基于遗传算法的模糊优选神经网络路面性能评价模型

针对现有路面性能评价方法的不足,在模糊优选神经网络模型的基础上,引入遗传算法,建立了基于遗传算法的模糊优选神经网络的路面使用性能评价模型.该算法采用遗传算法优化神经网络权值,再用神经网络对遗传算法搜索到的近似最优解进行微调,并将模糊优选模型作为神经网络的激励函数,使模型具有明确的物理意义.应用该模型对沈大高速公路部分路段进行评价,与其他模型的对比分析表明:该方法在评价精度和效率方面取得了良好的效果,是一种实用的高速公路路面性能评价方法.     

智能预报模式与水文中长期智能预报方法

建立了以模糊优选、BP神经网络及遗传算法有机结合的智能预报模式与方法。在应用该方法进行中长期水文智能预报时，首先选取训练样本的数量，根据预报因子与预报对象的相关关系得到相对隶属度矩阵;再将其作为BP神经网络输入值以训练连接权重；最后将得到的连接权重值用于预报检验。计算结果表明，智能预报模式与方法的运行速度、精度及稳定性都达到了实际应用的要求。     

模糊优选神经网络及其在综合后评价中的应用

将模糊优选理论与神经网络理论相结合,确定网络拓扑结构：隐含层数、隐含层节点数与节点激励函数的合理模式。将模糊优选的相对优属度模型作为人工神经网络的激励函数,建立模糊优选神经网络权重调整BP模型,实证研究表明,模糊优选BP神经网络模型,可以较好地应用于综合后评价。     

模糊优选神经网络多目标决策理论

把笔者建立的模糊优选理论与神经网络理论结合起来，提出确定网络拓扑结构：隐含层数，隐含导节点数与节点激励函数的合理模式，提出模糊优选神经网络权重调整ＢＰ模型；且网络有良好的学习功能。神经元激励函数具有明确的物理意义。     

模糊优选神经网络在水利投资项目评价中的应用

建立了一个三层前向式神经网络结构,将模糊优选理论与神经网络理论相结合,通过改进的BP算法对网络进行训练,并把该网络用于水利投资项目的评价,应用成果表明模糊优选神经网络用于水利投资项目评价结果更加合理,并且具有简单实用、客观准确的优点,有着广泛的应用前景。     

模糊多属性决策方法及其在模糊优选中的应用

从模糊多属性决策基本理论出发，给合方案优选的特点，运用三角模糊数，提出一种多属性模糊优选方法，建立了决策模型．该模型具有较好的通用性和可操作性．     

基于生态遗传算法的煤矸石自适应模糊模式识别

给出煤矸石组分模式识别的模糊神经网络模型，提出一种实用生态算子，同时将此基础上构建的生态遗传算法用于模糊神经网络的离线学习，能有效避免传统BP算法学习速度慢、易陷入局部极小的缺陷和基本遗传算法的遗传滑脱现象．仿真和实验结果显示新算法使离线训练的网络具有良好的收敛性能，而且从训练好的定量网络中提取模糊规则用于原煤的在线自动分选，不仅能提高煤中矸石的识别率，而且有效解决了系统识别精度与实时分选之间的矛盾．     

模糊聚类、识别、优选统一理论与循环迭代模型

模糊聚类、识别与优选是系统优化模糊集分析理论的数学基础．通过以全体样本对全体类别加权广义欧氏权距离平方和最小为目标函数,建立了模糊聚类、识别与优选决策统一的理论与循环迭代模型．其中模糊聚类是核心,模糊识别与优选决策模型均由模糊聚类导出．该模型发展了模糊数学关于模糊聚类、模糊模式识别、模糊决策理论．循环迭代模型及其多种组合模型,不仅可用于水资源系统,对其他学科领域模糊集分析同样适用．     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

基于加速遗传算法的FAHP在深基坑支护方案优选中的应用

为处理深基坑支护方案优选中评价指标的一致化和无量纲化问题,克服模糊综合评价方法中建立隶属度函数的困难,文章探讨了利用加速遗传算法的模糊层次分析法建立的深基坑支护方案优选模型.结合实例及与其他方法对比表明该模型对模糊优先关系矩阵修正幅度小,所得优度值可信度高, 评价结果离散程度较高,便于决策.     

基于雷达测雨的实时洪水预报模型

实时洪水预报系统通常会伴随系统误差,即模型误差和观测误差．为了减小系统误差,本次研究尝试将雷达测雨技术、BP神经网络技术引入流域洪水预报中,并建立基于分布式水文模型的洪水预报模型．将该实时预报模型应用于史灌河流域．从预报的结果来看,该实时预报模型很好地解决了雷达遥感数据与水文模型的耦合,为在流域洪水预报中采用雷达测雨提供了先行的研究基础．     

基于洪水问题的洞庭湖湿地区域划分

为了充分发挥三峡水库对洞庭湖防洪的有利作用,缓解其对湖区湿地水文条件的影响,采用水文模型对城陵矶河段的洪水进行情景模拟,并分析了3口洪道的分流现状以及三峡水库运用后荆江防洪的泄流要求.结果表明,进一步提高洞庭湖的蓄洪功能、保护3口洪道的分流能力,仍是实现长江中游防洪安全的必要条件.由此,结合湖区城镇、产业分布与自然地理条件,按"人类活动集中区—扩大蓄洪区—蓄洪区—自然湿地"的梯级层次提出了划分洞庭湖湿地区域的框架.     

河道、滞洪区洪水演进数学模型

采用有限体积法建立了适应河道、滞洪区复杂情况的洪水演进一、二维衔接数学模型构造了适合河道洪水计算的一、二维河道型网格和滞洪区二维地面型网格,网格具有多点、多面,既镶嵌又衔接的特点阻水建筑物对洪水演进速度影响较大,所以,将其模化成特殊通道,提出了洪水演进过程中渗流所造成的水体损失的计算模式．将该模型应用于大清河滞洪区,讨论了洪水边界条件,确定了模型糙率,率定了模型渗流参数．结合大清河“96．8实测洪水资料”进行了洪水演进数值模拟,分别对河道的水位、流量和滞洪区来水时间进行了模型验证,验证结果基本吻合．     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。     

宜昌站洪峰流量过程神经网络预测模型研究

以长江上游寸滩-宜昌河段为研究对象,建立了考虑区间降雨的河道洪水预报BP神经网络模型,论证了应用人工神经网络模型进行洪水预报的可行性。以1982年至1986年的洪水预报作为仿真,表明该模型能较好地反映区间降雨的影响,对大中小各种洪水过程都能进行准确预报。     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

基于模糊聚类和BP神经网络的流域洪水分类预报研究

传统的流域洪水预报大都通过率定一组水文模型参数来寻求一个流域径流形成的一般性或平均化规律,其预报精度需要进一步提高.用模糊聚类ISODATA迭代模型将历史洪水分为若干类型,进行水文预报模型参数的分类调试;并建立BP神经网络分类模型判断实时洪水所属类别,选择其相应类别的模型参数实现流域洪水的分类预报.在辽宁省大伙房水库流域的实际应用表明:此方法不但可以实现洪水实时在线分类而且提高了流域整体洪水预报精度,是一种为水库实时调度提供可靠依据的有效洪水预报方法.     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。