基于約束滿足網(wǎng)絡(luò)的建筑物陰影結(jié)構(gòu)提取
格式:pdf
大?。?span id="jnf7jxp" class="single-tag-height" data-v-09d85783>132KB
頁數(shù):4P
人氣 :66
4.6
在分析了現(xiàn)有建筑物陰影識別提取方法不足的基礎(chǔ)上,介紹了利用約束滿足網(wǎng)絡(luò)提取黑白城區(qū)航空影像中建筑物陰影結(jié)構(gòu)的原理及方法,實驗表明,文中所述的方法是穩(wěn)健的。
基于LVQ神經(jīng)網(wǎng)絡(luò)的建筑物提取
格式:pdf
大?。?span id="1df93zz" class="single-tag-height" data-v-09d85783>325KB
頁數(shù):5P
傳統(tǒng)的遙感影像目標檢測方法大多利用人工提取特征,難以用于背景復雜的高分辨率遙感影像。以高分辨率遙感影像建筑物圖像為研究對象,設(shè)計了一種基于lvq神經(jīng)網(wǎng)絡(luò)的建筑物提取方法。對圖像提取其顏色、紋理與形狀特征,構(gòu)成圖像特征矢量并將其特征歸一化,利用lvq神經(jīng)網(wǎng)絡(luò)識別并提取出建筑物。通過與其它典型神經(jīng)網(wǎng)絡(luò)識別方法進行實驗比較,結(jié)果表明該算法相對于單層感知器識別率提高了10.0%,比bp神經(jīng)網(wǎng)絡(luò)識別率提高了22.5%,能取得更理想的提取效果。
彩色航空影像中的建筑物陰影提取
格式:pdf
大?。?span id="z7lj95v" class="single-tag-height" data-v-09d85783>2.8MB
頁數(shù):5P
彩色航空影像中的建筑物陰影提取
利用高分辨率遙感圖像提取建筑物陰影信息初探
格式:pdf
大?。?span id="nt5drjx" class="single-tag-height" data-v-09d85783>627KB
頁數(shù):5P
4.6
首先對上海市中心城區(qū)遙感影像建庫,把眾多的遙感影像數(shù)據(jù)組織起來,以方便管理和使用.在此基礎(chǔ)上,利用gis和rs技術(shù),對遙感數(shù)據(jù)解譯處理,提取建筑物陰影信息,從而為估算建筑物高度值作準備.
基于物方幾何約束提取建筑物垂直邊緣
格式:pdf
大小:866KB
頁數(shù):6P
4.5
航空影像中,垂直邊緣對建筑物提取具有重要意義。為快速準確地提取垂直邊緣,依據(jù)航空攝影測量學的有關(guān)知識,利用攝影測量成像模型推導出垂直邊緣滅點位置,并結(jié)合物方空間幾何約束和圖像空間邊緣信息,采用一種自適應(yīng)模糊hough變換算法,實現(xiàn)了建筑物垂直邊緣的自動提取。實驗證明,該算法是行之有效的。
基于BP神經(jīng)網(wǎng)絡(luò)的建筑物用電能耗預測
格式:pdf
大?。?span id="1djlbpv" class="single-tag-height" data-v-09d85783>149KB
頁數(shù):4P
4.5
建筑節(jié)能是當今城市建設(shè)和社會發(fā)展的前沿和研究熱點,對建筑的能耗現(xiàn)狀進行綜合分析與評估是進行節(jié)能改造或節(jié)能設(shè)計的前提和基礎(chǔ),而建立反映能耗變化的預測模型是從宏觀尺度上分析認識建筑能耗變化與發(fā)展特性、為公共建筑節(jié)能工作提供決策依據(jù)的有效途徑和重要手段。研究針對常規(guī)bp網(wǎng)絡(luò)算法收斂速度慢、易陷入局部最小點的缺點,采用了具有較快收斂速度及穩(wěn)定性的lm算法進行預測,構(gòu)造了基于bp神經(jīng)網(wǎng)絡(luò)的建筑物用電量預測模型。以某市公共建筑原始用電能耗統(tǒng)計數(shù)據(jù)作為樣本,并采用matlab對預測模型進行了仿真預測。結(jié)果顯示:誤差在允許范圍內(nèi)。
基于人工神經(jīng)網(wǎng)絡(luò)的建筑物沉降預測
格式:pdf
大?。?span id="dtpr7vv" class="single-tag-height" data-v-09d85783>93KB
頁數(shù):2P
4.4
根據(jù)建筑物實測沉降利用人工神經(jīng)網(wǎng)絡(luò)理論,建立了前饋網(wǎng)絡(luò)預測模型并提出新的學習算法,結(jié)合某建筑物糾偏工程實例對建筑物沉降進行了預測.預測結(jié)果表明神經(jīng)網(wǎng)絡(luò)方法是可行且有效的.
