用BP网进行变速风力发电机组控制分析

传统的控制需要精确的风力发电机的数学模型,而因为空气动力学的不确定性和电力电子的复杂性,使风力机系统精确模型难以建立,特别是在风速突变以及有扰动存在时,风力机的控制和分析很复杂;为了克服这一困难,用神经网对变速风力发电机组进行控制;设计功率系数曲线的BP网模型及最佳桨距角的BP网模型,在低风速时跟随风速获得最大功率系数,高风速时保持功率最大并在允许范围内.在MATLAB环境下给出了用BP网对变速风力发电机控制的仿真模型和仿真结果,显示采用神经网控制器控制有很好的抗风速突然波动的作用,能有效地抑制扰动.     

BP人工神经网络法研究PBDE_S类化合物的RRT

运用BP人工神经网络方法对PBDEs的相对保留时间(RRT)进行了QSPR研究.所建的BP人工神经网对PBDEs的RRT预测准确度非常高,网络训练误差几乎为0,网络回判MSE误差为0.003 9,明显低于逐步回归分析结果,独立检测集MSE误差为0.000 4,也很低,说明BP人工神经网具有较好的泛化能力.此方法得到的模型预测能力要优于逐步回归模型.     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

线性系统极点配置的神经网络算法

利用人工神经网络，讨论了线性定常控制系统关于状态反馈，输出反馈及动态补偿器的极点配置问题，对状态反馈问题采用一个二级四层BP网求解，对输出反馈问题采用一个二级五层BP网求解，而对动态补偿器问题亦可采用一个二级五层BP网求解，这些极点配置方法便于计算机实现。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP（反向传播算法）神经网 络和RBF（径向基函数）神经网络作了理论上的分析比较，并采用实际数据进行训练，说明了RBF神经网 络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建 立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

自反馈BP网云计算信息融合算法及应用

通过对BP网络的输入层节点增加了自反馈,使BP网络对历史数据具有了记忆功能,改进后的局部自反馈BP神经网络具有动态映射和处理历史数据的能力.使用该局部自反馈BP神经网络实现了多信息的融合算法;通过对工矿企业现场诊断技术、信息融合方法和物联网应用分析,设计了一个基于物联网的工矿企业现场诊断与管理系统,并将局部自反馈BP神经网络信息融合算法应用到基于物联网现场诊断系统的云计算层,为设备生产厂家和工矿企业应用物联网进行现场诊断与管理提供了一个解决方案.     

BP神经网络的算法及改进

本文介绍了目前人工神经网领域中BP神经网络的特点及其算法原理,通过分析BP网络算法的缺点,提出BP算法的改进方法。从而加快了网络的收敛速度,优化了网络的拓扑结构,最后对BP网络在实际中的应用进行了讨论。     

非线性系统定阶的神经网络方法

前馈型神经网应用于非线性系统辨识的一个问题是确定系统阶次。采用前馈神经网进行非线性系统定阶与神经网的推广性问题密切相关。ＯＬＳ算法是构筑径向基神经网的一种学习算法，但是采用ＯＬＳ算法构筑神经网存在推广性问题。ＲＯＬＳ算法将ＯＬＳ算法与正则化（ｒｅｇｕｌａｒｉｚａｔｉｏｎ）方法相结合，以提高算法的推广能力。本文将基于径向基网的ＲＯＬＳ算法应用于非线性系统定阶。本文对提出的方法进行了仿真研究，结果验证了方法的有效性。     

BP神经网络在蜜网系统中的应用

介绍了BP算法的基本思想及其网络模型,蜜网中数据的处理流程.借鉴BP算法应用于入侵检测系统,将BP神经网络技术应用于蜜网系统中,提出了在蜜网中基于BP神经网络的数据处理模型及训练过程.     

人工神经网络在大学生个人信用评价中的应用

建立合理的大学生个人信用评价方法是规避信用风险、顺利实施国家助学贷款的一项重要工作。利用神经网络具有自学习、自组织、自适应和非线性动态处理等特性,将三层BP神经网纠应用于大学生个人信用评价,使用MATLAB软件对16个样本进行网络训练与测试,模型输出与目标输出的最大误差只有2.92％,仿真结果表明应用BP神经网络进行大学生个人信用评价是行之有效的。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

基于四层BP神经网络的二相码旁瓣抑制

BP神经网络进行二相码旁瓣抑制时通常采用三层网络结构.研究了四层BP神经网络在二相码旁瓣抑制中的应用.仿真结果表明,同三层BP神经网络相比,四层BP神经网络的脉压输出性能指标有了进一步的提高.     

基于蚁群神经网络的设备故障诊断

BP算法在神经网络中应用较为广泛,但有收敛速度慢、易于陷入局部极小的缺点,而蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、全局收敛、启发式学习等特点.将蚁群算法和神经网络结合起来,应用于设备故障专家系统的知识荻取和诊断推理中,可以提高运算效率,具有很好的应用前景.利用该方法,对测得的样本数据进行实验分析,证明此系统具有推理效率及准确性较高的特点.     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

神经网络在网络丢包预测中的应用

通过在网络控制系统中加入BP神经网络从而达到对网络丢包进行预测的目的,为进一步的丢包补偿做足准备.利用粒子群算法优化BP神经网络预测器.仿真结果表明：与BP神经网络相比,PSO-BP神经网络具有更好的网络丢包预测性能.     

基于熵权-离差的GA-BP神经网络编程能力评估方法

针对在线评测系统中缺少对学习者编程能力的客观反馈和评估指标权重难以确定的问题,建立遗传算法(genetic al-gorithm,GA)优化反向传播(back propagation,BP)(GA-BP)神经网络的编程能力评估模型.通过对在线评测系统的数据进行挖掘,提取编程能力评估指标,采用双参数平衡熵权法和离差最大化法的客观组合赋权方法确定指标权重以及编程能力评估值,将评估值作为GA-BP神经网络的期望输出,并与单一BP神经网络确定的编程能力评估结果进行比较.研究结果表明,利用该模型能够实现对学习者编程能力的评估且评估结果更准确.     

基于遗传神经网络的城镇基准地价评估应用——以广西灌阳县为例

提出了一种融合遗传算法与BP神经网络的城镇基准地价评估模型。该模型以正方形网格作为基本评价单元,以遗传算法优化BP神经网络连接权值,以BP神经网络训练样本数据,实现其他网格地价的模拟与预测。结果表明,遗传算法可以有效增强BP神经网络快速学习网络权值能力和克服收敛速度慢、易陷入局部极小值等问题,BP神经网络的网络训练学习与自适应性符合处于动态变化的土地价格发展要求,呈现出广阔的应用前景。