基于BP神经网络的GPS/SINS姿态测量融合算法

针对传统全球定位系统/捷联惯性导航系统(global positioning system/strapdown inertial navigation system,GPS/SINS)组合系统信息融合技术存在的不足,设计了适用于GPS/SINS组合系统姿态测量的反向传播(back-propagation,BP)神经网络模型,并在标准BP算法基础上,采用限制初始权值和阈值?动态删减隐含层节点数和修改激活函数的改进算法,从而减小BP算法在GPS/SINS组合姿态测量过程中的训练误差,提高网络训练的相应速度及精度?最后通过算法仿真和分析结果图得出改进后的BP神经网络算法在GPS/SINS组合姿态测量系统中高效可行,且测姿性能优越?     

开关磁阻电动机的神经网络建模及算法研究

针对标准BP算法存在收敛速度慢,容易陷入局部最小值和前向网络拓扑结构中,隐节点选取困难的问题,采用一种由Levenberg-Marquardt算法与改进自构形算法相结合而成的快速自构形算法训练BP神经网络,建立了训练收敛快,泛化能力强,网络规模小,便于实时控制的开关磁阻电机非线性BP神经网络模型.经与样机实测数据对比,验证了该模型的准确性.该模型有助于进一步优化能量转换,减小转矩脉动.     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

基于改进BP神经网络的制冷剂状态参数计算模型

针对梯度下降法所存在的主要问题,采用Levenberg-Marquardt优化方法,对BP神经网络进行了改进,在大样本输入下获得了更快的网络收敛速度和更高的逼近精度;建立了基于改进BP神经网络的制冷剂状态参数计算模型,较好地克服了现有的制冷空调装置仿真系统中制冷剂热物性模型的主要缺点;应用所建立的BP神经网络算模型对制冷剂R134a的热力状态参数进行了计算分析,证明了所建立的模型的可靠性.     

基于果蝇——广义回归神经网络优化的WSN节点定位算法

针对无线传感器网络(WSN)基于测距的定位算法中,利用节点坐标计算方法获得的节点坐标位置存在较大误差的问题,提出一种无需进行坐标计算的果蝇—广义回归神经网络(FOA-GRNN)优化的WSN节点定位算法.该算法利用广义回归神经网络(GRNN)较快的学习速度和较强的逼近能力建立WSN节点定位模型,通过果蝇优化算法(FOA)调整广义回归神经网络的平滑参数,降低调整平滑参数时人为因素的影响,由神经网络直接输出未知节点坐标.仿真实验表明,通过果蝇算法优化的FOA-GRNN模型的节点定位精度比未经优化的GRNN模型的节点定位精度高.同时,比较了FOA-GRNN模型与BP神经网络模型、虚拟节点BP网络模型(VNBP)在WSN节点定位中效果,表明FOA-GRNN模型在WSN节点定位精确性方面具有明显优势.     

BP神经网络在液相传质系数中的应用

根据BP(Back-Propagation)神经网络原理,以气、液表观流率为输入变量,液相传质系数为输出变量,建立神经网络模型,并利用改进的LM(Levenberg-Marquardt)算法对网络进行了训练和优化。结果表明,BP神经网络能够较好地预测滴流状态下H2O吸收CO2液相传质系数。     

基于移动GIS和GPS集成的绿化调查关键技术

以掌上电脑为移动设备,采用GPS（全球定位系统）、RTK（实时动态定位）技术,实现了移动GIS（地理信息系统）和GPS的集成.对移动GIS空间数据组织、GPS采集数据的GIS表达、GPS坐标转换等关键技术进行了研究,提出了一种适合于移动环境的GPS坐标转换模型,利用最小二乘法进行了坐标转换参数的求取与平差.构建了应用于绿化调查的移动GIS和GPS集成系统,利用该系统对上海某区进行了绿化信息调查试验.结果表明,所提出的GPS坐标转换模型和所实现的绿化调查系统,在移动环境下具有较好的高效性和实用性.     

基于BP神经网络的切削力预报

切削力预报与控制直接影响切削加工的质量和成本.以多层前馈神经网络为基本结构,以误差反向传播算法(BP算法)为网络训练方法,借助VC 语言建立了切削力预报程序.通过引入共轭梯度法和拟牛顿法优化方法,解决了网络训练中局部最小和过早饱和问题,提高了神经网络的收敛速度和精度,实现了对切削加工过程中切削力的预报和仿真.通过对以两种难加工材料的铣削和磨削试验数据为基础的预报计算,发现传统经验公式方法预报误差偏大,最大相对误差达24.9%,而神经网络方法预报结果最大相对误差为2.01%,证明基于BP神经网络的切削力预报研究具有一定参考和应用价值.     

