改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

神经网络方法在发动机特性仿真中的应用研究

根据发动机特性实验结果研究了发动机扭矩和转速与燃油耗及节气门开启角之间的关系.分析了利用BP神经网络工具箱对该网络进行设计的过程,建立了发动机扭矩和转速与燃油耗及节气门开启角关系的神经网络模型,即基于函数trainbpx和trainlm的模型.结果表明,基于函数trainbpx的模型的稳定性较好,而基于函数trainlm的模型的结构较简单,训练时间较短.     

防止BP神经网络训练函数进入局部误差振荡缺陷的一种方法

在应用MATLAB软件神经网络工具箱函数训练获取BP神经网络权值矩阵函数或非线性数学模型时,由于BP神经网络训练样本集中输入、输出(目标)样本参数的绝对值和离散性有时太大或过于集中,在网络权值矩阵误差函数逼近过程中,易产生局部误差最优或误差振荡等缺陷。本文介绍一种利用MATLAB神经网络工具箱prestd和poststd函数,通过对输入、输出(目标)样本参数进行正规化处理,使其不至于太小,可防止在网络权值矩阵函数训练时不会进入局部误差最优或误差振荡的缺陷区域。经实例分析计算证明,该方法在如何优化获得实用可靠的BP神经网络权值矩阵函数是有效可行的,对研究MATLAB语言用于网络系统控制和非线性函数或数学模型逼近研究工程技术人员具有一定的参考价值。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于遗传算法反向传播模型的板形模式识别

针对在板形模式识别中, 反向传播（BP）网络对未知板形识别能力差和遗传算法（GA）优化神经网络初始权重过程复杂等问题, 提出一种基于多维空间优化的遗传算法优化BP网络初始权重的板形模式识别GA-BP模型, 该模型直接以网络权重构造多维空间染色体, 以训练样本误差和测试样本误差相结合作为遗传算法的适应度函数, 以较大的网络期望误差和低的进化程度为网络的训练策略. 研究结果表明： 基于多维空间的遗传优化方法, 建模简单, 无需编码、解码, 大大减少了编程计算量;GA-BP模型有效提高了BP网络对未知板形的识别能力和识别精度, 在工业试验中, GA-BP模型板形模式识别结果跟板形仪的实测板形非常接近.     

基于BP神经网络的盐胀量的预测方法

为了研究盐胀量与含水量、含盐量、干密度以及上覆荷载之间的关系,自主设计了硫酸盐渍土的定量增湿盐胀试验,并在试验结果的基础上采用BP神经网络对盐胀量进行了预测。经验证发现:采用BP神经网络对不同含水量、含盐量、干密度和上覆荷载等级条件下盐胀量的预测值和试验实测值有较高的拟合度。证明了运用BP神经网络对盐胀量进行预测这一方法是可行的,从而为盐胀量的预测提供了一个新的研究思路和方法。     

BP算法及其应用实例

BP网络（也称激活函数采用Sigmoidal函数的多层感知器）是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP算法是一类有导学习算法,用于BP网权值和阈值学习,它的规则的推导是基于最小均方误差准则,它可实现函数逼近,同时利用Matlab进行仿真。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP（反向传播算法）神经网 络和RBF（径向基函数）神经网络作了理论上的分析比较，并采用实际数据进行训练，说明了RBF神经网 络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建 立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

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。     

柴油机EGR温度的智能控制策略

利用改进的BP神经网络算法,建立了样本柴油机排气温度的神经网络模型,通过柴油机台架实验采集柴油机转速、负荷、油耗、排气温度等参数作为神经网络模型学习样本,使用实验数据对所建立模型进行训练,并对该神经网络模型进行了误差分析,结果表明,所建神经网络模型反映了实验样机的排气温度变化规律,在测试数据范围内,排气温度辨识误差小于...     

零误差密度函数准则的BP神经网络学习研究

BP神经网络的学习通常以均方误差函数(MSE)为目标函数,当目标变量不满足高斯分布时,其结果可能偏离真正最优.零误差密度函数(ZED)利用非参数估计中的Parzen窗法得到误差在零点的概率密度函数.将零误差密度函数作为BP网络的目标函数时,通过对光滑参数的选择使新的目标函数能够适用于期望输出满足任意分布.仿真实验分别以零误差密度函数和均方误差函数为目标函数的BP网络学习在函数逼近方面进行比较,结果表明零误差密度函数要比均方误差函数的适用范围更广.     

基于径向基函数神经网络的水轮发电机组效率曲线计算方法

提出用径向基函数(RBF)神经网络进行水轮发电机组效率曲线计算的方法，并建立了径向基函数神经网络模型，以有限水头下原型效率试验数据为样本进行训练，所得的网络可快速准确地计算任意水头下的效率特性曲线。与BP神经网络模型的对比结果表明，该方法避免了BP神经网络的局部极小及收敛速度慢等缺点，在精度、训练速度等方面优于BP神经网络。     

基于神经网络的沥青混合料抗剪强度预估方法

通过采用神经网络工具,探讨沥青混合料的抗剪强度预估方法．通过对比,采用不同输入参数,选定沥青类型、集料类型、空隙率、级配类型、公称粒径、油石比等六个影响因素作为输入参数．引入了误差分级迭代法进行网络学习训练,通过对比常规BP算法和误差分级迭代法,发现后者能有效减轻初始权值和阈值对训练和样本预测的影响,也能较好控制样本预测的误差．因此,建议采用基于误差分级迭代法的BP神经网络方法,预测沥青混合料的抗剪强度．     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于电子鼻技术的茶叶贮藏时间检测方法

主要探索茶叶贮藏时间的检测方法.以黄山毛峰茶为研究对象,利用电子鼻对7个不同贮藏时间下的干茶叶进行检测.根据电子鼻传感器阵列响应特点选取了特征变量,以特征变量为自变量,以茶叶贮藏时间为因变量,建立了茶叶贮藏时间的BP神经网络预测模型.通过测试样本对模型进行实验分析,结果表明:该模型对于7个不同贮藏时间茶叶样本最大预测误差为42.1天;预测误差超过10天的最大样本数为5个,占总样本数的7.14%.验证了所建立的茶叶贮藏时间BP神经网络预测模型的可行性.     

锅炉飞灰BP-WA算法优化控制策略

针对锅炉飞灰含碳量在线测量参数多变、惯性大等问题,设计一种改进型BP神经网络飞灰含碳量预测模型.通过主元分析法分析各燃烧工况与飞灰含碳量的关系,利用信息熵将标准BP神经网络中的误差函数进行改进,以抑制输入样本中的干扰噪声,并采用主元分析法筛选模型中输入参数,精简网络模型.结合所提出的改进型BP-WA(BP神经网络-狼群算法)优化控制策略对锅炉燃烧运行工况进行优化控制仿真研究,结果表明：采用改进型BP-WA优化控制策略优化飞灰含碳量前后,锅炉飞灰含碳量预测与标准BP网络模型方法相比,均方误差降低0.012 1;飞灰含碳量降低3.50%,提升了锅炉运行的稳定性.     

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.     

一种多核神经网络集成的地震要素预测方法

为了提高地震要素的预测准确度,在同一个网络模型中构建多种不同类型的基核函数,对不同种径向基函数构建多核神经网络集成模型,以提高网络的精度.从确定最优径向基神经元数、适当加大训练的目标误差等多个方面加以优化,减小最小训练误差和提高预测精度.采用多元回归分析法,对样本进行拟合得到子预测的多元回归系数,对子预测模型进行多元回...