改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

Preisach迟滞模型分类排序法的神经网络实现

针对非线性系统的迟滞特性开展建模研究,提出了一种Preisach模型分类排序法的神经网络实现方法,据此对压电陶瓷执行器纳米定位系统的迟滞非线性进行建模. 兼顾到迟滞的擦除特性和建模的精确度,建立BP神经网络求取收缩函数,避免了插值法求收缩函数值带来的插值误差. 实验结果表明,神经网络分类排序实现方法有效提高了Preisach模型的精度,减小了模型的误差.     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

塑封焊球阵列焊点三维形态预测及其"整体"近似优化设计

针对传统优化技术进行焊点三维形态优化时费时耗力且浪费计算资源等缺点，提出采用“整体”近似优化技术，结合线性最小二乘方法，BP（Back Propagaiton）神经网络，在整个设计变量空建立问题函数近似面，利用该函数近似面来求取目标函数最大值，并得到相应的设计变量值，达到爆点三维形态优化设计的目的，最后对线性最小二乘模型，BP神经网络拟合非线性函数的能力和近似优化能力进行了比较讨论，结果表明，利用“整体”近似优化技术来优化设计焊点形态是简便可行的，且BP网络模型拟合“整体”近似函数面比线性回归模型具有更高的精度，所得的近似优化结果更理想。     

宿豫区似大地水准面的精细化研究

对GPS高程的多项式曲面拟合、多面函数拟合和BP神经网络拟合算法进行了比较分析．结果表明,三种拟合算法均能达到四等几何水准的要求,但BP神经网络拟合算法精度最高,多面函数拟合算法精度最低．     

基于BP神经网络和粒子群算法的钢管混凝土拱桥可靠度分析

文章针对大跨径钢管混凝土拱桥结构可靠度求解困难的问题,将BP神经网络与粒子群算法引入拱桥可靠度分析领域,首先利用BP神经网络对结构极限状态函数进行拟合,将高度非线性的极限状态方程显式化,然后采用粒子群算法全局搜索验算点并求解可靠指标。计算分析结果表明,BP神经网络和粒子群算法弥补了传统可靠度分析方法的不足,提高了计算精度,为大跨径桥梁结构可靠度研究提供了新的思路和手段。     

基于BP神经网络与加权模糊马尔可夫链的粮食组合预测模型

根据数据序列具有宏观变化、微观波动、相近性和相依性,建立了基于BP神经网络与模糊加权马尔可夫链的数据预测模型.首先利用BP神经网络对数据拟合,对残差进行模糊C均值聚类得到马尔可夫链的状态区间,以此求出状态转移概率矩阵,并利用归一化后的自相系数对其进行改进,确定出预测数据所属状态区间,根据状态区间求出预测值.从实例分析表明该文算法具有较高的精确度和可靠性,应用前景广阔.     

BP神经网络在方钢管混凝土轴心受压试验数据拟合中的应用

本文使用BP神经网络对方钢管混凝土轴心受压试验的数据进行拟合，并将BP神经网络的拟合曲线与10次多项式的拟合曲线进行了对比。结果表明，建立的BP神经网络模型能够准确拟合方钢管混凝土轴心受压的试验数据，具有较好的非线性拟合效果，拟合精度高。     

非线性主动噪声神经网络补偿控制

针对目前主动噪声控制方法需要对次级通道进行辨识,且辨识模型精确度严重影响控制效果的问题,提出一种基于神经网络前馈补偿的非线性主动噪声控制方法. 该方法利用神经网络的非线性函数逼近能力,将非线性次级通道作为被控对象,非线性主通道作为噪声模型,设计基于神经网络补偿的噪声控制系统. 该方法无需已知主通道和次级通道模型,且基于Lyapunov定理证明了控制系统的稳定性. 仿真结果表明了该方法的有效性.     

基于Gaussian型RBF神经网络的一元函数逼近性能研究

为了研究Gaussian型RBF神经网络对于一元非线性函数的逼近能力，编程建立了Gaussian型RBF神经网络和BP神经网络，并以正弦函数、指数函数、阶跃函数三种典型的一元非线性函数为例，分别用两种神经网络对其进行逼近．仿真结果表明，相对于传统BP神经网络而言，Gaussian型RBF神经网络对于一元非线性函数的逼近精度更高、收敛速度更快，具有良好的逼近能力，为解决一元非线性函数的逼近问题提供了良好的解决手段．     

基于BP算法的股票均价预测技术研究

介绍了神经网络的基本概念和组成,提出了BP算法的改进型算法及基于BP算法的均价预测模型.借助前馈神经网络对非线性函数的逼近能力,对青岛海尔股价进行连续若干天的预测.通过不同形式误差函数对预测结果的比较,证实改进后BP算法用于均价预测的可行性及准确性.     

