基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

基于HF-RBF的初始地应力场预测研究与应用

用水压致裂法(HF)测量地应力时存在实测数据数量少、不连续、精度低的问题.为此,建立基于HF-RBF的初始地应力场预测方法,首先构建埋深和水平主应力之间的学习样本,然后利用径向基函数(RBF)神经网络对学习样本进行训练,建立埋深与水平主应力之间的非线性映射,最后利用检验样本对初始地应力场预测效果进行检验.在黑龙江某矿山利用2个勘探钻孔开展了水压致裂法测量地应力试验,应用HF-RBF方法获得了该矿区水平主应力分布规律,训练样本最大预测误差为28.6%,检验样本水平最小、最大主应力预测误差都在10%以内,满足工程设计要求.表明了在矿山钻孔勘探期间,HF-RBF法能较好地预测矿区初始地应力场.     

基于时间序列的网络安全态势预测方法研究

现有网络安全态势预测方法只能预测单位时间的态势值,然后根据连续单位时间的态势值进行网络安全态势评估.本文中,根据网络安全事件发生的统计规律性,首先通过分段曲线拟合来分析目前网络态势的变化趋势,然后研究了基于时间序列的神经网络对未来一段时间内安全态势变化趋势进行预测的方法.通过实验仿真表明,该方法能够准确有效地预测出未来一段时间内的安全态势的变化趋势.     

基于滑膜控制和SAFNN的鲁棒混沌同步

针对带有干扰的混沌系统,进行了基于自组织自适应模糊神经网络(SAFNN)的同步控制器的设计,采用基于聚类划分的模糊神经网络,推导出模糊神经网络参数在线更新算法,并设计了神经网络结构自适应算法,从隶属度函数的生长、模糊规则的分裂和模糊规则的修剪三个方面动态调整模糊神经网络结构,摒弃了常规的试错法来调整系统的结构和参数,以便更好地满足对计算负荷和控制性能的要求,实现两者之间的平衡;最后结合滑模控制器和鲁棒控制器,对带有干扰的混沌系统进行同步控制仿真,仿真结果表明该方法有效。     

基于GA优化BP神经网络的WSN数据融合技术研究

为减少无线传感器网络中节点的数据通讯量,降低能量消耗,达到数据融合的目的,设计了一种基于遗传算法优化BP神经网络的数据融合算法(BPGA),阐述了数据融合原理、BP神经网络和遗传算法,介绍了遗传算法优化BP神经网络的数据融合方法,利用遗传算法优化神经网络的权值、阀值及隐含层结构,然后通过优化后的神经网络提取无线传感器网络中原始数据的特征信息,并将特征信息发送给汇聚节点,从而提高网络数据采集效率,延长网络生命周期。最后通过与LEACH、BPNDA算法进行仿真实验比较,证明了其有效性。     

自适应粒子群神经网络交通流预测模型

针对传统神经网络预测模型预测结果准确性低且存在大量无效迭代的问题,提出了自适应权重粒子群神经网络交通流预测(PSOA-NN)模型。首先根据待预测点的上下游观测点数和历史数据,随机初始化若干组模型参数并计算每组参数对应粒子的适应度;然后采用改进的sigmoid函数替代原有模型中的固定惯性权重,并根据其中适应度变好的粒子更新粒子速度和位置,一直迭代到粒子适应度小于预设值为止;最后将满足条件粒子对应的模型参数应用到神经网络模型,根据实时交通流数据预测出15min后的数据。仿真结果表明,使用PSOA-NN模型,可使得在同等预测误差范围内收敛速度提升0.6~1.7倍。     

低脂冰淇淋质构与色差相关性分析

利用水溶性壳聚糖作为脂肪的替代品,制作了不同脂肪替代度的低脂冰淇淋.采用质构仪和色差计分别对所制得的低脂冰淇淋品质进行分析,然后使用SPSS19.0对色差值与质构特性的结果进行主成分分析和相关性分析,并利用神经网络对其相关性进行验证和预测.结果表明,色差值与质构参数二者之间具有一定相关性(R=-0.916~-0.287).结合神经网络预测可知,色差值可以来预测冰淇淋的质构特性(R=0.922~0.957),说明冰淇淋外部的光学属性与其内部的质构属性之间存在着联系.     

基于蒙特卡洛法的铣削让刀误差概率分布预测

基于斜角切削理论,建立铣削力计算模型,求解得到铣削力.构建薄板受力变形的挠度函数,结合刀具的受力变形求解刀具-工件耦合变形的铣削让刀误差.采用神经网络拟合方法,求出输入铣削参数与输出最大让刀误差的函数关系.考虑刀具参数、材料参数、工件参数以及加工工况等随机参数对金属切削的影响,利用蒙特卡洛方法,对输入参数进行抽样,将参数样本代入神经网络拟合的函数模型中,获得铣削让刀误差样本,并分析其概率特性,从而提出一种铣削让刀误差的概率分布预测方法,较确定性计算铣削让刀误差的方法更加符合实际.     

模型未知非零和博弈问题的策略迭代算法

提出了一种在线积分策略迭代算法,用来求解内部非线性动力模型未知的双人非零和博弈问题.通过在控制策略和干扰策略中引入探测信号,从而避开了系统的模型信息,得到了一个求解非零和博弈的无模型的近似动态规划算法.该算法同步更新值函数、控制策略、扰动策略,并且最终得到收敛的策略权值.在算法实现过程中,使用4个神经网络分别近似两个值函数、控制策略和扰动策略,使用最小二乘法估计神经网络的未知参数.最后仿真结果验证了算法的有效性.     

一类分数阶Hopfield神经网络的Mittag-Leffler稳定性

研究了Caputo导数形式下的一类分数阶Hopfield神经网络的Mittag-Leffler稳定性.利用Mittag-Leffler函数的相关性质,得到该类系统平衡点的存在性与唯一性的充分条件,进而得到该类分数阶Hopfield神经网络的Mittag-Leffler稳定性的充分条件.最后,利用仿真实例验证了该结果的正确性与有效性.