用神经网络组合预测法估算反舰导弹研制费用

运用BP神经网络组合预测法对反舰导弹研制费用进行估算。首先利用回归分析法建立三元线性回归模型对导弹研制费用进行估算,然后利用3层前馈型BP神经网络对导弹研制费用进行估算,最后利用人工神经网络中的BP网络对所得结果进行组合预测。计算实例表明,使用该组合预测方法所得的预测结果比单使用神经网络或回归分析方法所得结果的总体误差要小,因而该方法是可行而有效的。     

宽波段与窄波段植被指数估算大豆LAI对比研究

分析比较几种常见宽波段植被指数和高光谱窄波段植被指数与大豆叶面积指数(LAI)的相关性及其预测力,通过建立不同植被指数与LAI之间的统计回归模型,发现各植被指数均与LAI曲线相关,相关关系可分为两种不同的模式——幂函数关系和指数函数关系。对于全部植被指数和窄波段植被指数而言,一阶微分绿度植被指数1DZ-DGVI对大豆LAI的估算效果最佳;而对于宽波段植被指数而言,以宽波段三角植被指数B-TVI的效果最佳。通过对比发现,在估算大豆LAI方面,窄波段植被指数并没有表现出明显的优势性,有些植被指数甚至还没有其对应宽波段植被指数表现的好。不论从回归分析结果的均方根误差RMSE来看,还是从模型检验的均方根误差RMSE和相对误差RE来看,B-TVI的表现与1DZ-DGVI的表现相差不多,因为两者回归分析和模型检验的RMSE分别相差0.0153、0.0083,模型检验的相对误差仅相差0.0043,这表明宽波段光谱植被指数可以用来监测大豆LAI。图2,表3,参22。     

基于Worldview-II多光谱遥感数据纹理

提出了一种基于Worldview-II多光谱遥感数据的纹理特征提取方法。该方法针对Worldview II的8个波段,通过主成分分析(principle component analysis, PCA)变换进行多光谱遥感数据压缩,针对压缩后的数据特点建立主成分灰度差频空间(gray level difference frequency space, GLDFS),并利用GLDFS对多光谱遥感数据进行纹理特征提取。实验结果表明,与传统的灰度共生矩阵(gray level co occurrence matrix, GLCM)单波段纹理分析方法相比,该方法能够保持多光谱数据之间的协同关系,具有更高的分类精度和执行效率。     

基于多光谱的空间点目标特征提取与识别

针对空间目标多光谱测温问题,提出了新的多光谱特征分析方法.该方法把目标红外辐射分为长、中、短三个波段,分析提取三个波段内的辐照度,以及长波段、中波段辐照度与短波段辐照度的比值,估算出目标温度.该方法避免了对目标光谱发射率的估计,有效减少了误差.最后基于系统参数,计算出有效辐射面积,并利用BP神经网络对四类目标进行识别试验,取得了较好的识别效果.     

多元散射校正和逐步回归法建立黑土有机碳近红外光谱定量模型

采用全谱建立近红外校正模型，计算工作量大且冗余信息多。通过特定方法筛选特征波长有可能得到更好的定量校正模型。逐步回归法在波长选取方面起到了重要的作用。多元散射校正技术（Multiple scatter correction，MSC）可以有效剔除由样品颗粒大小、装填密度、湿度等不同引起的散射影响，有效提高光谱的信噪比。以我国东北黑土为研究对象，采集了136个土壤样品3699cm^-1-12000cm^-1范围的近红外光谱，利用多元散射校正技术对近红外原始光谱数据进行预处理，评价MSC的去噪效果，并利用多元线性回归法建立了土壤有机碳含量与校正光谱优选波长点处吸光度之间的关系模型，评价多元逐步回归法优选波长的有效性。结果表明，多元散射校正技术有效降低了散射的影响，提高了相关光谱的信噪比，模型决定系数从0．598提高至0．681。基于手动挑选波长建立的模型决定系数高达0．956，预测样品集模型预测值与实测值之间的相关系数为0．823。手动挑选波长建立的SOC模型预测能力优于基于逐步回归方法建立的定量模型，利用逐步回归分析法优选波长还需要进一步研究。图7,参26。     

基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究

2003与2004年分别在长春市良种场与中国科学院海伦黑土生态实验站,实测了大田耕作与不同经营制度作用下玉米冠层高光谱反射率与叶绿素a含量、叶面积指数（LAI）数据。采用NDVI（Normalized Difference Vegetation index）、SAVI（Soil-Adjusted Vegetation Index）、TVI（Transformed Vegetation Index）、MTVI2（Modified Transformed Vegetation Index2）等植被指数建立了玉米叶绿素a与LAI反演模型;应用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对玉米叶绿素a与LAI进行估算。研究发现NDVI、SAVI、TVI、MTVI2植被指数可以较为准确的估算玉米叶绿素a、LAI（R^2〉0.70）;小波能量系数回归模型可以进一步提高玉米叶绿素a含量、LAI的估算水平,以一个特定小波能量系数作为自变量的回归模型,玉米叶绿素a、LAI回归确定系数R2分别高达0.79、0.82;以多变量回归分析表明玉米叶绿素a、LAI实测值与预测值的线性回归确定性系数R2分别高达0.87、0.90。以上结果表明,小波分析可以对高光谱数据进行特征变量提取,进而反演玉米生理参数,对其他植被生理参数反演具有一定借鉴意义。图3,表4,参11。     