神經(jīng)網(wǎng)絡(luò)在建筑物沉降分析中的應(yīng)用
格式:pdf
大?。?span id="fjd799l" class="single-tag-height" data-v-09d85783>686KB
頁數(shù):3P
4.3
建筑物沉降的誘因與沉降量之間有一個復雜的非線性相關(guān)性,應(yīng)用回歸法對這種復雜的相關(guān)性進行分析有較大的局限性。人工神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元組成的大規(guī)模非線性系統(tǒng),具有較強的動態(tài)處理能力,能對簡單的非線性函數(shù)進行多次復合,來實現(xiàn)一個復雜的非線性函數(shù)。神經(jīng)網(wǎng)絡(luò)這些特性滿足建筑物沉降分析的需求。實例表明,應(yīng)用神經(jīng)網(wǎng)絡(luò)bp算法可以對建筑物沉降原因進行更客觀的分析,對沉降趨勢預測效果也較好。
基于神經(jīng)網(wǎng)絡(luò)的建筑物沉降原因分析
格式:pdf
大?。?span id="zxrplpv" class="single-tag-height" data-v-09d85783>428KB
頁數(shù):3P
4.4
在我們應(yīng)用回歸方法對建筑物沉降原因分析及沉降趨勢的預測中,由于實際情況的復雜性及主觀認識的局限性,這樣所得的結(jié)果含有較多的人為因素,可能會與實際情況有所差異。針對這種情況,討論了應(yīng)用神經(jīng)網(wǎng)絡(luò)方法來發(fā)現(xiàn)和驗證引起建筑物沉降的因素及對沉降趨勢的預測。實例表明,該方法能取得較好的效果。
建筑物基礎(chǔ)沉降徑向基神經(jīng)網(wǎng)絡(luò)預測
格式:pdf
大?。?span id="jxrrj3d" class="single-tag-height" data-v-09d85783>310KB
頁數(shù):5P
4.6
為解決建筑物基礎(chǔ)沉降量的安全監(jiān)測問題,對其進行有效的預測、校核與分析,運用matlab軟件建立徑向基神經(jīng)網(wǎng)絡(luò)模型對某市建筑物的基礎(chǔ)沉降量進行預測.結(jié)果表明:徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式簡易,適應(yīng)能力更強,預測誤差比bp網(wǎng)絡(luò)小,平均約為66.83%,達到預測精準度所需的耗時短、收斂速度更快.徑向基神經(jīng)網(wǎng)絡(luò)的預測結(jié)果與實測結(jié)果較為吻合,表明徑向基神經(jīng)網(wǎng)絡(luò)預測模型適用于建筑工程沉降預測領(lǐng)域之中.
