改进的无单元Galerkin法分析薄板自由振动

改进移动最小二乘近似(IMLS)采用带权正交多项式基函数,避免了对力矩矩阵的求逆过程,从而比移动最小二乘近似(MLS)节省了计算时间.但是由于其只要求近似函数在各节点处误差的平方和最小,对近似函数导数没有任何限制,使得在处理要求导数连续等问题时产生较大误差.而考虑导数近似的广义移动最小二乘近似(GMLS),虽然提高了近似函数的精度,但由于增加了节点自由度,显著增加了计算时间.结合IMLS和GMLS各自的优点,给出了改进的广义移动最小二乘近似(IGMLS).该近似在构造函数时要求近似函数在所有节点处误差的平方和与近似函数导数仅在导数边界附近各节点处误差的平方和之和最小.同时,为了节省计算时间,基函数采用加权正交多项式.将IGMLS与无单元Galerkin法(EFG)相结合,给出了基于IGMLS的EFG法.通过对薄板离散建立了相应的薄板自由振动代数方程.通过数值算例证实了IGMLS比IMLS具有更高的精度,所需的运算时间要小于GMLS.     

基于神经网络误差修正的灰色广义预测控制

提出一种基于神经网络误差修正的多步灰色广义预测控制算法,采用神经网络对灰色系统的建模误差进行预测,同时根据新信息优先的原则,用最新预测误差不断更新神经网络建模数据,对新出现的误差具有动态补偿动力,最终预测值为模型预测值与预测误差之和,有效地抑制模型误差的影响,增强灰色广义预测的鲁棒性.仿真结果验证了该算法的有效性.     

LSTM网络在地铁隧道沉降预测中的应用研究

为提高地铁隧道沉降预测的精度,研究长短记忆网络(LSTM网络)在地铁隧道沉降预测中的作用。分别利用反向神经网络(BP神经网络)和LSTM网络建立模型,结合2组地铁隧道实测数据,对模型的预测精度进行了比较和分析,试验结果表明LSTM网络优于BP神经网络并有较高的预测精度,与BP神经网络模型相比LSTM网络模型预测误差降低幅度可达35%,相对误差降低幅度可达42%,均方根误差值降低幅度为55%,预测的结果更接近实际测量结果。研究表明将深度学习的方法之一LSTM网络引入到地铁隧道沉降监测中,提高了预测精度。     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络(convolutional neural network,CNN)和长短时记忆(long short-term memory,LSTM)神经网络的短时交通流预测方法.首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的...     

非线性PCA方法在股价预测中的应用研究

针对传统PCA(主元分析)股票价格预测方法在非线性过程应用中存在的缺点,本文提出了一种基于RBF神经网络的非线性PCA(NLPCA)方法,不仅提取了高维原始数据的线性信息还能提取非线性信息.在此基础上进一步提出了样本中误差的检测方法,仿真试验表明它能有效地减小误差点对网络训练精度的影响,大大增强了股票价格预测的准确性.     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法（empirical mode decomposition,EMD）优化非线性自回归（nonlinear auto regressive,NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.     

基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型

应用基于主成分分析的BP神经网络和RBF神经网络建立了气温预测模型.通过比较模型的均方误差(MSE)和平均绝对误差(MAE)值可知,采用主成分分析的BP神经网络得到的预测模型的误差小于主成分分析的RBF神经网络预测模型.结果表明,模型采用主成分分析提取了影响因变量的重要因子,去掉了网络输入样本的自变量之间的重叠因子,同时也提高了预测能力.     

基于双曲正弦函数的新变步长LMS算法

对自适应最小均方误差(LMS)滤波算法的步长选取问题进行了研究.在分析现有变步长LMS算法的基础上,通过对双曲正弦函数进行数学变化,构造步长因子u(n)与误差信号e(n)的函数,提出了一种基于双曲正弦函数的新变步长LMS算法,分析了参数a、b、c的选取对该算法性能的影响.仿真结果表明:该算法在收敛速度和稳态误差方面明显优于固定步长LMS算法及SVS-LMS算法.     

基于修正动态组合模型对公共交通客运量的预测

针对公共交通客运量的预测问题，结合ARIMA、灰色预测以及BP神经网络的优势，采用临近期的误差平方和来计算动态权重，将突发事件定义为影响因子，建立了修正动态加权组合模型．选取北京市1978—2021年公共交通客运量进行实证分析．实证分析结果表明，修正动态加权组合模型的预测效果比单一模型和固定权重组合模型更好．     

LSTM神经网络模型在GPS变形监测中的应用研究

为提高GPS变形监测在工程应用中的精确度,研究LSTM神经网络在变形监测中的作用。分别利用建立的GM(1,1)模型和LSTM神经网络模型对GPS变形监测工程案例进行应用分析,与GM(1,1)模型相比LSTM神经网络模型预测误差降低幅度可达58%,相对误差降低幅度可达62%,RMSE值降低幅度为66%,结果说明LSTM神经网络模型较GM(1,1)模型有更高的预测精确度,预测结果更接近实际测量结果,深度学习的方法之一LSTM神经网络模型在GPS变形监测中有很高的应用价值。     

