基于粒子群优化算法神经网络在开采沉陷中的应用

考虑BP网络存在收敛速度慢、局部极值等缺点,引入线性下降惯性权重粒子群优化（LWPSO）算法,建立基于线性下降惯性权重粒子群优化（LWPSO）算法的人工神经网络模型,在分析抚顺发电有限责任公司厂区地表下沉的实际观测资料的基础上,对厂区的任意点,任意时刻进沉陷预测研究。     

激活函数可调的神经元网络的一种快速算法

将激活函数可调的神经元网络的结构做了一个变形, 给出了网络学习的一种快速算法, 并对异或问题, Feigenbaum函数和Henon映射进行仿真实验, 结果表明, 该算法具有很快的收敛速度, 很高的收敛精度, 性能优于BP算法. 在此基础上, 将变形后的网络再进行改进, 实验表明改进后的网络具有更好的性能.     

基于FBO和GPU的动态CEM算法及实现

改进了OPENGL中动态立方体环境映射的实现方法,新方法利用FBO使环境图像直接渲染到立方体纹理,利用GPU编程语言GLSL进行逐像素纹理和光照计算,与传统方法相比,该方法提高了帧率和图象质量.最后给出了该方法实现过程.     

激活函数可调的神经元模型及其有监督学习与应用

提出一种激活函数可调的新神经元模型(tunableactivationfunction,简记为TAF)模型,并给出这类模型的一般形式.该模型用于多层前向神经网络MFNN时,其激活函数可借类似BP算法进行训练而求得.通过几个具体例子给出了对激活函数进行训练的算法.试验结果表明,采用TAF模型的多层前向神经网络的网络容量和性能,优于采用通常M-P模型的网络.     

激活函数可调的神经元模型及其有监督学习与应用

提出一种激活函数可调的新神经元模型（tunable act ivation function，简记为TAF）模型，并给出这类模型的一般形式，该模型用于多层前向神经网络MFNN时，其激活函数可借类似BP算法进行训练而求得，通过几个具体例子给出了对激活函数进行训练的算法，试验结果表明，采用TAF模型的多层前向神经网络的网络容量和性能，优于采用通常M－P模型的网络。     

单张正面人脸图像的三维人脸重建方法研究

针对基于单张正面人脸图像进行三维人脸重建时所需脸部侧面深度信息缺失的问题,提出基于BP神经网络快速三维重建方法。通过建立BP神经网络估计出正侧面人脸数据的关系,从而由输入的正面数据得到侧面数据,并对BP算法做出改进,加速了算法的收敛,提高了拟合的精度。然后利用获取的人脸侧面数据调整CANDIDE-3人脸模型,生成近似图...     

基于Markov随机场和FRAME模型的无监督图像分割

提出了一种多纹理图像的无监督分割方法. 此方法应用两层的随机场模型对需要分割的图像进行建模. 第一层用Markov随机场(MRF)模型表示一个不可观测的区域图像, 第二层用“滤波器, 随机场和最大熵(FRAME)”模型表示覆盖每一个区域的纹理图像, 与传统的分层Markov随机场(HMRF)模型相比较, FRAME模型可以取较大的邻域系, 从而对更加复杂的图案式样进行建模. 根据Bayes定理, 分割问题被转化成一个最大后验(MAP)估计问题. 迭代条件模型(ICM)算法用来求解最大后验估计. 提出一个基于局部熵率的算法来简化MRF参数的估计, FRAME模型的参数用最大期望(EM)算法估计. 最后, 使用一些合成的和真实的图像分别来做实验, 实验结果表明该方法能有效地分割含有复杂纹理的图像, 并且对噪声有一定的鲁棒性.     

