介 |
| 2.2.2 网络层次分析法评价步骤 |
| 2.3 灰色聚类法 |
| 2.3.1 灰色聚类法简介 |
| 2.3.2 灰色聚类法评价步骤 |
| 3 新疆甘泉堡神信卸储配煤站地基稳定性评价指标体系的构建 |
| 3.1 评价指标体系构建的基础理论 |
| 3.1.1 指标选择的一般要求 |
| 3.1.2 建立新疆地区卸储配煤站地基稳定性评价指标体系的基本原则 |
| 3.2 评价指标体系的构建 |
| 3.2.1 新疆甘泉堡神信卸储配煤站概况及地质环境特征分析 |
| 3.2.2 影响地基稳定性的因素分析 |
| 3.2.3 建立地基稳定性评价指标体系 |
| 3.3 地基稳定性及评价指标等级划分 |
| 3.3.1 评价等级标准确定的依据 |
| 3.3.2 地基稳定性等级分类 |
| 3.3.3 评价指标等级划分标准 |
| 4 新疆甘泉堡神信卸储配煤站地基稳定性评价模型的构建 |
| 4.1 聚类指标确定及灰类划分 |
| 4.1.1 聚类指标确定 |
| 4.1.2 聚类指标灰类划分 |
| 4.2 聚类指标各灰类可能度函数构建 |
| 4.3 聚类指标的聚类权确定 |
| 4.3.1 构建网络结构 |
| 4.3.2 构建无加权超矩阵 |
| 4.3.3 构建加权超矩阵 |
| 4.3.4 计算极限超矩阵 |
| 4.4 灰色聚类系数矩阵的构建 |
| 4.5 所属灰类的确定 |
| 5 新疆甘泉堡神信卸储配煤站地基稳定性评价 |
| 5.1 新疆甘泉堡神信卸储配煤站地基稳定性基础数据收集与处理 |
| 5.2 甘泉堡神信卸储配煤站地基稳定性评价 |
| 5.2.1 运用ANP法确定各指标权重 |
| 5.2.2 运用灰色定权聚类法确定评价结果 |
| 5.3 评价结果的分析及建议 |
| 5.3.1 评价结果的分析 |
| 5.3.2 措施建议 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| (一)发表的学术论文 |
（2）基于PCA-LM-BP融合的砂土液化预测评价模型（论文提纲范文）
| 1 模型原理 |
| 1.1 主成分分析 |
| 1) 建立观测样本矩阵 |
| 2) 计算相关系数矩阵 |
| 3) 求出相关系数矩阵的特征根 |
| 4) 确定主成分的个数 |
| 1.2 BP神经网络 |
| 2 预测模型的建立 |
| 2.1 砂土液化评价指标的确定 |
| 2.2 砂土液化评价指标的主成分提取 |
| 2.3 模型的建立 |
| 3 预测结果分析 |
| 4 结论 |
（3）基于Fisher判别法的砂土液化势判别（论文提纲范文）
| 1 Fisher判别理论简介 |
| 1.1 Fisher判别法的求解 |
| 1.2 判别准则 |
| 1.3 判别检验 |
| 2砂土液化识别的Fisher判别模型 |
| 2.1 砂土液化机理 |
| 2.2 砂土液化判别指标的选取 |
| 2.3 砂土液化判别分析 |
| 3 结论 |
（4）遗传算法及其在非线性方程组求解中的应用研究（论文提纲范文）
| 1 引言 |
| 2 遗传算法及其改进 |
| 2.1 遗传算法的算法流程 |
| 2.2 遗传算法的收敛性 |
| 2.3 遗传算法的不足 |
| 2.4 遗传算法的改进 |
| 2.4.1 采用浮点数编码方式 |
| 2.4.2 确定恰当的适应度函数 |
| 2.4.3 搜索遗传算子 |
| 3 基于改进后的遗传算法对于非线性方程组的求解 |
| 3.1 非线性方程组的定义 |
| 3.2 非线性方程组的两种求解方法 |
| 3.2.1 非数值算法 |
| 3.2.2 爬山算法[7] |
| 3.3 用改进后的遗传算法求解非线性方程组的可行性分析 |
