共查询到19条相似文献,搜索用时 125 毫秒
1.
2.
基于神经网络的建筑行业投标报价研究 总被引:9,自引:1,他引:8
在建筑行业的投标报价过程中,如何在众多的信息中选出对最终报价影响较大的几项因素以及如何确定这些因素与最终报价之间的关系是一个棘手的问题.论文针对这两大难题提出了基于神经网络技术的解决方法.首先根据贡献变量分析理论确定出影响报价结果的9个报价因素,从而建立起基于神经网络的报价模型,然后在所确定模型的基础上改进传统的BP算法,进一步提高网络的泛化能力.从实际应用的结果可以看出,经过变量选择后所确定的报价因素是合理的,改进学习算法后的网络的泛化能力也有了很大的提高. 相似文献
3.
提高预测精度的ELMAN和SOM神经网络组合 总被引:6,自引:0,他引:6
针对预测样本数量有限的问题,提出了对训练样本和要预测的样本先聚类、后分别训练和预测的方法。利用网络特性,对复杂信息进行预先分类,使后续信息处理和映射更精确迅速,采用ELMAN神经网络和SOM神经网络的组合提高预测精度。通过对天气和疾病的预测仿真实验表明,该方法增强了网络的局部泛化能力,预测精度高于BP网络和单一采用EMAN网络或SOM网络的精度。 相似文献
4.
5.
6.
针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。 相似文献
7.
神经网络在预测编码中的应用 总被引:3,自引:0,他引:3
讨论如何有效地利用backpropagation(BP)神经网络进行预测编码。改进的BP算法可以提高BP神经网络地收敛速度、泛化能力和稳定性。一般而言 ,四层网络比三层网络具有更快地学习速度 ;二阶网络比一阶网络性能更优越。利用MATLAB程序 ,构造三层、四层和二阶BP神经网络进行预测编码。测试结果表明 ,利用规模足够大的三层BP网络进行预测编码可以取得较好效果 ;四层和二阶网络比等价的三层网络可以更有效地进行预测编码 相似文献
8.
9.
氧乐果合成过程具有非线性、时变和不确定性的特点,难以采用常规的建模方法建立模型。BP网络可用于非线性系统的建模,但不能很好的反映实际系统的动态特性。提出了一种静态BP神经网络加多分头延时(TDL)环节构成回归神经网络建立系统动态模型的方法,用于氧乐果合成反应温度控制过程的建模与仿真研究。结果表明,该方法建立的模型误差较小、网络泛化能力较强,能较好的反应实际系统的动态特性,从而为培训操作人员的控制水平提供了低成本的仿真手段,也为自动控制算法的研究提供了仿真模型。 相似文献
10.
11.
12.
从理论上给出有限样本下模型选择的方法,详细讨论了样本噪声对模型选择的影响,提出了一种次优模型选择算法,并进一步给出了一种推挽式模型选择算法,它能够有效地提高模型选择的学习速度。两种算法具有很强的抗噪声能力,预测模型也具有很好的推广性。最后通过具体数值试验验证了上述理论和方法的可行性和优越性。 相似文献
13.
针对前向神经网络泛化问题,从函数论的角度分析了影响前向神经网络泛化性能的因素。为了提高网络的泛化性能,从理论上分析指出,在网络学习过程中通过增加隐含层神经元来降低网络最大固有误差和最大样本误差的同时,要求确保网络泛化定义域尽可能接近网络输入定义域,否则将有可能降低网络的泛化性能。通过数值试验验证了上述结论。 相似文献
14.
15.
基于核主元分析和最小二乘支持向量机的软测量建模 总被引:2,自引:1,他引:2
软测量技术是工业过程控制和分析的有力工具,它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析(KPCA)和最小二乘支持向量机(LSSVM)的软测量建模方法,利用核主元分析提取软测量输入数据空间中的非线性主元,然后用最小二乘支持向量机进行建模,不但降低模型复杂性,而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模,仿真结果表明:与SVM、PCA-SVM建模方法相比,该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点,是一种有效的软测量建模方法。 相似文献
16.
一种新型复合神经网络模型 总被引:3,自引:0,他引:3
本文首先详细地阐述了BP神经网络和CMAC神经网络各自的结构,原理以及算法。提出了一种BP神经网络与CMAC神经网络组合起来的新型复合神经网络模型,并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明,这种复合神经网络在保留了BP和CMAC各自特长的基础上,同时具有学习速度快,泛化能力强等特点 相似文献
17.
随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义. 相似文献
18.
19.
多输入模糊神经网络及其应用 总被引:12,自引:0,他引:12
为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。 相似文献