非线性时间序列建模与预测的神经网络法

简述了人工神经网络的基本概念及计算特性,提出了用神经网络方法进行非线性时序建模的基本思路,分析了传统的BP学习过程,得出了BP学习算法的改进算法.然后讨论具有一层隐层的前向式神经网络,基于预测误差分析,提出了权值估计方法,使非线性时序建模的神经网络法规范化.     

模拟退火优化BP神经网络进行云相态分类

为利用中分辨率成像光谱仪(MODIS)多通道云图数据对云相态进行分类,提出了一种利用云图红外、可见光谱段数据,基于SABP神经网络的云相态分类算法.算法基于BP人工神经网络学习算法及模拟退火算法.在两算法结合的基础上,作出了有益于云相态分类的改进.基准网络模型为3层前馈BP网络,其中,隐层和输出层使用不同的激活函数.选取了5种光谱特征作为网络输入,输出两单元判定结果.为加速收敛速度,避免振荡,采用了一种自适应的变学习系数、惯性系数策略.个例分析表明,算法在中低纬度地区效果良好.     

B-P神经网络改进及其在Matlab中应用程序发布的研究

主要讨论了B-P神经网络的结构、算法及不足,列举了一些关于训练时间长、出现局部极小值等问题的改进方法,分析了各种改进方法及其改进的效果,还选取了几种可以与B-P算法相结合的算法,最后以实例说明BP神经网络在Matlab中的实现及发布成独立应用程序的过程.     

基于神经网络逐级分类建模的北京地区能见度预报

在研究了北京市近10年来城市能见度变化特征及低能见度发生的主要影响因素的基础上,利用北京市气象站观测资料筛选出主要的预报因子,使用学习向量量化算法对样本进行分类,再利用列文夸特算法逐级建立预报模型,并进行预报试验.结果表明神经网络逐级分类模型具有良好的预报能力,其关键在于模型的识别分类能力,试验得到分类准确率达到87.0%,采用列文夸特优化算法的逐级分类模型较统计回归预报残差平方和下降了57.1%;低能见度、中等能见度、高能见度预报准确率分别为60.0%,68.2%,79.3%,均高于统计回归预报方法(12.5%,41.7%,52.4%).     

南湖富营养化的人工神经网络评价

有采用权重贡献率分析法优选因子和确定因子权值的基础上,应用Ｂ－Ｐ人工神经网络以地南湖水质富营养化进行综合评价,并将Ｂ－Ｐ法评价结果与用分级评分法的评价结果进行了比较,其结果与目前通用的评分法的评价结果一致。     

分支前馈神经网络的研究

在BP算法的基础上，提出了一种用于模式分类的人工神经网络模型-分支前馈神经网络，并给出了相应的算法，对模式分类的几个典型例子进行了计算机仿真研究，仿真结果表明，与一般BP网络相比较，分支前馈神经网络显著地减少了训练时间，且分类效果更好。     

基于BP网络的火成岩岩石化学分类研究

叙述了现有的火成岩分类方案中存在的诸如某些岩类在分类图解上没有空间，岩类因控制参数少存在投影重叠，岩石中存在同质异矿现象颗粒大小的极端差异以及含有玻璃质导致一些岩石分类错误等问题。提出了以BP网络算法为基础，以火成碉的SiO2,TiO2,Al2O3,FeO,MnO,MgO,CaO,Na2O,K2O,P2O5等11个氧化物成分变量，使用人工神经网络建立火成岩岩石化学分类模型。研究表明，该分类方法是合理的，可行的，取得了良好的分类效果；对训练对样本的判对率为92．18％，而对46个检验样本的判对率达97．8％。     

一种用于快速分类问题的神经网络学习算法

对传统的ＢＰ算法进行了改进，提出了基于二阶导数的ＢＰ算法，大大减少了样本训练的迭代数，从而提高了网络运算速度，对异或问题和蜢虫分类问题的计算，取得了满意的效果。     

基于高维空间划分的神经网络分类学习模型

基于高维空间划分的原理，提出了一种非线性神经元CC模型和基于CC模型的神经网络的构造算法。从理论上证明基于CC模型的神经网络的容错性比MP网络要好，而且网络的隐层节点个数远远少于FP网络的隐层神经元个数，对于分类问题其计算复杂性仅为多项式（上界≤O(p^2),p为样本个数。该网络有明确的几何和物理意义，具有持续学习和噪声数据处理能力，适合大规模数据挖掘领域。     

