基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

基于近红外光谱特性分析的花生含水率检测

以花生检测国家标准GB/T 5497为基础，采用近红外光谱检测技术对花生含水率是否达标进行检测. 实验配制了30个不同含水率的花生样本，其中18个样本含水率达到国家标准，12个未达标，将样本分为训练集和测试集，通过近红外实验获取不同含水率的花生对不同波长光的吸收情况，将采集的数据作为BP神经网络的输入参数，在训练集对神经网络进行学习和训练，然后采用该模型，对测试集花生含水率是否达标进行测试. 实验表明，基于近红外光谱技术和神经网络的识别方法可全部正确识别测试集样本.     

基于RS—BP融合的裂缝监控模型

目前对大坝裂缝的监控主要是应用统计模型，然而在实际应用中，其分析精度易受因子相关性的影响．本研究提出了基于RS—BP耦合的裂缝监控模型，该方法首先应用RS对裂缝监控信息进行属性和样本集约简，以提高网络的泛化分析能力；然后用BP神经网络对约简的样本集进行模式训练；最后根据训练好的网络对裂缝进行分析，以掌握裂缝的演变性态．...     

神经网络中的正交设计法研究

提出用正交设计法选择前馈型神经网络训练样本的方法,并且对其基本原理进行了探讨。文中以三层BP网络为例,根据特定位级的正交表获取相应的训练样本集,利用该训练样本集对网络训练,然后用经过训练的网络对各取值域作离散预测。详细的对比计算表明：1）将正交设计法应用于神经网络学习训练样本的选取上是成功有效的;（2）选用四位级或五位级的正交表来对网络样本做选择精度已经足够。另外,将网络隐层神经元个数对网络的影响与选用正交表不同位级对网络的影响的效果也作了比较。     

一种气体传感器阵列检测模式识别新方法

针对气体传感器阵列检测模式识别方法中BP神经网络收敛速度慢且易陷入局部极小值的问题,构建了一种免疫神经网络:采用免疫算法对BP神经网络的权值进行全局搜索优化,再用BP算法进行局部搜索,并将其用于传感器阵列信号模式识别中。采用正交试验法设计神经网络的学习样本,在保证神经网络学习精度的同时减少了样本的数量。结果表明,该模式识别方法能有效解决气体传感器的交叉敏感问题,克服了传统BP神经网络存在的不足,提高了网络的训练速度和气体的检测精度。     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

基于概率神经网络的产品质量预测方法研究

对通过正交试验法采集样本数据、采用概率神经网络（PNN）对产品质量进行预测的方法进行研究．并将预测结果与反向传播神经网络（BP）预测结果进行比较。结果表明，在利用正交试验法采集的训练样本数据分别训练PNN和BP网络后发现，概率神经网络的预测准确度远远大于反向传播神经网络，显示了概率神经网络在模式识别领域的优势。     

基于正交设计的BP神经网络在油页岩渣制砖配方研究中的应用

采用正交实验设计与BP神经网络相结合,建立了油页岩渣砖配比与抗压强度之间的非线性关系模型,以正交实验数据为基础进行神经网络训练,得到了油页岩渣砖的BP神经网络预测模型.并对模型进行验证,预测结果基本满意.同时用训练好的BP神经网络预测模型建立了配方中单因素分析,对寻找最优配方有一定的指导意义.最终达到缩短实验周期,节省人力、物力的目的.     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

BP与GM(1,1)预测隧道涌水对比分析和实证

利用某隧道的涌水监测数据,对比BP神经网络和GM(1,1)灰色数列预测模型两种方法预测结果的差异,以考察其适应性与误差。结果显示,在小样本信息量少的情况下,GM(1,1)预测精度优于BP,但训练样本的精度低于BP;BP的预测结果同隐含层神经元个数密切相关,并存在一最优值;在监测数据较少时,对BP网络进行初始化和预测,每次训练样本的误差都满足要求,但预测值的误差大幅波动。研究表明,监测数据较少时,采用GM(1,1)较合适。通过分析小样本下产生上述结果的原因,提出了在有足够监测数据下,GM(1,1)用于中长期监测的改进方法(GM(1,1)展开或用Verhulst模型)、BP神经网络的改进方法(滑移窗口处理)。     

基于BP神经网络的高速磨削磨削力预测研究

应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.     

