标准规范下载简介和部分内容预览：
利用神经网络学习的岩体分级图1所示的是一个具有隐单元的三层前馈神经网络（FeedforwardNeuralNetwork）.输入层 接受围岩的地质特征和工程、采矿信息·输出层给出与输入信息（模式）相匹配的岩体等价级
冯夏庭等：利用神经网络学习的岩体分级
db3304t 084-2022 农村生活垃圾数字化管理规范岩体分级学习的神经网络模型
没输入层有n个神经元（X，X，"，X.），输出层有m个神经元（Y，Y2，"，Ya）.对于学习样 合X和Y.可认为存在某一映射F，使
K=1,2,**·
Y:=F(Xk) 人 ，2，·*，
M:R→R Y=M(X)
PDP神经网络模型学习的目标是通过调整权值W使误差信号达到最小.当误差不再减 或所有样本都产生期望输出时，学习结束。 学习算法描述如下： （1）确定岩体分级学习的神经网络结构（网络层数及各层上神经元的个数） （2）给出学习样本集的输入向量X和输出向量Y。 (3）置初值权值W（0）和初始阔值0（0)为小的随机数值 （4）重复执行下列过程直至收敛， begin 对K=ItoV，正向推理出神经元i的输出：
O=f(eta）=S（H(O,+0.）
其中，x，分别为输出神经元的期望输出和实际输出 （6）若3E（或VEx）≤e（e为一很小的临界值）.或H不再减小，则学习结束.否则，在输出 神经元设置一递归函数，进行误差反向传播，转向（7） （7）逐层计算神经元的偏差
（8）按梯度下降法修正权值与阙值
式中，n为学习收敛率、n∈（0，1）；α为动量系数，a∈（0，1）t为选代步骤。 （9）转间（4）
岩体分级知识学习与自适应模
（输出层） （隐层）
对于实际的工程岩体，总结出影响其质量的各种因素，收集样本·抽取参数值，并进行导入 导出变换·抽取的输入向量
X=(X,X.…",X
其中，X一岩性；X一岩石风化程度（未风化、弱风化、微风化、强风化、剧风化）；X，一主要 结构面组数；X—结构面平均间距；Xs—结构面张开宽度；X。—结构面粗糙度；X；—结构 面充填胶结物；X—结构面贯通性；X。一结构面走向；X—结构面倾角；X—岩体结构 类型（整体结构、块状结构、层状结构、薄层状结构、镶嵌碎裂结构、夹泥碎裂结构、层状碎裂结 构、散体结构）X2一岩体完整性系数；Xs—岩石单轴抗压强度；X一地下水出水状态（干 燥、潮湿、淋水、滴水、涌水）；Xs一岩体工程类型；X—岩石工程断面尺寸；X：一洞室轴线 方向；一爆破震动等动载的影响；X一原岩应力 输入层神经元的输入值由X，值确定.①若X，特征取值唯一，则以X，的值输入②若 X，特征有P个可能的值（如Xn有8种可能的取值），每个值的可信度为V（0≤i≤P），则神经元 √的输入值为
若 S(K.r)Er
输出神经元输出岩体的等价级别0346.安全监管执法机构专业执法装备采购(四次，对于各个级别，的取值见表1.新识别的样本可根据
网络的实际输出y按表1进行归类
冯夏庭等：利周神经网络学习的岩体分级
表1各级别的期望输出与实际输出值范围
表2神经网络系统的识别结裂
表3待识别岩体的神经网络分级结果
上面的分级结果表明桥梁工程施工组织设计 doc，用神经网络进行岩体分级知识学习，并进行自适应模式识别是可行 的，而且可以获得比以往方法更可靠的结果
（1）用神经网络进行岩体分级知识学习和自适应模式识别.其成功关键在于学习样本集 的规模及其代表性.本文选取的学习实例代表性强·故分级结果是可靠的， （2）连续、自适应的学习是岩体分级神经网络系统的一个重要特征.新遇到的地质条件可
让网络继续学习，并随着样本的不断扩大、输人参数边界的扩展，知识将更加完善。 （3）采用非线性动态处理和自组织的神经网络方法可以避免靠建立复杂的数学模型描述 非线性关系所遇到的困难 （4）对输入参数的约束非常小，输入数据可以是定性的、模糊的·也可以是定量的，还可以 是缺项、含有噪声的 （5）实际应用表明，方法可靠，可以获得令人满意的结果.在此基础上开发的系统已联接 到岩体分级专家系统中.?]