神经网络在岩石多角度偏振光谱识别中的应用

依据岩石多角度偏振光谱反射特征数据,运用神经网络方法,对反射特征相近的岩石加以识别.在识别中以不同方位角、反射角及入射角的反射比等参数作为训练样本及测试样本,训练样本经过网络学习、训练得到神经网络模型,测试样本对神经网络模型进行检验,实验证明将神经网络应用于岩石多角度偏振遥感技术是岩石识别的一种切实可行的方法.     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

视觉类次任务驾驶安全性预测模型

为了建立一种视觉类次任务驾驶安全性预测模型,实现对驾驶人执行视觉类次任务时的行车安全进行预测,设计并进行了城际高速公路场景中三种视觉类次任务驾驶试验;以眼球运动状态参数集和车身行驶状态参数集为安全评价指标,使用模糊层次分析法(F-AHP)计算得到测试驾驶人的安全评价数字等级;以此为基础,利用BP神经网络建立视觉类次任务驾驶安全性预测模型,以30名测试驾驶人的评价指标数据作为神经网络的输入训练样本、安全评价数字等级作为神经网络的输出训练样本,调试网络参数直至满足本研究的精度需要;最后,使用其余10名测试驾驶人的数据对模型进行适用性测试。研究结果表明,在操作车载收音机、发信息以及操作触摸屏设备这三种次任务情境下,本预测模型的适用性较好,可以比较准确的实现对驾驶人安全等级的预测。     

应用人工神经网络识别试井解释模型

对不同的试井解释模型，把压力导数曲线作为训练样本，应用ＢＰ网络进行训练，训练后的网络能根据现场的实际试井数据识别试井解释模型．本文用模拟的数据、不完整的数据、有噪声的数据和一个现场试井数据对这个ＢＰ网络进行了测试．结果表明人工神经网络能够正确地识别试井解释模型，也能识别不完整的、有噪声的数据．人工神经网络技术有效地改进了目前在试井解释模型中广泛采用的模式识别方法，是一个非常值得推广和使用的技术     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

Kohonen网络与BP网络的集成应用研究

本文介绍了Kohonen神经网络对输入数据进行聚类方法在卷烟配方中的应用，提出了从核心样本动态搜索BP网络训练样本的新探索，摒弃了过去BP算法中训练样本固定不变，互不相交的方法，实现了BP网络和Kohonen网络动态无缝集成。     

采用BP和RBF神经网络的厦门市工程造价预测模型

收集55个厦门市典型工程造价指标,利用SPSS软件对数据进行预处理,选取11个工程特征作为造价的主要影响因素,分别建立基于多层前馈(BP)和径向基函数(RBF)神经网络的工程估价模型.从55个案例中随机抽取10个作为预测样本,剩下的45个作为训练样本,进行BP,RBF神经网络预测模型的训练和测试.结果表明:通过参数优选的RBF神经网络工程造价预测模型,预测误差在5%以内,网络泛化能力更优越,可用于实际工程造价的辅助估算.     

BP神经网络在磨削烧伤诊断中的应用

用磨屑热辐射流温度信号作为信号源，运用ＢＰ神经网络对磨削烧伤状态的智能辨识进行探讨，结果表明，利用ＢＰ网络的高度非线性射表达能力，实现了样本特征值空间的模式空间的映射，对训练样本及测试样本进行了正确识别，且识别正确率较高。     

基于朴素贝叶斯分类模型的车型识别方法

提出一种基于朴素贝叶斯分类模型的车辆分类方法,采用车辆的实际特征数据长度和宽度作为训练样本,离线训练朴素贝叶斯分类模型,同时利于CCD摄像机采集道路车辆图像,提取车辆轮廓曲线外接矩形的长度和宽度作为测试样本,通过离线训练获得的分类器,对车辆类型进行识别．仿真试验证明,朴素贝叶斯分类模型具有较高的分类性能,在同等训练和测试条件下,可以获得比BP神经网络分类器优越的分类效果．     

自适应模糊神经网络在工业用水量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network-based Fuzzy Inference System,ANFIS)网络,提出了工业用水量预测的ANFIS网络预测模型,并以黄河流域1993-2002年工业用水量为训练样本,以2003年、2004年工业用水量为校验样本,结果表明,ANFIS神经网络预测模型具有很高的准确性和实用性.