基于人工神经网络构建运动训练计划模型的研究

以短跑项目为例,从决定短跑运动员的影响因素出发,构造了用于确定短跑运动员训练计划的人工神经网络模型．该系统可以借助现有优秀短跑运动员的训练计划建立相应的神经网络模型,以便针对具体的训练对象制订合理的训练计划．由于神经网络模型所固有的泛化功能,即使在提供信息不完备或存在明显的误差等情况下,上述模型制订的训练计划仍有一定的指导意义．     

基于人工神经网络的扁钢轧制力模型

根据ＢＰ人工神经网络算法原理,结合某厂型钢轧机轧制扁钢时的轧制力实测数据,对扁钢轧制力进行建模,结果表明,神经网络用于轧制力建模是可行的,所建模型系统误差〈１％,模型计算值与实测值的偏差,４％,较好地反映了实际轧制过程的特征。     

基于人工神经网络铝箔轧机轧制力模型

彩用ＢＰ神经网络原理对１３５０ｍｍ铝箔轧机轧制数据重新处理，建立了基于人工神经网络的轧制务模型。结果表明，用人工神经网络轧制力模型的计算值与实测值相比偏差〈３％该模型较真实地反映了轧制过程的特征。     

大功率人工神经网络模型研究

神经网络是可以对连续或断续式的输入作状态响应的动态系统。由于大、小功率的晶体管都可对连续或断续式的输入作状态响应 ,因而均可用来作为神经器件构造的基石。出于这一考虑 ,该文提出了功率神经网络的概念 ,基于功率神经网络 ,可以设计出神经变压器等全新的功率仪器设备。这些仪器设备的特点是体积小、重量轻、效率高 ,且具有学习、自适应、容错、记忆等智能功能     

基于人工神经网络的聚类算法

研究连续型Hopfield神经网络的电路机理,推导出网络的权值计算公式,并运用连续型的神经网络模型构造出聚类算法;对20个随机生成数据计算模拟神经网络的运行,逐步调整类内精度多次训练,当参数a=b=500,c=200且类内精度控制不超过0.6时,有一个优化的聚类方案输出.     

非充分灌溉稻田墒情预报的人工神经网络模型

通过对人工神经网络理论的分析,建立了一个描述非充分灌溉稻田土壤水分变化的BP模型,并对同一小区2002年水稻生长期土壤水分的动态变化进行了模拟预测,同时用实测资料进行对照.研究结果具有良好的一致性,质量含水量绝对误差值最大为1.8%,最小为0.1%,平均为0.7%;相对误差值最大为8.42%,最小为0.55%,平均为3.02%.BP网络可以用于区域土壤水分动态预测,方法简便可行,有较高的精度.     

人工神经网络与计算机

探讨人工神经网络的计算机实现,从软件和硬件两方面阐述其实现过程,并从其数学算法中导出了计算机的实现算法.     

企业自主创新能力的人工神经网络评价模型的研究

企业自主创新能力评价模型的建立对于评价企业创新能力,进而提高企业自主创新能力有着重要的意义。首先建立企业自主创新评价体系,在此基础上,采用神经网络方法,建立评价模型。最后,通过创新型企业的相关数据验证模型的有效性。     

基于人工神经网络的原油触变模型研究

主要研究超稠油的初始裂降过程,并用人工神经网络模型对原油剪切应力与剪切时间、剪切速率之间的关系进行描述,用Matlab神经网路工具箱进行求解,结果表明应用人工神经网络方法研究原油触变性能得到比较精确的结果,并且计算过程简单,不依赖于具体的函数形式,为研究原油的流变性能提供了一个新的方法和工具.     

地下水水质评价的人工神经网络方法

应用人工神经网络理论与方法建立了地下水水质评价的BP神经网络模型，对涡北井田地下水水质进行了评价，并与灰色聚类结果进行了比较。结果表明，BP神经网络模型能很好地解决评价因子与水质等级间复杂的非线性关系，评价地下水水质简便可靠，预测精度高，具有通用性和客观性。     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

神经网络负荷模型的综合能力研究

针对电力电子设备综合负荷模型难以用机理模型描述的现状,构造了动态综合负荷的模糊神经网络模型.该模型具有模糊推理和神经网络的优点,能很好地逼近动态负荷的模型输出.通过对已知实测建模数据的训练,分析了模糊神经网络负荷模型的前件参数、结论参数的辨识策略,阐述了模糊隶属度和模糊规则的形成过程.对负荷构成相异的4组实测变电站负荷数据,用其中1组建模数据进行训练,得出模糊模型结构和参数,用该模型去拟合其他3组数据,对模糊神经网络负荷模型的综合能力进行验证.实例表明,该模糊神经网络负荷模型不仅具有很强的自描述能力和收敛性,而且具有良好的综合描述能力.     