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法．该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识，利用多步预测误差对PID型控制器网络进行训练，从而实现PID参数的在线自适应寻优．通过对典型非线性系统的仿真研究，该控制系统具有较强的适应性和鲁棒性．     

多脉冲发放的Spiking神经网络

针对允许神经元发放多个脉冲的Spiking神经网络(SNN)的学习,提出采用更接近生物神经元的SRM模型,更全面地考虑了神经元在发放脉冲后的状态变化,并采用BP学习算法调整神经元的不应期. 通过对XOR问题、IRIS数据集以及泊松脉冲序列的测试,表明这种多脉冲发放的SNN比单脉冲发放的SNN能够更有效地传递信息,提高学习速度.     

(Zr0.7Sn0.3)TiO4陶瓷性能预报的支持向量回归模型

将支持向量回归方法用于(Zr0.7Sn0.3)TiO4陶瓷的配方性能关系研究中,分别建立了(Zr0.7Sn0.3)TiO4陶瓷介电常数和损耗角正切的支持向量回归模型,并与逆传播人工神经网络、多元线性回归模型进行了比较.用留一法分别检验了支持向量回归、逆传播人工神经网络和多元线性回归3种不同模型的预报能力,结果表明:上述3种模型对于(Zr0.7Sn0.3)TiO4陶瓷介电常数的留一法预报的平均相对误差分别为1.083%、1.632%、1.931%,对于损耗角正切的留一法预报的平均相对误差分别为0.999%、1.746%、1.414%.因此,支持向量回归模型的预报能力较好,可望在陶瓷配方设计中的多变量、非线性问题和小样本体系中发挥较好的作用,为新型介电陶瓷的性能预报和配方优化提供一条全新可靠的途径.     

傅立叶神经网络建模研究

基于函数逼近论，将一组傅立叶基函数作为三层前向神经网络各隐含神经元的输出特性，以其加权和作为网络的非线性输出，构成一种新型的傅立叶神经网络；从理论上解决了单输入神经网络隐含层数及隐含神经元个数难以确定的问题。仿真实验表明，该网络具有优良的逼近任意非线性特性的能力。     

卫星编队飞行的神经网络滑模控制

该文推导卫星编队飞行的一般相对运动动力学模型,研究将指数趋近律滑模控制与神经网络控制相结合的卫 星编队飞行控制方法,设计一种径向基神经网络参数调节器. 实时调节指数趋近律的参数,从而取得滑动面的趋近速度 和燃料消耗的最优平衡. 采用指数趋近律滑模控制法,用饱和函数代替可能产生高频切换信号的开关函数,有效地削弱 了滑模控制的抖动. 二阶滑模控制结构保证了卫星编队的高精度控制. 仿真结果表明了这一控制方法的有效性.     

应用干扰观测器的导弹发射车起竖装置鲁棒控制

针对现有垂直导弹发射车起竖装置的起竖平稳性不足和快速性不够的问题,对起竖装置的运动学部分和液压部分进行建模,在此基础上利用backstepping方法实现起竖角的精确控制. 由于系统存在着建模不确定性误差和未知外部干扰,运用径向基神经网络干扰观测器对其进行估计,并将估计输出应用于起竖角的控制,从而提高了系统控制精度. 仿真结果表明,所设计的基于径向基神经网络干扰观测器导弹发射车起竖装置backstepping控制器具有良好的动态特性和强鲁棒性.     

一种基于神经网络的并行设计活动调度方法

对并行产品开发过程中的活动进行调度,对于缩短开发周期、降低成本、减少返工和确保具有串行关系的活动尽可能地并行进行具有重要意义.针对并行活动调度问题提出了一种约束满足神经网络与启发式结合的算法.其中神经网络用于获得所有活动的可行的开始时间;用启发式算法求得基于资源约束的调度问题的可行解;然后用梯度搜索算法优化可行调度方案得到最终优化可行调度解.应用实例表明此法对并行活动调度的有效性和可行性.     

基于代价敏感卷积神经网络的集成分类算法

针对不平衡数据集中少数类样本分类识别率较低的问题,提出一种基于代价敏感卷积神经网络(cost sensitive convolutional neural network,CSCNN)和AdaBoost的分类算法(classification algorithm based on cost sensitive conv...     

基于小波神经网络的非线性函数的逼近

给出了一种基于BP神经网络的自适应小波神经网络的模型 .该模型根据逼近函数的特性 ,选择不同的小波函数作为网络隐层 ,输出层是一个线性神经元输出 ,网络参数通过自适应调整得到 .实验结果表明 ,这种网络不但可以精确的逼近一般的非线性函数 ,也能实现对混沌时间序列的精确学习 ,而且网络的收敛速率比BP网络更快 .