BP神经网络算法在修正SIR传染病模型参数反演中的应用

研究了一类修正SIR传染病模型的参数识别问题,给出了参数识别问题的唯一性结论,并利用BP神经网络算法对参数识别问题进行数值求解,通过数值算例说明了该反演算法的可行性.     

各向异性曲面结构图形电磁计算

利用物理光学来分析各向异性曲面的散射场, 数值计算结果将突出显示各向异性材料产生的影响. 同时利用图形电磁计算(GRECO)方法实现对各向异性材料的曲面结构的电磁计算. 结果表明, 该方法是正确有效的, 具有重要的工程应用价值.     

涂敷各向异性吸波材料复杂目标雷达散射截面计算

根据物理光学法、几何绕射理论、等效原理及阻抗边界条件，由各向异性介质中平面波的本征方程，得到耦合矩阵，进而得到多层介质的反射与透射矩阵．采用图形电磁计算方法分析涂敷各向异性雷达吸波材料的简单及复杂目标的电磁散射．该方法具有计算速度快、节省储存空间等特点，对于计算相似曲面及平面的电大尺寸涂敷目标的雷达散射截面，具有很好的实用价值．     

重力梯度张量的拟BP神经网络反演

基于重力梯度张量是反映重力场空间变化率的参数,比传统的重力异常具有更高的分辨率和更丰富的信息,将改进的BP神经网络算法应用于重力梯度张量的反演中并分析其反演效果.该算法是一种基于RPROP算法的拟BP神经网络反演算法,采用三层神经网络结构,用隐层神经元表示物性单元的密度值,根据RPROP算法自动修改各单元密度值,从而得出场源空间的密度分布.研究结果表明:采用这种算法对重力梯度张量进行反演计算,收敛速度快,对初始模型依赖性小,可准确反映出异常体形态特征和密度特征.     

各向异性介质覆盖导体柱电磁散射特性的FEM/BEM分析

应用有限元-边界元耦合法计算任意截面形状二维各向异性介质覆盖导体柱的雷达散射截面,对介质柱内、外区域分别应用有限元和边界元法进行分析,然后通过场的连续性进行耦合,形成待求矩阵方程,最后应用内观法结合多波前法求解该方程.作为算例,分别计算了无限长各向同性介质覆盖导体方柱和圆柱在平面电磁波照射下的雷达散射截面,结果与有关文献一致,在此基础上计算了各向异性介质覆盖导体方柱和圆柱的雷达散射截面.     

BP神经网络在材料领域中的应用(综述)

成分一结构一性能之间的关系始终是材料科学研究的主题,传统的试错法等经验或半经验的材料研究方法造成了资源、人力和时间上的极大浪费,因此需要从理论上解决材料设计、评价、预报等方面问题．人工神经网络是具有在线学习、记忆和分析推理功能能力的数学方法,它能够获得输入与输出之间的相互关系．其中BP神经网络结构简单、理论研究比较成熟．在材料研究领域中,BP神经网络已用于材料性能的研究与预测,复合材料工艺参数优化和预报,以及对金属的腐蚀研究等方面．     

BP神经网络在计算储层参数中的应用

人工神经网络近年来在石油行业中广泛使用,以稳定性和计算能力强为特点的BP神经网络更是广为应用。孔隙度和渗透率是储层物性的重要参数,在储层评价中占据重要地位。寻找一种广泛而有效的方法计算孔隙度和渗透率是石油工作者的一项艰巨任务,本文选用了BP神经网络分别建立计算孔隙度和渗透率的模型,并通过与岩芯分析数据作对比,取得了良好的效果,有进一步推广的潜力。     

工程材料本构模型辨识及参数反演新方法

概述了采矿、岩土、土木等工程材料本构模型辨识及物理力学参数的反 分析等研究;针对具体工程材料最佳本构模型的选择（模型辨识）及基物理力学参数确定问题,视工程对象（岩土体）为一复杂系统,施工中实测获得的工程对象随时间的响应（如载荷、变形位移等宏观信息数据）隐式地蕴含着工程材料的本构信息,即工程对象的应力－应变本构关系和模型的物理力学参数。作为系统识别模拟的理想工具,神经网络能够学习模拟到工程材料的本构关系,这样即工程对象体的本构模型和参数识别为一“黑箱”,给定某一应变向量就可得到期望的输出应力向量,而无需写出显式参数的数学表达式,此即基于神经网络的隐式材料本构模型－智能本构模型。     