适用于励磁系统建模的模糊神经网络方法

基于原有励磁建模方法,将模糊理论和神经网络相结合,充分利用模糊理论处理不精确问题和神经网络较强的泛化能力等优势,形成一种模糊神经网络(FNN),并推导了FNN的学习算法.将此FNN用于发电机的控制环节——励磁系统建模.仿真结果显示,FNN模型能够较精确地对实际系统进行拟合.     

基于GRBF神经网络的多级煤气压缩系统建模

以某钢厂燃气、蒸汽联合循环发电机组煤气压缩系统为背景,建立以煤水分离器、离心式压缩机和冷却器为核心的多级煤气压缩系统机理模型.采用自适应遗传算法辨识机理模型中某些难以确定的重要参数.由于多级煤气压缩系统的影响因素较多,机理模型预测结果不精确.利用基于广义径向基函数的神经网络补偿机理模型的误差,建立GRBF神经网络和机理模型并联的多级煤气系统的混合模型.试验结果表明相比于机理模型,混合模型有更高的预测精度.     

A Multilayer Recurrent Fuzzy Neural Network for Accurate Dynamic System Modeling

A multilayer recurrent fuzzy neural network （MRFNN） is proposed for accurate dynamic system modeling. The proposed MRFNN has six layers combined with T-S fuzzy model. The recurrent structures are formed by local feedback connections in the membership layer and the rule layer. With these feedbacks, the fuzzy sets are time-varying and the temporal problem of dynamic system can be solved well. The parameters of MRFNN are learned by chaotic search （CS） and least square estimation （LSE） simultaneously, where CS is for tuning the premise parameters and LSE is for updating the consequent coefficients accordingly. Results of simulations show the proposed approach is effective for dynamic system modeling with high accuracy.     

基于回归神经网络的复杂工业对象的建模

讨论一种动态神经网络－Ｅｌｍａｎ回归神经网络的结构和算法,基于这一网络结构提出了非线性时变工业对象－直流电弧的神经网络建模方法,并与用其他方法为对象建立的模型进行了比较。     

高速公路交通流的RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上 ,针对在不同环境以及时变系统中对复杂非线性大系统的控制 ,提出了一种改进的快速 RBF神经网络算法对交通流进行建模 ,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷 .该算法是采用 APC- 单路径聚类算法确定 RBF神经网络结构参数的一种快速 RBF神经网络算法 ,网络训练速度快 ,效果良好 ,对实现交通流的在线建模与控制有重要意义 .文中进行了计算机仿真研究 ,结果表明了方法的有效性     

模糊AND-OR神经网络优化建模方法

采用由AND和OR模糊神经元组成的神经网络进行模糊逻辑建模,每个神经元由S和T算子组合而成,并给出单个神经元作用在模糊集上的效果,充分展示了这两种神经元的优越性,以4条规则为例推导出这类神经网络与“if-then”的规则集之间的等价关系。在神经网络的学习过程中,提出了一种混合式的学习方案采用遗传算法优化整个网络的结构,缩小了输入空间的维数,减少了相应的规则数;并在此基础上利用梯度的学习方法继续对相应的参数进行优化,从而使网络具有很好的优越性,为进一步模糊控制创造了良好的平台。     

神经网络在声纳建模中的应用

基于声纳方程,同时考虑目标声特性和海洋环境参数,建立了主动式和被动式的声纳方程.利用海洋环境数据训练神经网络,实时解算不同环境参数时的噪声级.通过MATLAB仿真,比较径向基神经网络(RBF网络)和误差逆传播神经网络(BP网络)在模型中的作用,证明了RBF网络比BP网络能更好地满足声纳建模的需求.