基于BP神经网络的港口吞吐量预测模型

港口吞吐量预测是港口决策和规划的基础。为了合理预测港口吞吐量,本文利用外贸进出口总量、第一产业总产值和第三产业总产值作为BP神经网络的输入变量,港口吞吐量为输出变量,建立了港口吞吐量预测的BP神经网络预测模型。然后根据2000年-2010年广西北部湾港口吞吐量、外贸进出口总量、第一产业总产值和第三产业总产值,利用Matlab 6.5软件的神经网络工具箱,通过对BP神经网络模型的反复训练,发现当隐含层节点数为6,学习率为0.05,训练次数为500次,训练精度为0.001,动力因子为0.9时得到的效果最好。并对BP神经网络模型与多元回归模型的预测结果进行比较分析,认为BP神经网络模型预测的总体效果更优。最后利用所确定的BP神经网络模型,对2011年和2012年两年的港口吞吐量进行了预测。     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

基于SARIMA-Intervention-SVR/BP神经网络的串联预测模型

本文利用SARIMA模型处理线性问题的优势、干预模型处理突发事件及异常值的优势、支持向量回归(SVR)模型或BP神经网络模型处理非线性问题的优势,提出了一种串联组合预测模型：SARIMA-Intervention-SVR/BP神经网络串联模型。通过对受911事件影响的美国航空客运里程、受非典影响的北京入境旅游人数以及受新冠疫情影响的中国民航货运量三个数据集的实证分析,证明了该串联模型相对于单一模型、SARIMA-Intervention串联模型以及一些衍生串并联组合模型在受到以上干预时预测的有效性。     

基于BP神经网络的路径行程时间实时预测模型

行程时间预测是交通流诱导系统研究的一项重要内容．在分析各种行程时间预测方法的基础上,本文建立了基于ＢＰ神经网络的行程时间实时预测模型,编制了行程时间预测软件系统．利用长春市的交通实测数据对行程时间进行了预测     

基于双曲正切函数HFRS发病率的BP神经网络预测模型

应用功能函数为双曲正切函数、隐层节点为 6的三层 BP神经网络原理 ,提出了 3种 HFRS发病率的非线性时间序列预测模型 ,并进行了比较 ,选择 ANN预测模型 3为最佳模型 ,该模型简单易行 ,预测精度高 .人工神经网络可以用于对疾病发病率或死亡率的预测 .     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高     

基于优化BP算法的精馏塔预测模型

针对建立精馏塔严格动态机理模型的复杂性以及机理模型应用的诸多不便,提出了一种综合共轭梯度和自适应变步长的优化ＢＰ算法,并利用该优化ＢＰ算法建立了精馏塔的预测模型。仿真结果表明,该算法不仅收敛速度快,学习精度高,而且有效避免了常规ＢＰ算法的局部极小值问题。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

基于BP神经网络的故障诊断方法

提出了一种表示故障的模型 ,然后为其建立了基于 BP(逆向传播 )模型的神经故障诊断网络 ,给出了该网络的训练算法和故障诊断步骤 ,并提供了在雷达系统设备上对某些部件的仿真调试诊断实例 .     

基于神经网络集成系统的股市预测模型

基于神经网络集成理论,建立股市预测模型.其中分别建立"基本数据模型"、"技术指标模型"和"宏观分析模型",最后以简单平均生成集成系统.实证分析表明,股市预测神经网络集成系统的泛化能力高于各个独立的模型,从而使模型具有更好的稳健性和更好的应用价值.     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.     

基于自适应遗传算法和BP网络的物重监测模型

采用自适应遗传算法与误差反向传播算法(BP)相结合,建立一个通过图像监测物体重量的模型。先对图像进行特征提取,然后用遗传算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免局部极小。作为实例,利用圆柱体、锥形体、梯形体等物体图像相关资料建立了数据库,将图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知物体重量。由实例表明,该方法在预测物体重量中是可行的,误差较小,为物体重量监测提供了一种新思路和新方法,可用于大型生产线上的物体重量在线监测和质量控制。     

基于BP神经网络的红外小目标检测

针对红外小目标检测问题,提出一种基于BP(back propagation)神经网络的小目标检测算法。该算法利用BP神经网络的函数逼近特性对红外图像进行背景估计,然后根据背景对消原理消去背景噪声,从而检测到潜在的红外小目标。通过仿真实验证明该算法的有效性。     