上市公司财务困境预测模型比较研究

以中国上市公司为研究对象,以因财务状况异常而被特别处理作为上市公司陷入财务困境的标志,采用交叉验证技术建立各种统计和神经网络模型,并在独立的预测样本集上进行比较.实验结果表明统计和神经网络模型都能有效地进行财务困境预测,对于提前两年预测,统计模型优于神经网络模型,而对于提前三年预测,神经网络模型优于统计模型.实验结果也表明了在与训练集同一财务年度区间内的测试集上不能正确估计模型的性能.     

稻田玉米生长发育的计算机仿真模型

基于对玉米生长发育过程中发育模式、光合作用、呼吸作用、作物生长速率与干物质分配和叶面积发育的研究分析，建立了稻田玉米生长的计算机仿真模型。通过田间实验结果的验证表明，模型对稻田玉米的生育期，地上部茎叶干物质的动态及叶面积的变化的模拟与实测值较为一致，可以用于预测生长期及获得相关的群体变化指标。     

支持向量机的时间序列回归与预测

详细分析了支持向量机用于时间序列预测的理论基础。采用支持向量机、RBF和Elman神经网络模型,对仿真时序和工程滑坡变形时序进行了回归与外延预测。结果表明,在噪声水平较低时,SVR回归效果稍好,Elman与RBF网络的稳健性相对较差;随着噪声水平增大,两种神经网络的回归精度迅速下降。对于外延预测,两种神经网络仅限于短期的非线性模拟,而泛化性能更好的SVR在短期具有比较理想的效果,在较长的时间区间里也具有较高的预测精度(7步预测准确度控制在83.5%以上)。     

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1, N )模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力, 同时能够得到较好的预测精度和稳定性.     

径向基函数神经网络的遥感图象分类

针对遥感图象分类的特点,提出了一种径向基函数神经网络的遥感图象分类器。实验结果表明,这种径向基函数神经网络分类器经过训练后,可应用于遥感图象的分类。通过与BP经网络分类器相比较,径向基函数神经网络分类器在学习速度和分类精度等方面具有一定的优势。     

基于PSO-BP的应急通信感知装备效能评价方法

应急通信感知装备效能评价可支撑相关装备的发展规划, 而现有评价方法主观性强, 且自适应能力有待提升。因此, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法的改进反向传播(back propagation, BP)神经网络的应急通信感知装备效能评价方法, 旨在建立客观精准的效能评价。首先面向实战效能构建了三级效能评价指标体系, 然后将样本数据进行主成分分析法降维, 建立BP神经网络回归模型, 并结合PSO算法对模型的连接权值与阈值进行优化, 形成PSO-BP模型以避免局部极小值问题, 获得可评价具体装备效能时的神经网络模型。实例分析表明, PSO-BP相较于BP神经网络模型评价的均方误差减少了28.18%, 表明PSO-BP模型具有更高的准确性。     

跨越连接BP算法及其在卷烟制丝工艺中的应用

传统BP神经网络算法及其改进算法都是非完全全连接神经网络算法,具有收敛速度慢,泛化能力差等不足.通过对神经网络连接方式的转化,可以得到一种完全全连接神经网络--跨越连接神经网络,并给出了跨越连接BP神经网络算法.针对卷烟制丝工艺的仿真实验表明,该算法具备描述复杂数据的能力,与传统BP算法相比,网络训练收敛速度快且泛化能力强.     

基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。     

过程神经元网络学习算法及软测量方法的研究

研究输入输出以及连接权函数均可为时间函数的过程神经元网络(process neural network,PNN)的学习算法,在基本算法上增加基函数展开系数的规一化处理、权函数动量项调整项,提出学习率自适应调整方法和加速网络收敛速度的改进算法。将过程神经元网络引入到生产过程质量参数的软测量,研究基于正交基展开的过程神经元网络算法,通过分析原网络收敛速度慢等问题,对传统BP算法加以改进,实现了污水处理过程出水水质BOD的预测,仿真取得较好的结果,实践证明这是一种时变过程参数软测量的新方法。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

基于变尺度优化方法的快速神经网络学习算法研究

本文提出一种基于变尺度优化方法的多层前向神经网快速学习算法（ＭＤＦＰ），实验结果表明，这种算法对于加快网络的收敛速度有着显著成效     

基于BP神经网络与小波的控制研究

本文利用ＢＰ神经网络对被控对象进行在线辨识以及利用ＢＰ神经网络与小波对被控对象进行控制，通过某电厂过热器汽温为对象仿真验证此方法比一般ＢＰ神经网络效果好     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。