基于BP神经网络的土地开发整理区 土壤有机质含量遥感定量反演

利用BP神经网络和主成分分析法,结合SPOT-5遥感数据对土地开发整理区土壤有机质含量进行定量反演.试验采集了29个土壤样品并进行野外光谱测量,29个土样分为20个预测集和9个验证集,通过主成分分析对光谱信息进行变量转换,建立土壤有机质的BP神经网络预测模型,预测精度高达0.95.与土地开发整理前相比,土地开发整理后土壤有机质含量明显增加,土壤肥力提高而且分布均匀,土地平整效果显著,该方法对土地开发整理土壤质量验收工作具有重要的理论意义和实用价值.     

BP网络的谐波检测方法分析

介绍了一种基于BP网络的谐波检测分析方法。该方法通过对BP网络模型的选取解决了隐层的学习问题,应用于电力系统谐波检测。根据傅立叶形式BP网络的输出等价于傅立叶级数,将BP网络设计成一个单输入单输出系统,以三角函数作为"激励函数"构成隐层空间,采用梯度下降法调整权值。为保证BP网络的收敛性,根据李亚普诺夫定理,限定学习率η的范围。仿真结果表明,利用该方法可以有效地提高BP网络的收敛速度和计算精度,快速获得各次谐波高精度的幅值和相位。     

煤与瓦斯突出强度预测的IGABP方法

针对传统松散式(Genetic Algorithm Based Back Propagation Neural Network,GABP)模型应用于复杂煤与瓦斯突出预测时,存在GA自身性能及模型间相对孤立等不足,提出二者优势互补的IGABP一体化模型。IGABP首先在自适应交叉、变异率等方面进行改进,以提高GA自身的性能。其次,将BP导向性训练以算子的形式引入到标准GA进化过程,实现了GA寻优搜索的随机性向自主导向性转变。BP对GA搜索到的近似最优值进行微调,GA算法的收敛速度得到提升,确定精确解的位置能力加强,同时,又避免了单一BP网络本论文易陷入局部极小值的缺点,实现了两者一体化结合。仿真实验表明,构造出的进化神经网络更能反映煤与瓦斯突出强度样本的复杂非线性关系,有效克服了传统模型的不足,其运行效率、预测精度、可靠性等方面均优于传统模型,为瓦斯智能预测提供了新的解决方案。     

基于BP神经网络的暂降域识别方法

暂降域是电力网络中使得电压暂降敏感用户无法正常工作的故障点所组成的区域,准确识别暂降域是电网暂降严重程度评估的基础。为了解决现有的暂降域识别方法所需样本点多、计算量大,识别精度低的问题,提出了一种基于BP神经网络的暂降域识别方法,利用BP神经网络算法的非线性拟合特性,拟合电压暂降幅值和故障点位置的内在非线性关系,利用该拟合结果计算得出确定阈值下的暂降域临界点,根据临界点得出暂降域识别结果。在IEEE30节点测试系统中对本文方法进行仿真验证,结果表明方法适用于不同的电网结构和不同的故障类型,能够准确地进行暂降域计算。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

BP神经网络学习率的优化方法

本文针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

基于多元统计—神经网络的教学质量评估模型

给出了基于多元统计—BP神经网络的教学质量评估模型,先采用相关分析、主成分分析对其影响因子作评价和预处理分析,然后以BP神经网络模型作预测,并在Matlab中实现.结果表明,基于多元统计—BP神经网络的教学质量评估模型,既克服了在评估过程中的主观因素,又得到了满意的评估结果,具有广泛的适用性.     

基于二元树复小波和SVD不变性的纹理图像分类算法

针对双树复小波变换(DT-CWT)用于图像的纹理特征提取时,不具有旋转和尺度不变性的局限,提出了一种基于DT-CWT和SVD的纹理分类算法.该算法首先利用DT-CWT从图像中提取出纹理特征,然后对纹理特征进行奇异值分解获得具有旋转和尺度不变性的特征向量,采用BP神经网络作为分类器,并提出改进的BP算法训练网络,使得网络很快找到全局最优解.将本方法与其他的分类算法进行比较,实验结果表明,本算法具有较高的分类正确率.     

非线性优化GM(1,N)模型及其应用研究

GM(1,N)模型在因素一次累加弱化系统指标间波动性和灰性的基础上,建立了各因素线性关系的灰色模型,但其强制性的线性假设以及不够完善的求解方法致使其实际运用较少. 为解决这类问题,文章提出了两个非线性优化的GM(1,N)模型--非线性GM(1,N,x_1~((0)))和GM(1,N,x_1~((1)))模型,即在GM(1,N)白化方程的基础上建立因素间非线性关系,并通过BP网络拟合,最终得出拟合结果和预测值.进一步证明了两种非线性GM(1,N)模型均属于GM(1,N)的派生形式,并提出了运用非线性优化GM(1,N)模型进行指标预测的具体方法. 最后通过一个实例进一步表明该模型的可行性与优化性.