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

基于BP神经网络的GPT2w改进模型及全球精度分析

为提高全球卫星导航定位系统(global navigation satellite system,GNSS)的定位授时能力,方便用户在无法架设气象参数探测设备的条件下获得更高精度的对流层延迟估计,综述了当前主要的对流层延迟模型的发展,分析了两种空间分辨率的全球温压湿(global pressure and temperature 2 wet,GPT2w)模型在全球大地测量观测系统(global geodetic observing system, GGOS)测站处的估计精度,根据GPT2w模型的对流层延迟估计误差与气象参数估计误差的关系,提出了将实测温度与模型经验拟合气象参数相结合的策略,建立了基于反向传播神经网络的GPT2w改进模型。仿真结果表明,改进模型在2017年全球GGOS测站处对流层延迟估计精度较GPT2w模型提升近32%,且对全球其他位置估计精度同样有改进效果,改进程度与GGOS测站疏密程度有关。     

基于多个混沌BP网的案例匹配技术研究

描述了混沌BP网的拓扑结构与实现步骤，引入了模拟退火的控制策略，以便在训练后期有效地控制混沌运动．提出一种基于改进的德尔菲法的算法来确定输出样本集，以提高训练质量，得到了预期效果．给出了基于多个混沌BP网的案例匹配技术框架，提高了案例匹配的效率．与最邻近法相比，结果表明该技术对于类似钢铁生产动态调度这样的复杂系统，能够提高案例匹配的精确性，更适于解决案例属性权重难以确定或存在着耦合和复杂的非线性关系的问题．     

基于BP神经网络的图像感兴趣区自动检测技术

图像中感兴趣区(region of interesting,ROI)的自动分割是图像信息压缩与模式识别中的重要问题。提出一种图像中感兴趣区的图像信息自动检测算法,通过建立基于BP神经网络的多层检测模型,自动实现图像中ROI的自动检测与分割。并将该模型用于对车牌图像中牌照区域图像的自动分割。结果表明,该算法稳定性好,能够方便快速地实现特定ROI的自动检测与分割。     

基于BP神经网络多类分类的湍流目标探测

传统的湍流探测方法需要利用经验公式和参数化模型等,公式与模型的正确性大大影响了探测的准确性。基于反向传播(back propagation,BP)神经网络多类分类方法的气象湍流目标探测算法无需借助经验公式和参数化模型,利用神经网络的分类功能,仅通过对大量数据的学习可有效地确立雷达回波与湍流强度之间的关系。仿真结果表明,所提出的方法在进行湍流强度时有可忽略、轻微、中度、强4个等级分类,有良好的准确性,在进行湍流2个等级分类,即判定湍流有无时,准确率将大大提高。理论和实践结果表明,所提出的方法可以有效地进行湍流目标探测。     

基于改进型BP神经网络的导引头测高性能评估

武器装备性能评估贯穿于装备发展的全寿命过程,对于装备定型与实战化运用具有重要意义。针对传统反向传播(back propagation, BP)神经网络模型易陷入局部最优、武器装备评估数据少等问题,提出了基于数据包络分析和Bootstrap法的改进型BP神经网络模型。利用数据包络分析处理原始指标得到3项优化参数,结合Bootstrap法对其进行扩充,再通过BP神经网络建立评估模型。实验表明,改进模型得到的合成孔径雷达(systemic aperture radar, SAR)导引头测高性能评估结果,其决定系数和误差系数均有明显改善。该模型不仅规避了模糊综合评判法主观性强、精确度不高等问题,同时有效解决了传统BP神经网络模型易陷入局部最优和武器装备评估数据少的两个问题。     

基于BP神经网络的整株秸秆还田机功耗优化

为解决利用回归分析法优化水稻整株秸秆还田机功耗时存在的拟合误差精度差和准确性低等缺陷,提出一种高精度和高准确性的基于BP神经网络的优化方法.本文以1ZT-210型水稻整株秸秆还田机为研究对象,选取机具前进速度,刀辊转速,刀具安装角为试验因素,还田机功耗为影响指标,以二次正交旋转组合试验数据为训练样本,获得功耗与影响因素的BP神经网络模型;并季利用提出的方法对其进行优化,获得功耗影响因素的最佳参数组合为:机具前进速度1.39 km/h,刀辊转速210 rpm,刀具安装角55°,该参数组合下还田机的最小功耗为9.21 kW.试验条件下还田机最小功耗优于回归分析法所得最小功耗10.56 kW,以BP神经网络优化结果进行验证试验,试验测得功耗值9.42 kW,与BP神经网络优化结果绝对误差为0.21 kW,相对误差为2.28%.试验结果表明:该优化方法实用性强,拟合精度高,优化结果准确稳定,为解决农业工程领域中类似优化问题提供了一种新方法.