免振捣粉煤灰混凝土抗压强度的神经网络预测

为了解决免振捣粉煤灰混凝土抗压强度预测问题,采用BP神经网络方法通过免振捣粉煤灰混凝土不同配合比训练网络预测其抗压强度,对于BP网络的隐层节点属于不确定层,采用三层结构的BP网络.但隐含单员个数仍未知。在实验过程中将隐含层的神经单元个数作为一个参数试验,结果表明BP神经网络的隐层节点数目对预测精度有较大影响。通过分析得出采用BP神经网络对免振捣粉煤灰混凝土抗压强度预测是可行的。     

模糊神经网络控制及其学习方法的研究

对模糊神经网络的学习方法进行了研究.该方法中,在分层训练的基础上通过改变隐层节点数目、训练样本数目和BP算法参数来对网络进行训练.仿真结果表明该方法精简了网络的结构,减少了训练的时间,为模糊神经网络用于实时控制系统提供了可能的条件.     

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.     

对提高BP神经网络泛化能力的分析和总结

BP神经网络是最著名的多层前向反馈式神经网络训练算法之一,如何提高BP神经网络的泛化能力成为人们研究的热点。本文从构造训练样本集、对样本集的处理、如何选取隐层节点以及对标准BP算法的改进这几个方面,对BP神经网络的泛化能力进行了分析和总结。     

基于遗传算法和模拟退火算法优化神经网络的铁路营业里程预测

提出应用遗传算法(GA)和模拟退火(SA)优化神经网络预测铁路营业里程.采用3层前馈神经网络实现铁路营业里程的时间序列预测,输入节点数为5,隐层节点数为8,输出节点数为1.对神经网络的连接权重和节点阈值的确定,采用GA和SA算法相结合的混合优化学习策略.两种算法结合时,SA算法处于外层,GA处于内层.GA采用实数编码,把要确定的神经网络节点连接权重和节点阈值作为基因串.数值计算结果表明混合优化的神经网络的学习速度和精度都比单纯BP算法得出的结果好.因此,用GA-SA混合优化的神经网络预测铁路营业里程是可行的.     

一种改进的BP算法在工程造价预测中的应用

针对在神经网络中得到广泛应用的BP算法难以确定隐节点个数的缺点,提出了一种动态调整隐节点数的改进的BP算法,以恰当确定隐节点数。在收集相似工程有关资料的基础上,考虑物价波动的影响,应用上述算法对工程造价进行预测。算例结果表明：该方法所得的工程造价预测值精度令人满意,具有应用价值。     

人工神经网络在自密实混凝土抗压强度预测中的应用

针对传统BP神经网络的不足,采用不同改进算法的网络模型对自密实混凝土抗压强度预测进行了详细的分析.研究表明:采用变梯度算法的模型M1、P-B复位算法的模型M2、拟牛顿算法的模型M3以及LM算法的模型M4,这4种模型均成功地建立了自密实混凝土强度的非线性关系,可用于其强度预测;通过用MATLAB编写程序,为解决BP网络隐层节点数的不确定性提供了一种较为方便的途径.     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

减聚类在电力系统中长期负荷预测中的应用

分析了电力系统中长期负荷特性以及RBF神经网络的非线性功能,引入一种减聚类算法来选取网络隐层节点中心,并将该方法在Matlab下进行了仿真。将预测结果与实际负荷值、灰色理论模型得到的结果进行对比分析,结果表明采用减聚类算法的RBF神经网络模型在隐层节点选择上更加精确,用其建立的模型具有较好的预测精度,具有一定的实用价值。     

模糊优选神经网络模型在泥石流平均流速预测中应用研究

泥石流平均流速是防治工程设计的重要参数,其设计预测精度直接影响工程投资.应用模糊优选神经网络模型,以模糊可变识别模型当优化准则参数等于2,距离参数等于1的特例为神经网络激励函数,研究隐含层在不同隐节点数情况下的泥石流平均流速预测精度,并以精度最高的隐节点数构建神经网络的拓扑结构, 对云南蒋家沟黏性泥石流平均流速进行预测.研究结果表明,预测精度较高,有参考应用价值.     

基于人工神经元网络的电力系统短期负荷预报的实用计算

本文针对贵州电力系统日负荷的特点，提出了一种利用人工神经网络（ＡＮＮ）的ＢＰ模型进行电力系统提前２４小时的短期负荷预报的实用计算方法。进一步对ＢＰ模型的隐合层数和隐合节点数的选取进行定性的分析，同时探讨学习因子和动量项对学习收敛的影响分析，预测方法及结果得到肯定。     

自构形神经网络模型在天然气储量评价中的应用初探

在ＢＰ（Ｅｒｒｏｒ Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ）算法基础上,采用ＢＩ（ＢａｃｋＩｍｐｅｄａｎｃｅ）算法,运用了自组织优化隐层节点数和自动化优化网络因子的方法,使得人工神经网络ＡＮＮ的计算速度、精度和柔韧性有所提高,且在微机上其操作变得更加容易。在勘探成熟的气藏中,按照天然气成藏理论,选取能够系统反映气藏的８个储量评估参数,进行网络学习,建立储量评估模型。应用所建的网络模型对正处于勘探阶段的气     

基于改进Elman网络的燃气负荷预测

为提高燃气负荷预测的精度,分析了燃气小时负荷的变化规律和影响因素,建立了燃气小时负荷预测模型,采用具有输出-输入反馈机制的改进Elman(OIF Elman)网络对燃气小时负荷进行预测.与传统的Elman网络比较,OIF Elman网络不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本点较少时,无论在训练速度上,还是在预测精度上,OIF Elman网络明显优于Elman网络.OIF Elman网络提高了网络的泛化能力,既降低了对训练样本个数的需求,又能提高预测精度,在燃气负荷预测中得到成功的应用.     