一种电子设备电磁敏感性的仿真建模与优化设计方法

提出了一种电子设备内部电路的建模方法和基于该模型的优化设计方法.建模方法采用微粒群优化算法与误差反向传播算法相结合的网络训练方法,利用高频仿真软件构造的样本集,对3层神经网络进行训练.所建立的神经网络模型解决了电子设备在电磁敏感性仿真分析和优化设计中,仿真模型存在的计算量和存储量大的问题.优化设计方法采用微粒群算法的多目标优化方法,对内部电路参数进行优化设计,改变了以往寻优过程中穷尽式搜索的方式.仿真结果表明:所建立的神经网络仿真模型的仿真时间比高频仿真模型缩短了1000倍以上,优化设计后的电子设备的抗干扰能力也提高了6倍以上.     

基于GIS和GPS的交通状态参数估计仿真分析

在行程时问参数估计的模型和方法研究的基础上，探讨了地理信息系统（GIS）环境下仿真出租车全球定位系统（GPS）信息的系统实现和关键技术．提出了系统评价的指标，包括信息的准确性、信息的及时性、信息的广泛性和信息成本等，对路网连通性拓扑结构的构建、GPS坐标与城市平面直角坐标的转换模型以及仿真过程中的关键问题给出了解决方法．应用开发的GPS交通仿真系统进行了模拟试验的计算结果表明，提出的模型和方法是可行的和有效的．     

一种用于高动态全球定位系统信号跟踪的新模型

针对传统全球定位系统(GPS)信号跟踪方法在高动态环境下跟踪精度不够理想且容易失锁等缺陷,提出了一种新的跟踪模型.采用包含多普勒频移与码相位误差的二维观测相关器组,并通过基于列文伯格-马夸尔特方法优化的迭代扩展卡尔曼滤波算法,使跟踪环路在码相位与载波频率初始捕获误差较大的情况下,依然能够快速而准确地收敛,成功解调出导航信息.仿真结果显示,利用新的GPS信号跟踪模型能够高质量地完成加速度为150g的高动态GPS信号跟踪.     

基于BP神经网络的输电线路覆冰增长模型研究

分析了现有输电线路覆冰增长模型在预测中的不足以及神经网络对非线性映射变量表达的优越性,提出了一种基于Levenberg-Marquardt学习算法的BP神经网络的覆冰增长预测模型。通过实验获取的覆冰增长数据样本训练BP网络,利用收敛的网络进行输电线路覆冰增长的预测,仿真实验误差1mm以下的有7组数据,远高于对比模型makkonoe模型的3组,验证了模型有效性,对输电线路的覆冰研究和预防有重要意义。     

LM神经网络在环境质量评估中的应用

环境质量评估与社会、经济、管理等各个领域紧密相关,是一个多目标、多层次、多因素的复杂系统工程。神经网络可实现非线性关系的隐式表达,据此提出基于Levenberg-Marquardt神经网络的环境质量评估方法,并用MATLAB实现模拟计算。结果表明,该方法不仅简化了评估过程,而且稳定、快捷,预测结果精度较高。     

Temperature modeling and control of Direct Methanol Fuel Cell based on adaptive neural fuzzy technology

Aiming at on-line controlling of Direct Methanol Fuel Cell （DMFC） stack, an adaptive neural fuzzy inference technology is adopted in the modeling and control of DMFC temperature system. In the modeling process, an Adaptive Neural Fuzzy Inference System （ANFIS） identification model of DMFC stack temperature is developed based on the input-output sampled data, which can avoid the internal complexity of DMFC stack. In the controlling process, with the network model trained well as the reference model of the DMFC control system, a novel fuzzy genetic algorithm is used to regulate the parameters and fuzzy rules of a neural fuzzy controller. In the simulation, compared with the nonlinear Proportional Integral Derivative （PID） and traditional fuzzy algorithm, the improved neural fuzzy controller designed in this paper gets better performance, as demonstrated by the simulation results.     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.     

基于时序建模的教学质量评估系统的神经网络辨识

采用时序分析对教学质量评估体系进行系统分析和建模,引入Box-Cox进行数据的非平稳性预处理,选用L-MBP网络进行系统辨识。通过比较网络对校验样本的预测效果,对隐层节点数和各层间的传递函数进行优化,同时采用重复训练法来提高网络的稳定性和预测精度。算例表明这种辨识方法能对教学质量进行更准确的评估和预测。