岩爆分类的人工神经网络预测方法

采用人工神经网络原理，选取影响岩爆的一些主要因素，如地应力、岩石抗压强度、抗拉强度等作为输入参数，建立了岩爆分类与预测的神经网络模型．利用国内外一些工程实例作为学习和训练的样本，并用已经训练稳定的样本对某水电站地下厂房岩爆进行预测．研究表明，与其他岩爆预测方法比较，人工神经网络模型更具有客观性和有效性．     

基于人工神经元网络的采场顶板质量评价模型

根据神经网络理论，建立了采场顶板质量评价的人工神经网络模型，实例表明该模型的评价正确率高，是用于解决复杂非线性系统评价问题的有效方法。可望在煤矿开采领域其它评价问题中得以推广应用。     

基于神经网络的采掘接替优化研究

矿井采掘计划的编制是典型的不良结构和复杂的技术经济问题。本文采用人工神经网络技术和最优梯度下降算法来构筑ＡＮＮ数据获取器,以此获取采掘技术经济指标,并将ＡＮＮ 模型与计算机模拟相结合对矿井采掘关系进行动态调整与优化。     

基于人工神经元网络模型的预测控制研究

研究了基于人工神经元网络模型的非线性预测控制，所采用的网络为一种将线性模型与多层前向网络相结合的ＤＬＦ网络，仿真结果表明，该“混合网络”易训练，收敛速度可大大加快，在ＤＬＦ模型的基础上，本文研究了一种非线性预测控制算法，它的显著特点是在线计算量小。对于一非线性过程－球形罐液位的仿真结果表明，基于ＤＬＦ的非线性预测控制效果颇佳。     

ARTIFICIAL NEURAL NETWORK BASED ASSEMBLABILITY EVALUATION

Assemblability evaluation is a pivotal step in design for assembly (DFA). In this paper, the authors analyze the problem existing in previous assemblability evaluation methods, put forward a new approach-Artificial Neural Network based Assemblability Evaluation Method (AAE), describe the principles and implementations of the neural network in use for assemblability evaluation. AAE has been put into use in product design. The results of the experiments and analyses show that assemblability is measured more objectively, accurately and completely by using AAE than the conventional methods.     

神经网络在大型回转机械故障诊断中的应用

利用人工神经网络对大型回转机械中的常见故障进行分类和识别。首先讨论了如何从现场故障振动信号中提取故障特征;然后利用一个隐层的BP网络对故障特征进行训练,在训练信息不完备的情况下,就神经网络对组合故障的出现进行了计算,最后利用工厂实际数据进行比较和验算,结果令人满意。     

用遗传算法训练基于神经网络结构的控制器

介绍现在正被逐渐广泛的应用的新型的、随机性的全局优化方法－遗传算法,阐明它的基本方法、基本理论、特点,并将其与神经网络相结合,用于控制有纯滞后的对象,根据问题选择合适的具体实现形式,获得良好效果。     

人工神经网络在网壳结构稳定性计算中的应用

利用误差反向传播网络的算法，探讨了人工神经网络在网壳结构稳定性计算中的应用．分析结果表明，人工神经网络可以很好地预测网壳结构的极限承载力，并且优于回归计算公式．     

基于文化算法的神经网络集成方法

提出了一种基于文化算法的神经网络集成方法,在训练好个体神经网络后,使用文化算法选择部分网络来组成神经网络集成.该方法将遗传算法纳入文化算法框架,充分利用优秀个体的经验知识来指导算法的搜索过程,从而提高了算法的搜索速度.实验结果表明,使用文化算法进行集成,能够提高构造差异性大的神经网络集成的效率.     

煤与瓦斯突出的神经网络预测分析

煤与瓦斯突出是一个复杂的过程 ,做好预测预报工作显得尤为重要。本文通过建立煤与瓦斯突出的人工神经网络预测模型、原始样本的学习 ,可预测待报样本的突出情况 ,并进行了实例分析。经过检验 ,该预测模型的预测精度较高。图 1 ,表 2 ,参 3。     

基于人工神经网络的专家系统的建立

文章提出了一个基于人工神经网络的专家系统及其分层结构、知识获取和推理的方法，并将其用于生烃条件评价中。