基于SVR-BP算法的江苏省空气质量指数预测

针对江苏省空气质量指数(air quality index, AQI)的预测问题,提出一个将反向(back-propagation, BP)神经网络与ε-支持向量回归机(ε-support vector regression,ε-SVR)算法相结合的SVR-BP回归算法。对训练集采用ε-SVR进行样本筛选组成新的样本集,再采用BP神经网络进行预测。样本集选取的时间跨度为2 a,样本数据为江苏省共98个监测点空气中各成分的含量。分别采用SVR-BP算法、BP神经网络和ε-SVR算法在数据更新频度不同的3个模型下对未来72 h的AQI进行预测。实验结果表明:本研究提出的SVR-BP算法的平均绝对百分误差较ε-SVR算法提升了4%～19%;训练时间比BP神经网络少0.1～2.5 s。SVR-BP算法预测AQI更为高效,在实时训练及样本筛选方面有更广阔的研究前景。     

基于样本划分的启发式遗传BP算法

遗传算法作为一种模拟生物遗传进化过程的随机搜索算法,具有并行和全局搜索能力、不要求函数可导等特点,在神经网络学习中得到广泛应用.合理选择初始群体和控制搜索的盲目性,有利于提高算法的效率.为此,提出了一种新的神经网络学习算法--基于样本划分的启发式遗传BP算法.该方法对神经网络学习样本进行划分,形成样本子集.初始群体通过在样本集类上训练神经网络而获得.这些初始网络中包含了关于样本子集的有用信息,根据模式定理,能通过遗传算法保留和加强.此外,提出并证明了关于样本集类及其BP训练的几个代数性质,结合子空间划分进行启发式搜索,以克服搜索的盲目性.对上述方法进行仿真实验,迭代次数和误差较小,表明本学习算法是切实可行的.     

改进BP神经网络在交通事故预测中的研究

交通事故严重程度受多种因素的影响,适合用人工神经网络来建模预测.因为标准BP(Back Propagation,BP)神经网络具有收敛较慢的缺陷,所以在自适应学习和附加动量因子改进BP神经网络~([1])基础上做了进一步的优化改进,使附加动量因子也具有自学习性.利用改进后的BP神经网络算法,选取英国利兹市的公开交通事故数据集,用影响交通事故严重程度的多种影响因素和事故严重程度构建并训练神经网络,并对最新数据进行预测.通过大量的实验对比收敛速度和预测结果,验证了改进后的算法具有更快的收敛速度和更高的预测准确率.     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.     

基于模糊神经网络的电动汽车变速器故障检测研究

针对电动汽车变速器故障呈现不确定性特征，影响检测性能的问题，设计了基于模糊神经网络的电动汽车变速器故障检测方法。从电动汽车变速器故障状态的工况数据中，提取电动汽车变速器的故障征兆参数；模糊化处理电动汽车变速器的故障征兆参数，依据电动汽车变速器故障征兆参数的隶属度，构建模糊规则库；利用BP神经网络学习模糊规则库的故障检测模糊规则，通过正向传播、反向传播和权值修正完成BP神经网络训练。将电动汽车变速器测试样本输入完成训练的BP神经网络，BP神经网络依据测试样本的模糊隶属度向量，输出故障检测结果。实验结果表明，该方法可以有效检测电动汽车变速器的齿轮断齿等不确定性故障，实用性强。     

一种改进BP算法在机械手逆运动学中的应用

通过对传统BP算法的分析，提出了一种改进激励函数的学习方法，并且在神经网络的每一层采用不同的学习速率，以提高训练速度；采用所提出的改进BP算法，训练多层前向神经网络，建立机械手逆运动学模型，仿真结果表明了该算法的有效性；与传统BP算法相比，大大提高了机械手逆运动学的精度。     

基于已有矿区工程实例对同一矿区不同工作帮边坡稳定性的分析

基于BP神经网络分析方法,选取合理的边坡物理参数、力学参数和几何参数,建立露天矿边坡稳定性分析模型.按照不同的分析目的与要求,分别建立了BP神经网络可行性模型、滑坡面预测模型和治理滑坡面模型;选取分析样本,进行网络结构及学习参数的优化;选取最优的学习样本进行学习训练,据学习结果,利用勘测数据对目标进行预测,其预测结果能够满足精度要求.为了进一步证明其可行性引入模糊的方法,通过信息扩散化原理进行二次数值计算,所得计算结果与之前预测结果吻合.     

基于灰色理论与BP网络的负荷预测

针对用BP神经网络进行预测时权值难以确定的问题,提出了一种基于将灰色理论与BP神经网络相结合的预测算法。采用数量研究法,选取重庆市某供电局1999年到2006年的售电量作为样本,利用不同的灰色模型对样本进行预测,再选出预测的最优值对BP网络进行训练,最后用已训练好的BP网络对样本数据进行预测。经实例预测表明:灰色理论与BP网络相结合的预测精度与单一的预测模型相比有了明显的改进,该算法在理论和实践应用中都是可行的,并为电力部门的生产运行和规划提供了重要的参考。