基于宏块类型的检错方法

提出一种基于宏块类型信息的视频传输差错检测方法。对已解码帧间宏块，计算接收到的残差图像的绝对值之和，并通过运动补偿参考块的纹理复杂度来估计当前宏块的帧内纹理复杂度。比较接收到的帧间残差与帧内纹理复杂度，当帧间残差比帧内纹理复杂度大于某阈值时，即认定该宏块传输有误，并对该宏块进行错误隐藏。对已解码帧内宏块，通过检测当前宏块与周围宏块的连接平滑程度来发现错误宏块。实验结果表明新算法能有效地消除出现较大错误的宏块。结合新算法与错误隐藏，解码端的重建图像质量提高了0．5-1dB左右。     

网络态势感知系统的告警阈值确定方法研究

在网络态势感知系统中需要对影响网络性能的各项指标设置阈值,通过设置阚值和阚值检查可以在网络出现性能问题时及时向管理人员告警.本文提出了一种利用BP神经网络来确定告警阚值的方法:在采集到的大量性能数据中选取典型值作为训练样本训练BP神经网络.输出该值隶属于各模糊区问的隶属度,最后利用检验样本找到各区间的分界点即为阈值.文章还利用MATLAB对BP神经网络进行了仿真实验,验证了该方法的有效性.     

基于BP神经网络方法研究岩石节理形貌粗糙度系数

岩石节理粗糙度系数(JRC)是研究岩石力学性质的重要参数。为了更准确地描述这一参数,本文基于人工神经网络的原理,提出一种研究JRC的新方法——BP神经网络预测法。选取节理表面最大峰高S_p、表面最大高度S_z、表面最大谷深S_v、峰度系数S_(ku)、偏斜度系数S_(sk)、均方根高度S_q、算术平均高度S_a7个表面形貌高度特征参数作为网络输入,剖面线分维值和JRC作为网络输出,以此为基础构建网络模型,并对10组实测数据进行了预测验证。结果表明:该方法误差很小,具有很高的预测精度,可为进一步的研究提供新的思路和方法。     

基于HMM-ANN的咳嗽音识别

通过将ANN(人工神经网络)改进应用到HMM(隐马尔科夫模型),使用Mel频率倒谱系数(MFCC)+帧能量+MFCC一阶差分,二阶差分的结构提取咳嗽音特征参数,HMM输出的所有状态累积概率作为ANN的输入序列进行非线性映射,进而提取新的信息来提高HMM的识别性能.实验证明,利用HMM-ANN混和模型来处理咳嗽声识别具有更高的识别精度和可靠性.     

Neural network versus econometric models in forecasting inflation

Artificial neural network modelling has recently attracted much attention as a new technique for estimation and forecasting in economics and finance. The chief advantages of this new approach are that such models can usually find a solution for very complex problems, and that they are free from the assumption of linearity that is often adopted to make the traditional methods tractable. In this paper we compare the performance of Back‐Propagation Artificial Neural Network (BPN) models with the traditional econometric approaches to forecasting the inflation rate. Of the traditional econometric models we use a structural reduced‐form model, an ARIMA model, a vector autoregressive model, and a Bayesian vector autoregression model. We compare each econometric model with a hybrid BPN model which uses the same set of variables. Dynamic forecasts are compared for three different horizons: one, three and twelve months ahead. Root mean squared errors and mean absolute errors are used to compare quality of forecasts. The results show the hybrid BPN models are able to forecast as well as all the traditional econometric methods, and to outperform them in some cases. Copyright © 2000 John Wiley & Sons, Ltd.     

