支持向量机在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测人工神经网络法的过学习与局部极小点等问题,通过对城市时用水量数据特征的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于支持向量机(SVM)理论的城市用水量短期预测数学模型.在算例分析中与误差逆传播(BP)神经网络预测法进行对比,发现该方法的平均预测精度提高了2%,且具有收敛速度快、泛化能力强等优点,在用水量短期预测中非常有效.     

采用BP&SA混合学习策略的短期电力负荷预测方法

提出了一种BP混合模拟退火(SA)的ANN短期负荷预测方法,该方法针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能.ANN模型中考虑了温度和预测日类型,可进行工作日和节假日的预测,实例表明ANN模型实用有效、精度高.     

一种改进的BP人工神经网络模型

针对人工神经网络 BP 模型在实际应用中会遇到一些问题。该文指出了 BP 神经网络模型结构和算法的一些不足,并针对 BP网络模型算法存在的局部极小问题、BP 网络学习速度较慢以及 BP 模型网络结构训练过度和降低网络归纳能力等问题提出了引入规则、选择激发函数和转换函数、采用隐含神经元以及改变网络拓扑结构等一些改进措施,对于提高 BP 模型在实际应用中的效果具有重要意义。通过实际应用,证明了改进后的算法是行之有效的。     

改进BP神经网络在郑州市需水量预测中的应用

水资源供需矛盾日益突出,需水量预测已成为广泛关注的焦点．需水量预测可以为“三条红线”的实施提供依据,以强化水资源管理和节水监督管理,缓解水资源供需矛盾．基于BP神经网络模型,采用自适应调整的算法,改进了BP神经网络模型中学习率的求解方法,并将其应用到郑州市经济社会需水量预测中,预测了2012年和2015年经济社会需水量,分别为14．41亿m3和14．84亿m3;通过与BP神经网络模型、主成分回归分析结果对比,发现改进后的BP神经网络模型根据迭代误差自动调整学习率,求解速度和计算结果精度明显提高,适用于郑州市需水量预测．     

基于BP神经网络的环境质量评估

利用人工神经网络对地区综合环境质量进行了评价,提出了基于BP人工神经网络、以Matlab为平台的算法程序的人工神经网络环境质量分类模型．并以某地区环境监测数据值为样本,进行了环境质量评价分析．研究结果表明,BP神经网络应用于环境质量评价无需构建复杂的参数方程,且具有基于知识学习的特性,结构简单实用,具有客观性和通用性．     

基于MATLAB的改进BP神经网络在城市日用水量预测中的应用

利用MATLAB神经网络工具箱对城市短期用水量进行模拟,比较各种改进BP神经网络对城市短期用水预测方面的效果,得出用BP神经网络预测城市日需用水量是可行的,其中尤以traincgp方法预测效果最好的结论.     

基于遗传小波神经网络模型的脱机签名鉴定

根据脱机中文签名的特点,提出了一种用基于遗传算法的小波神经网络进行脱机中文签名鉴定的方法.基于遗传算法的小波神经网络模型结合了遗传算法的全局搜索能力和小波神经网络快速高精度的特点,克服了梯度下降法易陷入局部极小和引起振荡效应等缺点.该模型用遗传算法对小波神经网络的各参数进行前期优化训练,再用梯度下降法对参数进行二次优化.实验结果表明,将此模型用于脱机签名鉴定系统,与单独采用BP网络或小波神经网络相比,性能有明显的提高.     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15     

用户电力控制器神经网络控制分析

针对电力系统模型及运行参数不确定性 ,在用户电力控制器中引入神经网络控制策略 ,应用神经网络设计了线性控制器 ,所提出的神经网络采用改进BP算法 ,改进BP算法比传统BP算法多了两个变量 ;学习速率和动量因子。将计算得的补偿电流经过神经网络训练实现预定目标 ,由MATLAB仿真结果可观察到经神经网格控制的用户电力控制器可实现系统侧的控制目标。并且其控制算法更为简单、有效。     

Prediction of Sintering Strength for Selective Laser Sintering of Polystyrene Using Artificial Neural Network

In the present work,a study is made to investigate the effects of process parameters,namely,laser power,scanning speed,hatch spacing, layer thickness and powder temperature, on the tensile strength for selective laser sintering( SLS) of polystyrene( PS). Artificial neural network( ANN) methodology is employed to develop mathematical relationships between the process parameters and the output variable of the sintering strength. Experimental data are used to train and test the network. The present neural network model is applied to predicting the experimental outcome as a function of input parameters within a specified range. Predicted sintering strength using the trained back propagation( BP) network model showed quite a good agreement with measured ones. The results showed that the networks had high processing speed,the abilities of error-correcting and self-organizing. ANN models had favorable performance and proved to be an applicable tool for predicting sintering strength SLS of PS.     