基于人工神經(jīng)網(wǎng)絡(luò)的建筑物軟基沉降預測
格式:pdf
大?。?span id="lfb7xv7" class="single-tag-height" data-v-09d85783>495KB
頁數(shù):5P
4.4
提出基于人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)最終沉降的預測新方法,通過工程實例應(yīng)用,在較短的實測資料情況下,可獲得較小誤差的最終沉降量,所建立的模型預測精度高。
粗集神經(jīng)網(wǎng)絡(luò)在建筑物震害預測中的應(yīng)用
格式:pdf
大?。?span id="v1hdh5l" class="single-tag-height" data-v-09d85783>581KB
頁數(shù):5P
4.7
將粗糙粗集理論和神經(jīng)網(wǎng)絡(luò)原理結(jié)合起來,建立了基于粗集-神經(jīng)網(wǎng)絡(luò)的建筑物震害預測模型。首先運用粗糙集理論,根據(jù)原始樣本建立決策表進行屬性離散化、屬性重要性排序、屬性約簡和分類規(guī)則的提取;然后將所提取的關(guān)鍵成分作為神經(jīng)網(wǎng)絡(luò)的輸入訓練模型。實例研究表明,基于粗集-神經(jīng)網(wǎng)絡(luò)的多層磚房震害預測結(jié)果與實際震害基本吻合。該模型簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高了訓練速度和分類精度,還能對各因素對房屋震害的影響度進行分析。
RBF神經(jīng)網(wǎng)絡(luò)在建筑物沉降預測中的應(yīng)用
格式:pdf
大小:154KB
頁數(shù):1P
4.7
介紹了基于matlab的徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)對于建筑物沉降預測的方法,討論了rbf神經(jīng)網(wǎng)絡(luò)的構(gòu)造思路、參數(shù)和分布密度spread的選擇。為建筑物變形監(jiān)測人員的數(shù)據(jù)分析、變形預測提供了一個可行的概念。
BP網(wǎng)絡(luò)在建筑物變形預報中的應(yīng)用
格式:pdf
大?。?span id="rflplzn" class="single-tag-height" data-v-09d85783>107KB
頁數(shù):3P
4.8
為探索人工神經(jīng)網(wǎng)絡(luò)用于建筑物變形預報的可能性,采用bp網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的回歸分析方法,處理變形觀測數(shù)據(jù)。結(jié)果表明,當影響建筑變形的因素較多,且各因素間存在非線性關(guān)系或關(guān)系不確定時,加歸分析預報的結(jié)果存在較大偏差,bp網(wǎng)絡(luò)有助于提高建筑物變形預報的精度。
應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行建筑物沉降預測
格式:pdf
大?。?span id="f7zjh3f" class="single-tag-height" data-v-09d85783>176KB
頁數(shù):2P
4.7
基于人工神經(jīng)網(wǎng)絡(luò)強大的動態(tài)數(shù)據(jù)處理能力和學習能力,本文對應(yīng)用bp神經(jīng)網(wǎng)進行建筑物沉降預測的方法進行了初步探討,并通過實例分析了該方法的可行性和實用性。
基于神經(jīng)網(wǎng)絡(luò)模型的建筑物變形預測
格式:pdf
大?。?span id="bjltzxt" class="single-tag-height" data-v-09d85783>369KB
頁數(shù):3P
4.8
