改进BP神经网络模型在小康水利综合评价中的应用

分析BP神经网络应用于小康水利综合评价中存在的几个关键性问题。利用层次分析法(AHP)从100余个水利统计指标中遴选出30个具有一定代表性的指标用于构建小康水利综合评价指标体系并给出相应的分级标准;采用LM算法弥补标准BP神经网络在实际应用中存在收敛速度慢、易陷入局部极值等不足,建立了神经网络小康水利综合评价模型——LM-BP模型;利用随机内插方法在小康水利综合评价分级标准阈值间生成训练样本和检验样本;提出网络拟合度的概念;选取网络拟合度、平均相对误差等5个统计指标用于评价模型性能。在模型达到预期的评价精度和泛化能力后,将其用于文山州小康水利综合评价,并构建传统BP模型、RBF模型作为对比模型。结果表明:(a)无论是训练样本还是检验样本,LM-BP模型的评价精度均高于传统BP神经网络模型、RBF神经网络模型近一个数量级,表明LM-BP模型具有较高的评价精度和泛化能力,可用于文山州小康水利综合评价,模型收敛速度快、稳定性能好。(b)2010年文山州及各县级行政区小康水利综合评价为1~2级,处于起步—基本实现阶段;2020年预测评价为3级,全州基本实现小康水利。     

基于LM-BP算法的成熟林资产评估模型

为了提高评估效率、降低评估成本,将神经网络技术应用到森林资源资产评估建模中.针对传统BP神经网络存在的缺陷,将BP神经网络和贝叶斯正则化算法相结合,建立了基于LM-BP神经网络的成熟林评估模型.仿真结果表明,所建立的模型是有效的,预测精度高.     

基于神经网络的软件质量综合评价方法

研究了软件质量评价的度量模型,指出了软件综合质量评价中需要解决的一致性与稳定性问题,提出了基于前向单隐层神经网络的软件质量评价方法,一个软件质量评价实例表明,该方法具有满意的效果。     

计算机软件质量综合评判的人工神经网络模型

根据单指标评价标准,通过在规定的区间范围内随机取值生成足够多的训练样本、检验样本和测试样本,遵循误差反传（BP）网络建模基本原则和步骤,建立可靠、有效的软件质量综合评价模型,克服了物元模型、灰色模型等方法存在受人为因素影响及定性评价等缺陷．对6个模拟样本和8个实际软件的评价表明,本文提出的样本生成方法、建模过程能有效避免出现过训练和过拟合现象,建立的BP模型具有较好的泛化能力、可比性和客观性;各评价指标与软件质量等级之间存在明显的非线性关系,可靠性指标对软件质量等影响最大．     

基于灰关联神经网络的电力工程造价估算

为准确地估算和审查电力线路的工程造价,提出一种基于灰关联分析和神经网络相结合的造价估算方法。利用灰关联分析法筛选出影响工程造价的10个主要工程特征参数,以此作为神经网络输入向量,构建GRA(grey relational analysis)-ANN(artificial neural networks)造价估算模型;以某市110 kV电力线路改造的工程造价资料为实验对象进行算法验证,结果显示静态投资的相对误差最大为3.72%,最小为1.85%,估算精度高;分别采用LM-BP算法和传统BP算法训练GRA-ANN网络,结果显示LM-BP法的误差下降速度更快,整体误差更低。     

基于模糊积分的软件质量综合评估模型

在SQuaRE ISO 25000软件质量度量模型基础上,提出一种软件质最综合评价模型.建立软件质量综合评价指标体系,运用模糊测度量化模糊特性(子特性),以形成它们的重视度.结合评价对象的具体数据,通过模糊积分方法对软件质量进行定量综合评价.     

基于模糊神经网络的煤矿安全评价综合评判

针对煤矿安全综合评价方法中因人为因素、模糊因素及动态因素而导致评价结果不够准确的情况,依据煤矿安全评价指标体系结构,构建了基于模糊神经网络的多级模糊评判模型,提出了神经网络分级BP学习算法,解决了多级模糊评判中权值学习困难的问题,使训练速度和评判的准确性大幅提高.以鸡西矿业集团煤矿为研究对象,建立了基于模糊神经网络的安全评价模型.结果表明:该方法能有效地对煤矿进行安全评价,综合评判客观、准确.     

混沌神经网络住宅性能综合评价模型的研究

住宅性能综合评价是住宅商品化和市场化的重要基础性工作.利用人工神经网络模拟人脑学习和记忆功能的特点,建立了住宅性能综合评价模型.针对神经网络BP算法收敛速度慢容易陷入局部极小值问题,将混沌理论引入神经网络算法中,利用混沌运动的遍历特性加快了训练速度,使其收敛于全局最优解.算例表明,混沌神经网络模型可以准确地评价住宅的综合性能,有良好的应用前景.     

软件质量评估模型的分析与研究

分析和评述了软件质量评估模型和方法,提出了一种实用的软件质量评估体系,并采用模糊综合评价法对软件质量进行评估。     

基于经验模式分解与LM一BP神经网络的大坝变形预报模型

提出一种基于经验模式分解(EMD)与LM-BP神经网络相结合的模型进行大坝变形预报的方法.先利用EMD具有根据信号本身特征进行自适应分解的功能将变形时间序列分解为一系列不同尺度的固有模式分量IMF,再根据各个IMF的变化规律采用相匹配的LM-BP模型进行预报,最后对各分量的预报值进行叠加得到最终的变形预报结果.实例分析...