构建BP网络结构方法分析

本给出了影响BP网络训练诸因素的初始值的确定方法，总结了在训练过程中各参数调整的方法，并探讨了误差公式的形式问题。     

焊接热影响区性能的神经网络预测模型

针对四类２４种钢材，将其化学成分和ｔ８／５性能的数据作为样本，构造学习空间，建立了一种新的预测方法ＢＰ网络预测模型，并讨论了网络参数对网络收敛速度及误差函数的影响     

扬声器分频网络设计的一些探讨

讨论了二阶扬声器分频网络的频率响应，指出用目前常用的计算方法带来的误差及必须对扬声器阻抗进行补偿后才能得到较好的结果，并推出了补偿网络元件参数计算公式。     

自动矢量网络分析仪10个误差模型自校准技术

自校准技术是精确测量微波晶体管参数和精密校准自动矢量网络分析仪的关键技术，利用信号流图和矩阵方法，分析了测量微波晶体管Ｓ参数的３种电路模型，给出了１０个和８个误差参数的显式解，为各种型号的矢量网络分析仪测量微波晶体管Ｓ参数，提供了精确测试方法。     

无线传感器网络DV-Hop定位算法研究

针对无线传感器网络无需测距定位算法中典型的DV-Hop算法在不同参数设置时存在定位误差及定位时间差异较大的问题，分别分析并仿真了对定位误差和定位时间有较大影响的节点个数、网络平均连通度及监测区域等几个重要参数，考虑到无线传感器网络能量及成本的限制，通过仿真结果分析得出，网络平均连通度和节点个数分别对DV-Hop算法的定位精度及定位时间起主导作用。理论分析与仿真结果表明，在不同监测区域内，在确保DV-Hop算法低能量消耗的基础上，参数优化后的算法有效地降低了节点的定位误差。     

关于非参数回归模型的误差密度估计

运用泰勒展式讨论了非参数回归模型中未知误差分布函数f（e）的核密度估计fn（e）的渐进性质，以及估计量fn（e）中光滑参数的选择，并给出了f（e）的置信区间．     

均匀设计法优化神经网络参数的研究

提出采用均匀设计法设计优化ＢＰ神经网络参数的方法,实验表明,通过采用均匀设计法可以有效地降低调节网络参数所需的实验次数,并降低训练误差,取得了良好的效果．     

一种用神经网络估计网络可靠性的方法

提出一种用神经网络估计网络系统可靠性的方法．用节点数为n的网络系统的结构参数、网络中边的可靠度以及网络可靠性的精确值对神经网络进行训练，使神经网络学习到网络结构参数、网络中边可靠度与网络可靠性之间的映射关系．并利用同样的训练数据，应用GCV方法对神经网络模型的误差进行估计．对于节点数为n的其它网络系统，只要将有关数据输入获得的神经网络，就可得到该网络可靠度的估计值．     

微波测量线测量误差的自动校正

分析了微波测量线误差校正的方法 ,提出了仅用小反射滑动负载即可确定测量线误差网络参数的新方法 ,给出了测量线误差网络参数的最小二乘法显式解 ,并实现了测量线误差网络参数的CAT(ComputerAidedTest) .利用误差网络参数 ,对被测网络的输入反射系数进行误差的自动校正 ,提高了测量线测试系统的测量精度     

基于BP网络的水火弯板局部收缩量建模研究

以实船板水火加工成型的测试数据为样本，应用的ＢＰ网络，分别建立了帆型曲板的最大收缩长度、收缩面积的７参数和５参数的４个神经网络模型，介绍了网络的结构设计及其训练过程，进行了网络的误差分析；算例结果证明该模型具有实用意义。     

异形网格差分在三维场计算中的应用

论述了一种用于三维场计算的异形同格差分方法.此法不但具有差分法要求计算机内存小、计算速度快等优点,而且具有有限元法的单元剖分灵活、适宜任意形状边界等优点,并可自动生成网格.在已有的二维数学模型的基础上,作者开发了三维数值计算差分公式,以四极透镜为例编制程序并进行了计算,计算结果表明:理论值与计算值相符,最大相对误差不超过10~(-3).     