前向神经网络的处理能力和推广性量度

目标问题的复杂程度和网络处理能力的适合程度是影响人工神经网络推广性的本质因素。为了衡量前向神经网络（ Ｆ Ｎ Ｎ）的处理能力,该文对 Ｆ Ｎ Ｎ 的插值误差进行了研究,得到了统计意义下 Ｆ Ｎ Ｎ 处理能力的估计值,进而定义了能间接反映神经网络推广性的推广性量度。该方法能够估计出适合目标问题的网络规模,应用于函数逼近和样本分类问题,仿真结果证实了该方法的有效性。     

人工神经网络-近红外光谱法定量分析Cofrel粉末药品

用人工神经网络(ANN)解析Cofrel药品的近红外(NIR)漫反射光谱， 实现了对其有效成分磷酸苯丙哌啉的精确快速定量测定. 设计了最好的ANN模型. 分别讨论了输入层和隐含层节点数对测定结果的影响. 用HPLC法的测定结果作为标准， 磷酸苯丙哌啉浓度预 测值的相对误差RE (%)＜4.0%， 可以应用于Cofrel药品实际生产中的质量控制.     

人工神经网络-近红外光谱法非破坏定量分析Norvasc药片

用人工神经网络(ANN)解析Norvasc药片的近红 外(NIR)漫反射光谱, 实现了对其中有效成分苯磺酸氨氯地平精确的非破坏定量测定. 设计了最佳的ANN模型, 分别讨论了输入层和隐含层节点数对测定结果的影响. 以HPLC法的测定结果为标准, 苯磺酸氨氯地平浓度预测值的相对误差RE(%)＜4.2%.     

基于趋势组合的知期电力负荷预测模型

在运用神经网络进行短期电力负荷预测中，天气是影响负荷的重要因素。为了更好地捕捉天气对负荷的影响，文中提出了一种基于神经网络的趋势组合短期负荷预测思想和模型，将短期负荷与天气变量的内在关系分解为3个不同的趋势分量，即周趋势分量、日趋势分量和小时趋势分量，每一个趋势分量分别用一个神经网络模型捕获，趋势分量的预测结果再用一个神经网络模型进行组合，从而得到最终的预测值，分别用改进的和传统的模型预测一周的小时负荷，结果表明，这种神经网络模型能取得更好的预测精度。     

基于改进径向基函数网络的电力系统短期负荷预测

电力系统短期负荷预测是电力生产部门的重要工作之一,本文利用径向基函数网络（RBF）进行负荷预测,针对RBF在负荷预测中隐含层节点数难求问题,提出了一种改进的最近邻聚类学习算法即可解决该难点,又可提高RBF神经网络收敛速度和负荷预测精度．根据某地区电网的实例进行研究,结果发现本文算法比改进前的算法预测的最小、最大相对误差分别减小0．14和1．12,证明了改进后算法有效性和可行性,为电力系统负荷预测提供了一种新途径．     

A REAL_TIME SHORT_TERM LOAD FORECASTING SYSTEM BY ARTIFICIAL NEURAL NETWORK *

应用人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ—ＡＮＮ）设计短期电力负荷预测（Ｓｈｏｒｔ＿ｔｅｒｍＬｏａｄＦｏｒｅｃａｓｔｉｎｇ—ＳＴＬＦ）系统,利用广州电网的负荷数据进行仿真,分别作出提前１小时和未来２４小时的整点负荷预测,获得比较满意的预测精度,显示出人工神经网络应用于短期电力负荷预测的良好前景．由于建立小时模型、改进了训练样本集的选取办法及采用高效率的ＬＭ（Ｌｅｖｅｎｂｅｒ＿Ｍａｒｑｕａｒｄｔ）训练算法,使ＡＮＮ的训练速度大大加快,形成可以实时训练和预测的ＡＮＮ＿ＳＴＬＦ系统．     

基于神经网络的公路边坡冲刷量模拟计算

神经网络模拟采用三层前馈网络模型，输入层有3个结点，分别代表30min降雨强度、降雨历时和降雨量，表示冲刷外因。输出层只有一个结点，代表坡面冲刷量；隐层结点数采用7个，即土压实度、坡度坡长、径流流速、径流流量、土颗粒粘聚力、植被指数和人为干扰等，为影响冲刷量的主要因素。为了验证模型，在连徐高速公路路堤边坡用SR型人工降雨设施进行冲刷试验，得到冲刷量实测资料，将通过模型计算的冲刷量值与之比较，显示了模型具有较好的模拟预测效果。