基于BP神经网络的杭州湾北岸水下地形遥感反演研究

基于BP神经网络模型,利用同一时期的遥感影像和实测杭州湾北岸海图资料,构建了影像灰度值和水深值之间的单隐层BP神经网络模型,用以反演杭州湾北岸水下地形。结果表明,与传统的统计模型比较,所建神经网络模型反演地形的精度达84％。由此可见,基于影像灰度值和水深值建立的BP神经网络模型在反演海岸水下地形方面具有较强的应用价值。     

基于小波阀值降噪和BP神经网络的超短期风电功率预测

针对超短期风电功率预测问题,考虑了风电场复杂的噪声背景和风电功率的波动性,提出了一种基于小波阀值降噪-BP神经网络的超短期风电功率预测方法。该方法采用近似对称光滑的紧支撑双正交小波db4（Daubechies函数）作为小波基,通过多分辨分析的Mallat算法对历史时序风电功率数据进行3尺度分解。根据Donoho阀值法对各层小波系数进行软阀值降噪处理,再通过小波逆变换重构历史时序风电功率,由BP神经网络对其进行训练,预测目的风电功率序列。仿真算例将该方法与普通BP神经网络方法进行了对比,比较结果证明其预测精度优于后者,具有很好鲁棒性和降噪性能,适用噪声复杂的风电场超短期风电功率在赣预测．     

基于复杂网络理论的水网节点重要性评价研究

复杂水网节点的重要性排序在工程应用中有重要实践意义,对于水网调度、安全管理有重要借鉴意义.为此,本文在复杂网络理论基础上,以山西大水网节点重要性排序问题为背景,对水网节点重要性评价进行研究.首先从整体角度出发,不考虑水网方向和干支斗毛级别差异,基于水网全局网络拓扑结构,从局部属性、全局属性、传播属性和网络位置四个方面定义了节点重要性评价指标.其次,分别根据这四个指标,对水网节点重要性进行排序分析,结合分析结果对网络位置指标进行了改进.然后,由于单指标评价结果不够全面且适用范围具有很大的局限性,给出了基于TOPSIS的多属性决策方法来综合评价节点的重要性.最后,考虑水网方向和级别差异,提出对水网进行干支斗毛级别划分,基于Page Rank算法对同一级别的有向赋权水网节点重要性评价进行研究.     

基于BPNN的电液伺服扭振试验机PID控制算法研究

弹性轴类零件液压伺服扭转振动试验概在实验过程中,由于系统非线性及负载变化或干扰因素的影响,其控制系统参数及数学模型易发生改变,导致控制效果变差。针对该试验机的控制系统,提出了基于BP神经网络（BPNN）的PID自适应控制算法。利用MATLAB／Simulink工具箱对该算法进行仿真实验。结果表明：结合了神经网络特点的智能PID控制器具有响应快、精度高、鲁棒性好和抗干扰能力强等优点,改善了控制系统的动态性能。     

基于节点状态的多接口多信道WMN信道分配算法

多接口多信道无线Mesh两络信道分配的目的在于提升网络容量以及保持网络连通的同时,降低干扰,增强信道负载平衡.由此,提出一种基于节点状态的信道分配方案.该方案是一种基于优先级的多项式时间贪婪混合式算法.NS2仿真结果表明,该算法不仅可以较好地解决信道负载平衡,提升网络容量,而且即使在节点接口的数量少于有效信道数量时,也能使信道得到有效的分配,保证网络的连接通畅.     

Neural networks and the multinomial logit for brand choice modelling: a hybrid approach

The study of brand choice decisions with multiple alternatives has been successfully modelled for more than a decade using the Multinomial Logit model. Recently, neural network modelling has received increasing attention and has been applied to an array of marketing problems such as market response or segmentation. We show that a Feedforward Neural Network with Softmax output units and shared weights can be viewed as a generalization of the Multinomial Logit model. The main difference between the two approaches lies in the ability of neural networks to model non‐linear preferences with few (if any) a priori assumptions about the nature of the underlying utility function, while the Multinomial Logit can suffer from a specification bias. Being complementary, these approaches are combined into a single framework. The neural network is used as a diagnostic and specification tool for the Logit model, which will provide interpretable coefficients and significance statistics. The method is illustrated on an artificial dataset where the market is heterogeneous. We then apply the approach to panel scanner data of purchase records, using the Logit to analyse the non‐linearities detected by the neural network. Copyright © 2000 John Wiley & Sons, Ltd.