提出了根據(jù)實測數(shù)據(jù)構(gòu)造神經(jīng)網(wǎng)絡(luò)變形預測模型的基本思路,構(gòu)造出基于bp算法的神經(jīng)網(wǎng)絡(luò)變形預測模型,并給出應(yīng)用實例分析。結(jié)果表明,神經(jīng)網(wǎng)絡(luò)應(yīng)用于變形預測效果良好,具有一定參考價值和指導意義。
城市規(guī)則建筑物陰影去噪
格式:pdf
大小:1.4MB
頁數(shù):6P
4.7
針對建筑物陰影提取受同物異譜和異物同譜特點的噪聲干擾較大這一問題;提出一種結(jié)合幾何特征和語義特征約束條件去噪的城市規(guī)則建筑物陰影提取方法;首先;針對陰影在his色彩模型中低亮度、高色調(diào)和高飽和度的特性;采用歸一化陰影指數(shù)進行初步陰影檢測;并與經(jīng)過過綠指數(shù)變換后的圖像做差值運算去除偏藍色地物的干擾;然后根據(jù)建筑物陰影特征采用4種幾何指數(shù)和陰影方向進行去噪處理;分別選取高分辨率衛(wèi)星影像和航空影像進行實驗;結(jié)果表明;該方法對于城市規(guī)則建筑物陰影提取具有較高的精度;并且結(jié)果邊界完整;無破碎圖斑;
遙感影像建筑物陰影中樹木陰影的去除方法
格式:pdf
大?。?span id="ppv5pzt" class="single-tag-height" data-v-09d85783>1.1MB
頁數(shù):3P
4.7
高分辨率多光譜遙感影像中的建筑物陰影具有重要作用。針對檢測到的建筑物陰影經(jīng)常受高大樹木陰影影響的問題,在可分離亮度的lab顏色空間建立樹木顏色模型,使用查表法準確檢測遙感影像中的樹木區(qū)域。提出根據(jù)樹木區(qū)域和光照方向去除建筑物陰影中樹木陰影的方法,通過實驗證明其有效性。
基于GIS和BP神經(jīng)網(wǎng)絡(luò)耦合模型的建筑物震害預測
格式:pdf
大小:1.4MB
頁數(shù):5P
4.6
采用comgis(組件式地理信息系統(tǒng))技術(shù)開發(fā)了結(jié)合專業(yè)震害分析模型的建筑物震害評估系統(tǒng),討論了基于bp人工神經(jīng)網(wǎng)絡(luò)和gis耦合模型的多層磚房震害預測.研究表明:水平成層土地震反應(yīng)分析程序shake91在vb菜單下可直接調(diào)用,實現(xiàn)地震動影響場計算的模塊化;bp神經(jīng)網(wǎng)絡(luò)應(yīng)用于建筑物震害預測中,能達到較理想的效果,其計算模型在系統(tǒng)菜單下可直接調(diào)用;系統(tǒng)的gis空間分析功能可使震害預測結(jié)果與建筑物信息進行空間匹配,實現(xiàn)地震災(zāi)害損失快速評估.
基于MATLAB的RBF神經(jīng)網(wǎng)絡(luò)在建筑物沉降預測中的應(yīng)用
格式:pdf
大?。?span id="pjtdztl" class="single-tag-height" data-v-09d85783>495KB
頁數(shù):4P
4.7
介紹了rbf神經(jīng)網(wǎng)絡(luò)的模型和結(jié)構(gòu),提出將該網(wǎng)絡(luò)應(yīng)用于建筑物沉降預測。運用matlab工具箱函數(shù)建立了沉降預測網(wǎng)絡(luò)模型,編制了計算程序,通過工程實例驗證了該模型的正確性和可行性,并和bp神經(jīng)網(wǎng)絡(luò)在收斂速度上進行了比較,結(jié)果表明rbf神經(jīng)網(wǎng)絡(luò)的收斂速度遠遠快于bp網(wǎng)絡(luò)。
基于約束滿足網(wǎng)絡(luò)的建筑物陰影結(jié)構(gòu)提取
格式:pdf
大?。?span id="9pvljpd" class="single-tag-height" data-v-09d85783>132KB
頁數(shù):未知
4.7
在分析了現(xiàn)有建筑物陰影識別提取方法不足的基礎(chǔ)上,介紹了利用約束滿足網(wǎng)絡(luò)提取黑白城區(qū)航空影像中建筑物陰影結(jié)構(gòu)的原理及方法,實驗表明,文中所述的方法是穩(wěn)健的。
