基于MATLAB神经网络工具箱的电力系统负荷预报

提出的基于MATLAB神经网络工具箱的短期负荷预报模型,不仅简洁实用,而且涉及了天气和日期特征量,因而具有较高的预测精度.采用两种学习算法,用实际数据对ANN进行了训练,通过比较得出了优化模型.计算实例表明用该方法是可行的、有效的.     

BP神经网络算法在数字识别中的应用

介绍BP神经网络算法的理论和方法,并在MATLAB环境下给出了BP神经网络算法在数字图像识别系统中的应用.     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

递归神经网络的卡尔曼滤波及分层学习算法

将卡尔曼滤波算法引入到递归神经网络的训练当中,并针对递归神经网络、卡尔曼算法及ＢＰ算法的特点,提出了用于递归神经网络的分层学习算法,并给出了理论分析．仿真结果证明了本算法的有效性．     

基于模糊神经网络算法的机器人路径规划研究

路径规划是移动机器人研究的关键技术之一。在研究模糊理论和神经网络的基础上,提出了一种新的算法,即模糊神经网络。模糊神经网络既可以像神经网络那样并行处理、自行学习,又可以像模糊理论处理模糊信息、完成模糊推理功能。采用模糊神经网络来对移动机器人的路径进行规划,充分发挥模糊理论和神经网络的各自优势,从而获得从起始点到目标点的最优路径。在环境信息完全未知且静态的情况下进行了仿真实验,结果表明:该算法效率高、收敛速度快,有效提高了移动机器人的智能化水平。     

具有岸桥碰撞和甲板约束的岸桥混合装卸作业调度优化

针对具有岸桥间不可相互穿越及安全距离约束、甲板开闭约束的集装箱码头岸桥混合装卸作业的调度优化问题,分析了岸桥装卸与移动过程中的相关性质,并提出一种基于减小岸桥移动距离和均匀化岸桥负荷的启发式算法.在该算法基础上设计了一种遗传算法,进一步搜索最优解,并推导了问题的一个低界.数据实验表明,所提出算法的解具有良好的质量和较高的时间效率.     

一种新的基于RS和NN的混合数据挖掘算法

提出一种结合粗糙集理论和BP神经网络理论的新数据挖掘算法.算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,将归约后的数据作为训练数据提供给神经网络.通过粗糙集归约,提高了训练数据表达的清晰度,也减少了神经网络的规模,同时利用神经网络又弥补了粗糙集对噪声数据敏感的不足.     

RBF神经网络迭加粗糙集的数据挖掘算法探讨

报告了数据挖掘技术及算法的现状,研究了粗糙集理论和RBF神经网络的经典模型,比较分析了二者优缺点,为提高数据挖掘算法的准确性,提出了RBF神经网络迭加粗糙集的数据挖掘算法思想,实验数据验证了利用RBF神经网络优化数据,再利用粗糙集来约束和提取规则,可取得良好的数据挖掘效果。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

基子回归神经网络的误差配准算法

神经网络系统理论已受到广泛关注,它的理论和方法已被应用到许多研究领域.本文介绍了神经网络雷达配准原理,并推导了基于回归神经网络的误差配准算法.     

利用子波基函数神经网络进行预测

提出了一种利用子波基函数神经网络对自动控制系统进行预测的新方法。子波基函数神经网络利用局部获得信息完成函数映射,从实验数据中提取时频特征,基于以前观察获得的数据来预测未来的输出结果。在这篇论文中,我们提出了一种实现子波基函数神经网络的结构和算法,并给出了一个时间序列预测的例子评价子波基函数神经网络预测的性能。     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

多项式基函数神经网络模型

从函数逼近理论出发，用一组正交基函数作为三层前向神经网络各隐含单元的输出特性，以其加权和作为网络的非线性输出，构成一种单输入单输出正交基函数神经网络模型。建立了多输入的多项式基函数神经网络，并给出了非线性静态特性拟合，ＸＯＲ特性和动态特性拟合计算机仿真结果。     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。     

神经网络PID控制

以工业ＰＩＤ控制中控制器参数调整困难为背景，在分析神经网络特性的基础上，提出神经网络控制方法，设计了具有自适应性的神经网络ＰＩＤ控制器，在描述了神经网络的学习机理的基础上，给出了控制器控制算法。通过２个实例验证了神经网络在线控制的可行性。     

子波基神经网络及其建模

将神经网络与子波理论结合,构成新型的神经网络结构-子波基神经网络,不同于一般前向神经网络的是该网络的隐层单元的激活函数为不同尺度下的子波函数.该网络具有良好的逼近非线性的能力.本文将其应用于非线性系统建模.     

基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

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.