基于RBF神经网络的砂土液化预测

通过分析砂土液化成因及其影响因素,建立了砂土液化预测RBF网络模型,并与BP网络预测模型进行比较。测试结果表明,应用RBF网络模型对砂土液化进行预测,预测效果好,识别精度高．     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法,并将其应用到股票价格预测,同时在预测中引入了技术指标模型。仿真试验表明,相比于传统的RBF神经网络算法,菌群RBF神经网络算法可以得到更好的训练效率和预测结果。     

基于RBF神经网络的预测控制

运用神经网络解决系统的非线性问题,用预测控制解决系统时滞问题．针对制冷系统膨胀阀控制回路具有时滞、非线性的特点,提出了将基于RBF神经网络的预测控制用于蒸发器过热度的控制．仿真与应用均表明该算法具有良好的动态响应和较强的鲁棒性,能够对蒸发器过热度进行有效的控制．     

基于RBF神经网络的时间序列预测

分析了RBF神经网络的结构和学习算法,利用RBF神经网络和Matlab神经网络工具箱建立人口数量预测模型,并应用该模型对中国人口数量进行了预测.     

基于RBF神经网络的地下水位动态预测

在分析影响地下水位动态的诸多因素的基础上,在RBF网络的基础上建立地下水的水位动态预测模型.通过Matlab语言用计算机预测了地下水位动态,计算结果表明:与模糊识别法相比,RBF神经网络模型不仅计算精度很高,同时泛化能力也很强强等特点,能够正确反映地下水位动态变化,是一种值得推广的地下水位动态预测神经网络模型.     

基于RBF神经网络的粮食生产预测研究

提高中国粮食生产量的预测精度与效率是人们关注的一个重要问题.对RBF神经网络的结构、特性和训练算法作了简要的概述.根据粮食产量与其影响因素之间存在的映射关系,应用RBF神经网络建立了多因素非线性时间序列预测模型,并进行了仿真试验.结果表明,用RBF神经网络进行粮食生产预测得到了十分满意的结果.     

基于ATD-BP神经网络的页岩气产量预测方法

储层改造是页岩气开发的关键步骤,根据储层改造数据进行页岩气井产量预测,对后续施工优化有重要指导意义。然而,储层改造数据与气井产量间呈非线性相关关系,不适用于传统线性预测方法。且储层改造数据存在有效数据较少、噪声数据占比较大、维数较高等问题,不适用于受噪声影响较大的传统BP神经网络非线性预测方法。由此,本文提出一种页岩气储层改造产量预测方法,首先利用自适应阈值去噪(adaptive threshold denoise,ATD)算法去除噪声,再运用BP神经网络对储层改造数据进行非线性拟合,得到页岩气井产量预测模型。实验表明,相比传统的BP神经网络,本文所提方法能够有效提高预测的准确率和稳定性。     

基于RBF神经网络的股市建模与预测

提出一种基于ＲＢＦ神经网络的股市预测建模方法,并采用递阶遗传算法训练ＲＢＦ网络的参数、权重和结构,对上证综指和个股（伊利股份）的建模与预测结果表明,该训练方法使ＲＢＦ神经网络具有很强的学习与泛化能力,它在股市这样一个复杂的非线性随机系统建模中具有很高应用价值。     

基于RBF神经网络的股市预测及MATLAB实现

RBF网络是一种有效的前向型神经网络,适合于非线性时间序列金融系统的预测。以中国银行的实际收盘价作为预测对象,介绍了基于MATLAB的RBF神经网络应用。     

基于RBF神经网络的热轧碳钢变形抗力预测

以凸轮式高速形变试验机得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了碳钢的变形抗力与其化学成分、变形温度、变形程度及变形速度对应关系的RBF神经网络预测模型.通过对函数newrb()中宽度系数的调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.结果表明,与传统的BP网络模型相比较,RBF网络模型具有更高的精度和较强的泛化能力.     

基于RBF网络的漏磁检测缺陷定量分析方法

为了正确评估油气管道的使用寿命和安全状况,需根据漏磁检测信号特征对缺陷进行准确的定量分析。提出一种基于径向基函数(RBF)神经网络、用于定量分析油气管道缺陷的迭代方法,给出了具体的算法步骤,并采用自适应学习机制来训练网络,既加快了该算法的收敛速度,又避免了陷入局部最小值问题。仿真结果表明:该方法不仅训练速度明显快于普通反向传播(BP)网络,而且最大量化误差仅为0.26%。该方法有助于提高漏磁检测的准确度,可为油气管道的安全评估提供可靠的依据。     

基于RBF神经网络的结构动力响应预测

介绍了径向基函数(RBF)神经网络学习速度快,动态仿真性强,具有较强的输入输出映射功能和全局最优逼近的结构特点.针对快速预测结构动力响应有助于克服结构振动控制中时滞效应的特点及BP网络存在的问题,应用RBF网络对结构的位移、加速度进行了预测,并采用BP网络作对比研究.仿真结果表明RBF神经网络训练速度快,精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证.     