基于BP神经网络的压铸浇注工艺参数设计

根据ＢＰ神经网络预测了压铸压力状况,由此进行了浇注工艺参数的整体性设计。     

基于遗传算法和BP算法的电磁重构应用研究

在电磁重构问题中，将BP神经网络算法中最速下降的思想与GA结合，构造BP算子，利用GA的杂交、变异选择算子在全变量空间大概率搜索全局解，在解点附近用BP算子快速搜索收敛，提高搜索性能，应用混合算法重构分层生物组织各层电导率和厚度，数值计算结果表明，改进后的算法在搜索速度和精确度上明显提高，并具有较高的抗噪性能。     

基于BP神经网络的教材质量评价研究

教材质量评价是教材管理工作的关键环节。为了对教材质量进行科学有效地评价,提高评价工作的效率,建立了基于BP神经网络的教材质量评价模型。经过BP神经网络的构建、训练和分类等主要工作,建立了一个具有较高准确率的教材质量评价模型。通过分析结果表明,该模型能够科学和高效地评价教材的质量,具有较高的实用性。     

自适应神经模糊推理系统和BP网络对污水溶解氧实时预测的比较研究

为了对污水处理生物过程中曝气池内溶解氧进行准确的实时预测,分别应用自适应神经网络模糊推理系统(ANFIS)和BP神经网络建立了针对曝气池溶解氧的预测模型,并进行了对比研究。结果表明,用自适应神经模糊推理系对曝气池溶解氧的预测,在模拟误差和收敛性方面,均好于单纯的BP神经网络。     

基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

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．     

一种基于改进的BP神经网络的入侵检测方法

针对普通BP神经网络算法学习收敛速度慢、易造成局部极小的问题,提出一种改进的BP神经网络入侵检测方法,其采用拟牛顿的方法进行学习,即对目标矩阵求二阶导数.运用该方法能够有效提高学习速度,消除局部极小.仿真结果表明,改进的BP神经网络入侵检测方法收敛速度快,比标准的BP入侵检测方法误检率低,能够很好地提高学习效率,更加有效地检测攻击行为.     

基于GEP的层次有序BP神经网络优化

BP神经网络(BP-NN)因其自适应性、容错性和较强的泛化能力而得到广泛的研究及应用,但在实际应用中,却常常出现收敛速度慢、易陷入局部最优等问题.该文的新算法利用基因表达式编程(GEP)具有的良好全局搜索能力,对神经网络结构、权值及阈值进行优化;结合反向传播算法(BP)的局部搜索能力,有效提高了神经网络的性能;针对传统GEP设计神经网络会使网络结构失去层次性的问题,提出基于增加结构域染色体编码方法的GEP层次有序BP神经网络优化算法(GEPO-NN),保证网络结构层次有序符合人脑分层处理模型:最后,通过仿真实验对比GEP和遗传算法(GA)对BP神经网络的优化性能.结果表明,GEPO-NN有明显的性能提高.     

BP神经网络的改进及应用

合理的选择网络结构是BP神经网络研究中一个重要问题.对传统的BP网络结构进行了改进,在确定BP网络的隐层节点个数时给出了BP网络结构的自适应算法,使得隐层节点的选取动态实现,增强了BP神经网络的适应能力.并应用改进后的BP网对高校教学工作水平评估体系进行建模,为高校教学管理决策提供了科学依据.     

基于神经网络和遗传算法的桥梁参数优化方法与分析

在桥梁施工监控中,实测标高与理论预测标高存在差异的主要原因之一是理论计算参数存在偏差,因此对计算参数进行有效修正成为现代施工控制的一个关键问题。分析和确定了影响标高预测误差的主要参数,利用有限元分析建立了主要参数和标高之间的BP网络模型,该模型在一定参数取值范围内可以取代有限元模型预测标高,从而大大减少计算量。在建立的BP模型基础上,通过浮点编码的遗传算法对目标函数进行优化得到一组最优计算参数。对实际桥梁的计算分析表明,本文确定的分析参数物理意义明确,基于本文方法的修正能有效地提高标高预测精度,对类似桥梁的计算分析具有指导意义。