故障诊断专家系统神经网络学习机研究

根据故障诊断专家系统的特点，设计了一种面向故障诊断问题的机器学习系统。在参数修正自学习模型中，引入了变结构的参数修正人工神经网络模型，采用B-P学习算法及后验学习方式，实现了故障诊断专家系统参数修正学习机设计。在汽车故障诊断问题中的应用结果表明。学习效果良好。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

关于泛化神经网络与支持向量机的研究

人工神经网络(ANN)的泛化特性是神经网络最重要的特性,同时也是最不容易保证的特性。本文对改进泛化的神经网络算法以及新兴的机器学习算法——支持向量机算法进行研究,并分别用BP神经网络、改进泛化能力的神经网络、支持向量机对人体脂肪测试实例进行仿真预测分析,结果表明,支持向量机比神经网络、改进泛化神经网络具有更好的预测(泛化)能力,是人工神经网络的替代方法。     

过程质量控制的BP神经网络诊断方法研究

利用BP神经网络建立了过程质量控制图模式诊断模型，并采用单因素法优化了模型参数．仿真结果表明，神经网络能有效识别控制图模式类型，具有较高的识别率，模型符合过程质量智能诊断的基本要求．     

基于神经网络的恒星大气参数自动测量

提出了一种基于神经网络的恒星光谱大气参数的自动测量方法,该方法能够根据恒星的光谱自动得到恒星的三个重要参数:有效温度Teff,表面重力logg和金属丰度[Fe/H]的估计值。首先对实测恒星光谱进行预处理,包括小波去噪,光谱波长统一化;然后通过对训练样本进行PCA分析获得特征空间变换矩阵进行数据降维;最后通过训练好的神经网络得到参数的估计值。实验结果分析表明,该方法比其它估计方法如非参数估计、支持向量回归和偏最小二乘回归具有更高的测量精度。     

学习型机器人动力学模型及其应用

提出了一种基于神经网络学习的机器人动力学建模方法.其特点是在网络结构中引入积分单元,构成含有积分回路的动态网络,使之能够很好地学习对象的动态特征.讨论了该模型在最优化等领域中的应用,及其泛化能力等问题.依据实际高尔夫挥杆机器人的结构参数以及其控制器特性进行了仿真实验.仿真结果表明,该模型算法简单实用,完全不需要对象的数学描述,泛化能力极强,具有良好的应用前景.     

制冷压缩机热力性能的神经网络模拟

压缩机热力性能的准确计算,对于使用压缩机制冷空调装置的优化设计起到很关键的作用,而单纯的理论模型难以反映实际的复杂因素,影响计算精度．采用人工神经网络与传统理论模型相结合的方式,建立智能型的压缩机热力计算模型,利用人工神经网络的自学习和泛化功能改善压缩机容积效率和电效率的计算模型精度．神经网络采用多层前向网络（ＭＬＰ）,网络训练采用同伦ＢＰ算法．对房间空调器用滚动转子式压缩机启动过程的输入功率变化,以及汽车空调器用变转速往复式压缩机的容积效率进行仿真,并与实验结果对照．结果表明,智能型压缩机模型很好地改善了传统计算模型的精度,而且适应能力更强     

变载荷感应电动机的神经网络建模研究

根据采用晶闸管三相调压器控制变载荷电动机运行的特点,阐明了采用神经网络方法对该系统建模的必要性.基于带有回归单元的Elman神经网络,对变载荷三相异步电动机的晶闸管三相调压器系统进行了建模.采用一种带惯性项的动态反向传播学习算法,克服了通常的BP算法振荡和收敛速度慢的弱点,使变载荷电动机系统跟随负载变化对电动机实现调压控制.对Elman神经网络的结构运用方法,以及惯性项的动态反向传播学习算法做了较详细的介绍,对由晶闸管三相调压器构成的拖动系统建模所选向量参数进行了说明.实例表明,利用该方法迭代后的学习结果更容易将误差减小至期望值.     

基于人工神经网络的降雨径流模拟研究

针对水库径流难以预测的问题。采用改进的动量．自适应学习率调整BP神经网络方法，以南告水库作为研究对象，对水库的日资料进行径流模拟。并对该模型在径流模拟中的方法和难点问题进行分析和探讨。改进的BP模型模拟的结果与三水源新安江模型的模拟结果相比较，探讨改进的BP模型应用于水文模拟的可行性。研究结果表明，改进的BP模型用于水文模拟是可行的。     

基于Bi-BPNNs的船舶轨迹修复模型

为了解决船舶轨迹数据的异常和丢失问题,辅助轨迹复原和情景推演,提出一种双向学习模型,用于修复船舶轨迹.从AIS(Automatic Identification System)报文中提取航行船舶的上下文轨迹特征向量,改进基础BP(Back Propagation)神经网络的拓扑结构,构建具有双向预测功能的BP神经网络(Bi-BPNNs)模型,修复缺失的轨迹数据.使用长江干线航行船舶的真实轨迹数据对构建的模型进行验证和分析,通过与基础BP网络和常用线性插值方法的对比,证明Bi-BPNNs模型在船舶轨迹修复上具有更好的性能和效果.