基于改进RBF神经网络的美元指数预测

首先介绍了RBF神经网络的原理.然后叙述了RBF神经网络的正交最小二乘算法,针对此算法在选择网络宽度上的不足,在原算法的基础上提出一种改进算法,该算法通过优化网络的宽度,提高了网络对时间序列逼近的准确度.对美元指数进行预测,预测结果表明改进的算法有良好的性能.     

地基土压缩系数的RBF神经网络预测

采用了输入层节点数为4、隐含层节点数为29、输出层节点数为1的RBF神经网络结构;RBF神经网络学习时,设置中心化方法为K-means聚类法,训练速率取0.15,加权种子数取2,Sigma参数取0.1,权重为0.2,最大迭代次数为16 000,误差均值控制为0.01.研究发现,训练RBF神经网络时,30组数据的土压缩系...     

遗传算法的BP网络模型进行瓦斯涌出量预测

从提高采煤工作面瓦斯涌出量预测的速度和精度入手,将遗传算法与神经网络2种非线性最优化算法的优势加以融合,提出了一种利用遗传算法同时优化BP网络的连接权和拓扑结构的网络模型,并以韩城下峪口煤矿为例,进行了实际应用。结果表明:改进后的BP网络模型预测精度较高,具有良好的应用前景。     

基于人工神经网络的碳/陶瓷复合材料性能预测

利用人工神经网络的BP算法,建立了碳/陶瓷复合材料性能与多组分掺杂含量之间的预测模型.模型由输入层、隐含层和输出层3层神经元组成,用以模拟人脑的结构.以掺杂物的质量分数为输入参数,经石墨化后测得的复合材料的电阻率和抗折强度为输出参数.选取了30组实验数据作为学习样本,任意的7组数据作为"未知样品"对网络进行验证.结果表明,实验值和预测值相比电阻率的最大误差不超过8%,抗折强度的最大误差不超过12%.所建的网络可为碳/陶瓷复合材料设计提供理论指导.     

基于改进的人工神经网络方法预测CTL表位

为简化细胞病毒T细胞(cytotoxicity T lymphocytek, CTL)表位鉴定方法,应用改进的人工神经网络方法定量研究了短肽与MHC(major histocompatibility complex)分子结合亲合力的关系,并建立了CTL表位的预测模型,得到了预测模型最优性能参数.用此模型对短肽与HLA-A*0201分子结合的805个预测样本进行了预测,预测准确度达到73.8%.对来自黑色素MAGE-2的短肽与MHC分子的结合亲合力也进行了预测,结果较好.     

水力裂缝与天然裂缝相交扩展形态的智能预测

水力压裂作为页岩气储层开采的核心技术,在压裂过程中水力裂缝的扩展会遇到天然裂缝,与天然裂缝相交后压裂缝的扩展特征对缝网的形成有明显影响,从而影响最终压裂改造效果。基于内聚力单元建立了基于断裂力学的页岩气储层渗流-应力-断裂耦合的水力裂缝与多个天然裂缝相交扩展模型,研究了不同天然裂缝倾角、天然裂缝尺寸、应力差、压裂液排量和黏度下水力裂缝与天然裂缝扩展形态规律。采用基于Bagging算法集成支持向量机(support vector machines, SVM)、决策树(decision tree classifier, DTC)、逻辑回归(logistic regression, LR)、K最邻近算法(K-nearest neighbor, KNN)的裂缝形态分类器对裂缝相交扩展形态进行预测,并将Bagging算法预测结果与SVM、DTC、LR、KNN预测结果进行比较。研究结果表明：基于Bagging集成算法对水力裂缝与天然裂缝相交扩展形态预测准确率达到了92.58%,相较于单个算法,最高提升了17.95%,其中应力差越小、天然裂缝倾角、裂缝尺寸越大和压裂液排量、黏度越低越容易产生剪切缝,...     

基于BP神经网络的股价预测

用数值实验的方法对基于BP神经网络的股市预测模型进行研究,并将广泛使用的一些股市技术分析指标引入了股票的神经网络预测模型中,结果表明,神经网络用于国内股市的预测是有效的.     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。