| 3.4 用改进后的遗传算法求解非线性方程组的具体步骤 |
| 4 结束语 |
（5）基于减法聚类模糊神经网络的砂土液化势判别（论文提纲范文）
| 引言 |
| 1 砂土液化的机理简述 |
| 2 T-S型模糊推理系统与算法 |
| 2.1 T-S型模糊推理系统 |
| 2.2 减法聚类算法 |
| 3 Seed简化法、规范判别法简介 |
| 3.1 Seed简化法 |
| 3.2 规范判别法 |
| 4 应用实例 |
| 5 结论 |
（6）基于GRNN的砂土液化危害等级评价模型研究（论文提纲范文）
| 1 砂土液化机理及影响因素分析 |
| 1.1 砂土液化的概念 |
| 1.2 砂土液化机理的描述 |
| 1.3 砂土液化的影响因素 |
| 2 广义回归神经网络及其优化 |
| 2.1 基本原理与算法 |
| 2.2 光滑因子的优化 |
| 3 砂土液化危害性等级评价 |
| 3.1 液化指数法 |
| 3.2 液化危害等级评价的GRNN模型 |
| 3.2.1 评价指标和分类方案的选取 |
| 3.2.2 模型的建立与评价 |
| 4 结论 |
（7）氟石粉液化建模中的特征选择方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景 |
| 1.3 课题研究现状 |
| 1.3.1 氟石粉研究现状 |
| 1.3.2 特征选择研究现状 |
| 1.3.3 智能建模方法研究现状 |
| 1.4 课题研究的意义 |
| 1.5 课题研究的主要内容 |
| 第2章 氟石粉液化因素考虑及实验 |
| 2.1 影响因素探讨 |
| 2.2 实验方法与实验数据 |
| 2.2.1 流盘实验法测氟石粉液化 FMP |
| 2.2.2 氟石粉的粒径及其均匀度 |
| 2.2.3 氟石粉的真密度及堆积密度 |
| 2.2.4 氟石粉的化学性质 |
| 2.3 小结 |
| 第3章 基于回归预测误差的异常样本逐次剔除法 |
| 3.1 引言 |
| 3.2 异常样品的判定 |
| 3.2.1 异常样品 |
| 3.2.2 预测浓度残差准则 |
| 3.3 传统异常样品删除法 |
| 3.4 基于回归预测误差的异常样本逐次剔除法 |
| 3.5 小结 |
| 第4章 基于回归预测误差和遗传算法集成的特征选择法 |
| 4.1 引言 |
| 4.2 遗传算法 |
| 4.2.1 基本原理 |
| 4.2.2 编码 |
| 4.2.3 种群初始化 |
| 4.2.4 适应度函数 |
| 4.2.5 选择算子 |
| 4.2.6 交叉算子 |
| 4.2.7 变异 |
| 4.3 基于回归预测误差和遗传算法集成的特征选择法 |
| 4.3.1 基本思想 |
| 4.3.2 编码选择和种群初始化 |
| 4.3.3 适应度函数 |
| 4.3.4 基于模拟退火算法的选择算子 |
| 4.3.5 交叉算子 |
| 4.3.6 基于模拟退火算法的变异算子 |
| 4.4 基于异常样品剔除的回归预测误差和遗传算法集成的特征选择法 |
| 4.5 小结 |
| 第5章 氟石粉液化模型中特征选择方法的应用 |
| 5.1 引言 |
| 5.2 数据预处理 |
| 5.3 回归预测模型选择 |
| 5.4 结果分析 |
| 5.4.1 特征选择结果分析 |
| 5.4.2 基于回归预测误差的异常样本逐次剔除方法结果分析 |
| 5.4.3 灵敏度分析 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 附录 |
| 作者简介 |
| 攻读硕士学位期间录用及完成的论文 |
（8）沙土的液化预测研究（论文提纲范文）
| 1 引言 |
| 2 基于RBF神经网络理论的沙土地震液化预测模型 |