基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

简单动态递归神经网络在非线性系统辨识中的应用

提出了用一种结构非常简单的动态递归神经网络(SRNN)辨识非线性系统的方法。该方法研究了在递归层不加权的网络简单拓扑结构,推导出SRNN的预报误差(RPE)学习算法,并对算法进行了补充和改进。仿真实验结果表明,这种网络需要调整的权系值少,且改进后的学习算法简单、辨识速度快、模型精度高,解决了一般动态递归网络因网络拓扑结构复杂造成的训练算法复杂、收敛速度慢的问题,可以实时应用。     

烟草类消费价格指数预测模型的研究

用神经网络中的：BP网络建立了烟草类消费价格指数预测模型，首先选定历年数据为训练组，初步确定烟草类消费价格指数预测网络结构，然后计算出网络各层上的权重值，并使其达到稳定，通过比较网络精度，确定其最优隐含层层数和各层节点数，从而确定烟草类消费价格指数预测最优模型，使用了LevenbergMarquardt优化方法，克服了传统BP算法收敛速度慢，难以确定隐含层和隐含层节点数的缺陷，从而使学习时间更短，运用该模型对城市居民烟草类消费价格指数进行了预测，用检验样本验证训练结果，绝对误差为-2.0，相对误差为2，0964％，预测某城市3年烟草类消费价格指数分别为97.3752，97.3973和97.400O。获得了可信的结论。     

基于BP神经网络的轴承套圈磨削误差的预报

提出一种基于BP(反向传播)神经网络磨削误差的预报方法,针对轴承套圈磨削误差序列的非线性特点,使用BP神经网络对其进行建模预测,为磨削自动线的监控调整提供准确的预报值,从而可有效地修正磨削过程中温度、变形及其他复杂因素对工件加工精度的影响,提高加工精度,降低轴承套圈磨削的尺寸分散度。     

基于BP网络的非线性广义预测学习控制器

本文提出了一种基于ＢＰ神经网络的非线性义预测学习控制器，它由一个ＢＰ网络构成。在整个学习与控制过程中，首先根据被控对象的输出与ＢＰ的学习输出之间的误差来修改网络的权值，以逐步建立被控对象的合理的多步预报模型；然后，根据网络的多步预报输出序列与设定值序列的偏差修改控制律。     

同步电机在线参数辨识的混合算法

根据输出误差法(OEM)、遗传算法和神经网络的优缺点,提出了一种同步电机参数在线辨识的四步法.由于OEM辨识参数需要较好的初值,文中首先用遗传算法在大范围内进行参数寻优,然后以此值作为OEM的初值进行迭代,再用OEM求得的结果训练人工神经网络,最后通过成功训练的神经网络在线辨识各种运行状态下的电机参数.这样使得传统的OEM参数辨识算法、遗传算法和神经网络在辨识参数方面充分地扬长避短,解决了单一算法的不足.在对一台111kVA、440V同步电机进行的仿真试验中,该方法在保证精度的前提下,辨识时间仅为0 008s.     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

循环神经网络辅助GNSS/SINS组合导航方法及性能分析

针对GNSS信号中断时组合导航系统误差迅速发散的问题,提出了使用循环神经网络(RNN)来辅助组合导航系统的方法,RN N可以分别基于当前和过去的位置以及速度样本进行训练,使神经网络更好地处理系统中的时序信号,从而能够更加精确地预测SINS的位置和速度误差.采用无人机飞行试验数据验证了该算法在卫星信号中断时导航精度平均提升了77％,并且满足导航所需的实时性要求,与传统的径向基神经网络辅助的组合导航系统相比,其位置和速度的均方根误差平均降低了39％.