智能化建筑物網(wǎng)絡(luò)工程設(shè)計方案
格式:pdf
大?。?span id="tdflptl" class="single-tag-height" data-v-09d85783>49KB
頁數(shù):9P
4.7
1/9 智能化建筑物網(wǎng)絡(luò)工程設(shè)計方案 一、設(shè)計依據(jù)和設(shè)計要求 1、設(shè)計依據(jù) (1)智能化建筑概況 建筑規(guī)模為地上20層,地下4層,共計24層,地上5層以上為標準層。工程設(shè) 計范圍主要是高層的主樓建筑,總計建筑面積約五萬多平方米。 (2)通信信息種類和數(shù)量 該智能化建筑的信息種類主要是話音和計算機數(shù)據(jù),根據(jù)用戶提供的各個樓層所 需的話音和計算機數(shù)據(jù)的信息點數(shù)量和分布如表1所列,話音信息點為1260個, 計算機數(shù)據(jù)信息點為629個。 (3)機房位置設(shè)置 根據(jù)用戶使用需要和設(shè)備配置等要求,在智能化建筑設(shè)計中已將用戶電話交換機 房和計算機主機房的位置,分別確定在5層和7層。 (4)配線架和纜線的設(shè)計 為了便于使用管理和維護檢修,根據(jù)用戶要求每個樓層均需設(shè)置配線架,用戶電 話交換機機房設(shè)置總配線架。 2、設(shè)計標準 根據(jù)國內(nèi)通信行業(yè)標準《大樓通信綜合布線系統(tǒng)》(yd
基于改進的BP神經(jīng)網(wǎng)絡(luò)高層建筑物沉降規(guī)律分析
格式:pdf
大?。?span id="rz1fdxj" class="single-tag-height" data-v-09d85783>917KB
頁數(shù):4P
4.7
隨著我國經(jīng)濟建設(shè)的不斷發(fā)展,多層建筑物已經(jīng)被高層和超高層建筑所替代。高層建筑物對單元地面所產(chǎn)生的壓力驟然增加,建筑物自身所存在的荷載相應(yīng)增加。本文主要利用數(shù)字水準儀對高層建筑h樓進行沉降觀測,設(shè)置15個周期,主體施工階段每2層觀測一期數(shù)據(jù),封頂之后觀測了5期數(shù)據(jù)。取3個點作為實驗分析數(shù)據(jù),得出了沉降變化曲線。利用bp神經(jīng)網(wǎng)絡(luò)、改進bp神經(jīng)網(wǎng)絡(luò),對沉降數(shù)據(jù)進行預測,取期間的沉降數(shù)據(jù)和期間累計沉降數(shù)據(jù)作為訓練樣本,根據(jù)兩個沉降數(shù)據(jù)預測值的大小,選擇合適的訓練樣本,提高預測精度。
應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預測建筑物空調(diào)負荷
格式:pdf
大小:412KB
頁數(shù):3P
4.3
用vb編制了人工神經(jīng)網(wǎng)絡(luò)的通用bp算法程序。根據(jù)西安參考年氣象參數(shù),采用動態(tài)模擬程序計算了某辦公樓4月至9月逐時冷負荷,結(jié)果顯示利用神經(jīng)網(wǎng)絡(luò)的預測值與計算值吻合。
灰色神經(jīng)網(wǎng)絡(luò)模型在建筑物變形預報中的應(yīng)用
格式:pdf
大小:656KB
頁數(shù):4P
4.3
介紹灰色神經(jīng)網(wǎng)絡(luò)模型的建模原理和方法,并采用該模型對實際的監(jiān)測數(shù)據(jù)進行處理和分析。結(jié)果表明,灰色神經(jīng)網(wǎng)絡(luò)模型能夠在小樣本、貧信息和波動數(shù)據(jù)序列等情況下對變形監(jiān)測數(shù)據(jù)做出比較準確的模擬和預報,從而能夠為變形監(jiān)測的數(shù)據(jù)處理提供一種較好的方法,能夠滿足實際應(yīng)用的需求。
文輯推薦
知識推薦
百科推薦
職位:城鄉(xiāng)規(guī)劃顧問
擅長專業(yè):土建 安裝 裝飾 市政 園林