| 2.1 RBF网络的结构 |
| 2.2 最近邻聚类学习算法 |
| 3 沙土液化的RBF网络预测 |
| 4 结论 |
（9）铁路客车单元式空调机组性能ANN模型及仿真研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 铁路客车空调的发展概况 |
| 1.2 单元式空调机组性能研究的现状 |
| 1.2.1 试验台主体结构 |
| 1.2.2 热工原理 |
| 1.3 问题的提出 |
| 1.4 研究的目的及主要研究内容 |
| 第二章 单元式空调机组性能ANN模型的建立 |
| 2.1 单元式空调机组的基准样机 |
| 2.2 单元式空调机组的性能模型及建模方法 |
| 2.3 ANN模型 |
| 2.3.1 神经网络的概述 |
| 2.3.2 人工神经元 |
| 2.3.3 神经网络模型 |
| 2.4 单元式空调机组性能 ANN模型的确定 |
| 2.4.1 模型的选定 |
| 2.4.2 神经网络隐含层节点数和训练次数的优化 |
| 2.4.3 模型精度分析 |
| 2.4.4 数据采集及预处理 |
| 2.4.5 训练样本 |
| 2.4.6 不同算法下的训练和测试结果 |
| 2.5 本章小结 |
| 第三章 单元式空调机组性能样本数据的获取 |
| 3.1 正交试验设计概述 |
| 3.2 正交试验方案的确定 |
| 3.3 本章小结 |
| 第四章 单元式空调机组性能试验 |
| 4.1 单元式空调机组性能试验台简介 |
| 4.2 试验装置 |
| 4.3 试验台的工况控制 |
| 4.4 试验数据记录 |
| 4.5 试验过程及试验数据分析 |
| 4.6 正交试验结论 |
| 4.7 空调机组性能 ANN模型预测结果与试验结果对比 |
| 4.7.1 KLD29型基准样机性能模型预测结果与试验结果对比 |
| 4.7.2 KLD40型基准样机性能模型预测结果与试验结果对比 |
| 4.7.3 KLD40型基准样机特殊工况性能模型预测结果与试验结果对比 |
| 4.8 本章小结 |
| 第五章 基于 ANN模型的单元式空调机组性能分析 |
| 5.1 KLD29、KLD40型基准样机性能仿真结果对比分析 |
| 5.1.1 空调机组冷凝器进风温度变化与机组制冷量变化 |
| 5.1.2 空调机组蒸发器进风温度变化与机组制冷量变化 |
| 5.1.3 空调机组蒸发器进风湿度变化与机组制冷量变化 |
| 5.1.4 空调机组冷凝器进风温度变化与压缩机电流变化 |
| 5.1.5 空调机组蒸发器进风温度变化与压缩机电流变化 |
| 5.1.6 空调机组蒸发器进风湿度变化与压缩机电流变化 |
| 5.2 KLD40型基准样机特殊工况性能分析 |
| 5.2.1 蒸发器进风温度与冷凝器进风温度相同时(M_1情况)机组性能 |
| 5.2.2 蒸发器进风温度高于冷凝器进风温度时(M_2情况)机组性能 |
| 5.3 空调机组性能ANN模型的应用 |
| 5.3.1 作为现场空调机组检修测试的参考模型 |
| 5.3.2 对空调机组进行性能预测的依据 |
| 5.3.3 对空调机组进行设计改进的依据 |
| 5.4 本章小结 |
| 第六章 结论与后续工作 |
| 6.1 结论 |
| 6.2 后续工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及科研情况 |
（10）基于MATLAB的BP神经网络在黄土液化评价中的应用（论文提纲范文）
| 摘要 |
| Abstrsct |
| 第1章 绪论 |
| 1.1 黄土液化理论的研究现状 |
| 1.1.1 黄土液化概念的提出及其国外研究现状 |