基于神经网络的黄金期货价格的预测

黄金期货市场是一个极其复杂的非线性动力系统,由于神经网络具有很强的非线性逼近能力,理论上能无限逼近任意非线性函数.选用了应用最广泛的BP 神经网络模型来预测黄金期货的价格.对采集到的影响黄金期货价格的因素数据进行了归一化处理后建立BP神经网络并进行了模拟训练,然后用训练好的网络进行检验,并比较了输出结果和真实值,发现用BP神经网络模型能够将误差控制在一个较小的范围内.经过实证研究可以发现BP神经网络用于价格预测可达到较好的效果.     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

基于灰色模型的节水灌溉面积非线性组合预测

对数据进行建模预测分析时,较多采用单个模型,而单个模型难以全面反映数据的变化规律.为发挥单个模型自身优势,利用组合原理将单模型组合形成组合预测模型,以提高预测精度.组合模型中常采用线性组合方法,然而被组合模型拟合值与原始数据不具有线性关系时采用该方法效果较差.利用神经网络的高度非线性拟合能力,构建BP神经网络的非线性组合模型,并应用到我国节水灌溉面积年度数据预测上.实证表明,非线性组合预测模型精度优于单模型及基于最优加权的线性组合预测模型.     

基于神经网络的泡沫混凝土强度及导热性能预测

基于神经网络原理,建立预测泡沫混凝土性能的BP神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。     

OQAM-FBMC系统中HPA非线性失真的自适应补偿方案

针对高功率放大器(HPA)的非线性特性,提出了基于神经网络的非线性补偿方法.根据反向传播神经 网络(BP NN)对于非线性函数的拟合性,利用间接学习方式和迭代算法拟合出HPA的逆函数,并将其与HPA串 联,达到非线性补偿的作用.针对HPA参数固定及时变的两种情况,提出了固定非线性补偿方案和自适应非线 性补偿方案.仿真结果表明两种方案均对系统中HPA引起的非线性失真具有较好的补偿效果,其中自适应非线 性补偿方案性能更好,且对于HPA参数的时变性跟踪效果更佳.     

铣削加工颤振稳定性可靠度的计算方法

铣削过程中的系统参数往往具有随机性,严重影响了铣削加工的稳定性.利用BP神经网络综合分析了随机因素对铣削加工过程的影响,提出了一种铣削加工再生型颤振稳定性可靠度计算方法.建立铣削加工再生型颤振动力学模型,使用全离散法获取铣削稳定性叶瓣图.利用神经网络拟合极限轴向切深的函数表达式,再分别使用蒙特卡罗法和一次二阶矩法进行可靠度计算.结果表明,基于BP神经网络的方法兼具高效和精确的优点.     

粗糙集-改进神经网络落煤瓦斯涌出量预测

为对井下落煤瓦斯涌出量进行预测,采用粗糙集与改进神经网络相结合的方法,在样本数据的筛选上吸取粗糙集数据约简的优点,使选择的数据样本简洁且更具代表性;充分利用BP神经网络的非线性拟合能力,将遗传算法与其相结合,避免BP网络陷入局部最优.利用编写的程序确定隐含层节点数,相比以往经验公式取值更具优势.最后在任家庄煤矿成功应用.研究结果表明:利用粗糙集与改进神经网络相结合模型进行预测,结果准确可靠,克服了以往BP模型的不足.该模型对井下落煤瓦斯涌出量预测具有一定参考价值.     

防止BP神经网络训练函数进入局部误差振荡缺陷的一种方法

在应用MATLAB软件神经网络工具箱函数训练获取BP神经网络权值矩阵函数或非线性数学模型时,由于BP神经网络训练样本集中输入、输出(目标)样本参数的绝对值和离散性有时太大或过于集中,在网络权值矩阵误差函数逼近过程中,易产生局部误差最优或误差振荡等缺陷。本文介绍一种利用MATLAB神经网络工具箱prestd和poststd函数,通过对输入、输出(目标)样本参数进行正规化处理,使其不至于太小,可防止在网络权值矩阵函数训练时不会进入局部误差最优或误差振荡的缺陷区域。经实例分析计算证明,该方法在如何优化获得实用可靠的BP神经网络权值矩阵函数是有效可行的,对研究MATLAB语言用于网络系统控制和非线性函数或数学模型逼近研究工程技术人员具有一定的参考价值。     

基于BP神经网络太阳影子定位问题研究

对于直杆太阳影子的定位问题,根据地理知识建立太阳影子和各个物理量之间的函数关系模型,在该模型的基础上利用BP神经网络良好的非线性拟合能力和自学习能力,由直杆太阳影子反演出直杆可能所在地理位置和所测日期。