| 1.1.2 黄土液化的国内研究现状 |
| 1.2 当前黄土液化研究中存在的主要问题 |
| 1.2.1 关于黄土试样的饱和方法及饱和度对液化的影响 |
| 1.2.2 关于饱和黄土液化机理 |
| 1.2.3 关于饱和黄土液化标准与液化破坏标准 |
| 1.3 运用 BP神经网络进行黄土液化分析的意义 |
| 1.4 运用 MATLAB神经网络工具箱建立 BP网络模型的必要性 |
| 1.5 本文的研究方法和主要内容 |
| 第2章 黄土的液化与判别方法 |
| 2.1 黄土液化的概念和定义 |
| 2.1.1 关于土液化概念的演进 |
| 2.1.2 砂土液化的概念和定义 |
| 2.1.3 黄土液化的概念和定义 |
| 2.2 液化机理 |
| 2.2.1 砂土的液化机理 |
| 2.2.2 黄土的液化机理 |
| 2.3 液化判别标准 |
| 2.4 液化判别方法 |
| 2.5 黄土液化的产生条件 |
| 2.5.1 场地条件 |
| 2.5.2 物性指标条件 |
| 2.5.3 地震动条件 |
| 2.6 黄土液化的影响因素 |
| 2.6.1 土性条件 |
| 2.6.2 初始应力条件 |
| 2.6.3 动荷条件 |
| 2.7 饱和度对动荷载下黄土性状的影响 |
| 2.8 动荷载下孔压与应变的发展规律及特点 |
| 第3章 人工神经网络及MATLAB神经网络工具箱 |
| 3.1 人工神经网络概述 |
| 3.1.1 人工神经网络模型 |
| 3.1.2 人工神经网络的学习 |
| 3.1.3 人工神经网络的优缺点 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络概述 |
| 3.2.2 BP算法 |
| 3.2.3 BP网络的局限性 |
| 3.3 MATLAB神经网络工具箱介绍 |
| 3.3.1 MATLAB简介 |
| 3.3.2 神经网络工具箱(NNT) |
| 3.3.3 图形用户界面(GUI) |
| 第4章 运用神经网络建立黄土液化判别模型 |
| 4.1 黄土液化势预测模型的建立 |
| 4.2 黄土液化危害程度等级预测模型 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 攻读学位期间所发表的学术论文目录 |
四、人工神经网络在地基土液化判别及等级评价中的应用（论文参考文献）
- [1]基于ANP-灰色聚类模型的地基稳定性评价 ——以新疆甘泉堡神信卸储配煤站为例[D]. 崔起飞. 兰州交通大学, 2020
- [2]基于PCA-LM-BP融合的砂土液化预测评价模型[J]. 孙伟超,袁颖. 中国科技论文, 2018(13)
- [3]基于Fisher判别法的砂土液化势判别[J]. 薛新华,钟声. 沈阳建筑大学学报(自然科学版), 2016(06)
- [4]遗传算法及其在非线性方程组求解中的应用研究[J]. 王爱华. 西华师范大学学报(自然科学版), 2015(02)
- [5]基于减法聚类模糊神经网络的砂土液化势判别[J]. 薛新华,杨兴国. 地震工程与工程振动, 2012(02)
- [6]基于GRNN的砂土液化危害等级评价模型研究[J]. 薛新华,陈群. 四川大学学报(工程科学版), 2010(01)
- [7]氟石粉液化建模中的特征选择方法研究[D]. 陈刚. 浙江大学, 2010(08)
- [8]沙土的液化预测研究[J]. 张敬一,史吏,倪卫达. 科技经济市场, 2008(08)
- [9]铁路客车单元式空调机组性能ANN模型及仿真研究[D]. 孟红宇. 中南大学, 2006(06)
- [10]基于MATLAB的BP神经网络在黄土液化评价中的应用[D]. 李雯霞. 兰州理工大学, 2006(09)