BP和概率神经网络预测微生物热稳定性的比较

微生物的热稳定性与代谢网络的拓扑特征之间存在着密切的关系。分析了460个微生物的22个代谢网络拓扑特征,分别利用BP神经网络和概率神经网络建立分类模型,以比较两种算法预测微生物热稳定性的效果。通过分析隐层数目和扩展常数对分类效果的影响发现,相对于BP神经网络,简单易用、稳定性好的概率神经网络更适合于从代谢网络特征角度预测微生物的热稳定性。当耐热菌与常温菌数比例为1∶1、扩展常数为0.09时,概率神经网络对常温菌、耐热菌的预测率分别为72.83%和82.61%。预测率也表明,聚集系数、介数等代谢网络拓扑特征影响着微生物的热稳定性。     

基于概率神经网络的高校毕业生学位评审预测

客观地、高效地、准确地对高校毕业生获得学位进行评审,是高校面临的一个重要问题.本文首先提取影响毕业生学位的评审五大指标：学习成绩、实习成绩、论文成绩、英语四级、计算机等级,然后建立了概率神经网络的高校毕业生学位评审模型.Matlab仿真实验表明,该方法评审学位简单快速且准确率较高,具有良好应用前景,也为今后高校学位评审...     

基于Elman神经网络的移动通信系统智能预测方法

由于复杂多变的通信环境,移动通信面临着严峻挑战.为了及时处理复杂事件,预测移动通信系统的中断概率(outage probability,OP)性能就非常重要.研究了移动通信系统OP性能预测,并且提出了一种基于Elman神经网络的移动通信系统OP性能智能预测方法.针对OP性能,推导了其精确闭合表达式.和径向基函数(rad...     

基于PCA的概率神经网络模式分类方法

研究了概率神经网络隐单元主要分量的选取方法。这些方法的概率神经网络比原来的网络大大降低了隐单元数，并且带来分类测试时间减少的增益。最后，就模拟和实测两组数据进行了计算机仿真，实验结果证实了这种方法的可行性。     

BP神经网络法在产品质量预测中的应用

BP神经网络结构模型设计是应用中成功的关键,首先对其如何设计进行了阐述,特别是对设计者感到辣手的隐层,采用优化方法;以最小迭代次数为目标函数,以满足误差要求为约束函数,解决了隐层的结构问题;根据工艺条件和产品质量指标,确定输入、输出层的单元数·结合实例VC产品质量控制,确定出各层的合理的单元数,解决了网络结构模型设计中的困惑,并达到了产品质量预测的目的,具有指导意义·     

基于遗传神经网络的产品价格预测方法

应用遗传神经网络方法，建立了工业产品预测的神经网络预测模型，并运用遗传算法对建立的神经网络模型的结构和推理参数进行优化，使预测结果更加准确，为工业项目的投资评估提供了一种更为合理的预测方法．     

基于神经网络的可靠度时序预测方法研究

提出了利用人工网络进行可靠度时序预测的方法,分别利用径向基函数（ＲＢＦ）网络及自适应模糊神经（ＡＮＦＩＳ）网络对发动机涡轮增压器进行了可靠度的时序预结果表明,利用神经网络进行可靠度时序预测是可行的,并且ＡＮＦＩＳ的预测能力要优于ＲＢＦ。     

基于神经网络的公路货运量预测方法研究

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.     

基于冲突指导的神经网络预测方法

研究基于冲突指导的神经网络预测技术. 利用离散约 束最优的拉格朗日乘数理论, 通过采用前馈方法得到近似梯度的模拟退火技术, 避免了盲 目接受试验点. 利用松紧策略加快了搜索的收敛速度. 实验结果表明, 训练误差和预测 误差都有很大改善.     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络(PNN)实现了对图像序列中移动目标——人头的跟踪.由于采用单一特征信息的跟踪算法在复杂环境中往往失效,故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据,并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正.实验结果表明,基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果,且具有简单、跟踪鲁棒性好等特点.     

奇异摄动系统的概率神经网络滤波

将改进的概率神经网络（ＰＮＮ）用于奇异摄动系统的实时状态估计，注意针对系统快，变部分的滤波。仿真结果表明，ＰＮＮ滤波对于实时估计奇异摄动系统快变状态的适用性。     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

基于概率神经网络的高压断路器故障诊断模型

针对高压断路器在线监测与故障诊断问题,提出了一种基于概率神经网络的高压断路器故障诊断模型.该模型利用Parzen窗函数和Bayes分类规则建立了前向型自监督神经网络,在分析分（合）闸线圈信号的基础上提出了高压断路器故障模型.仿真结果表明,该模型对断路器的故障模式识别过程具有训练速度快、输出误差小和收敛性好等特点.     

概率神经网络的边界预报

在概率神经网络用于时间序列预测的基础上,结合数理统计理论,提出在一定置信度情况下,对时间序列的边界预报问题．在时间序列预报时,不仅给出预报值,同时也给出预测值的变化范围．通过模拟数据和齿轮箱实际数据,对边界预报进行了应用分析,得出预报具有滞后性的结论并分析了其原因;同时讨论了平滑因子等参数对边界预报的影响．     

基于模糊神经网络的大时滞系统的预测控制

工业生产过程中常有大时滞存在,用传统控制方法不能获得满意的控制效果。为解决这个问题,本文提出了基于模糊预测的模糊神经网络（Fuzzy Neural Networks)控制器,根据过程的动态变化实施控制器的在线调整,仿真和实践都表明了该控制方案的优越性。     

基于改进型BP神经网络的油井产量预测研究

为了保证油田生产持续稳定地发展,针对油田单井产量提出了基于改进型BP神经网络的预测模型。对传统的BP神经网络的结构和训练算法进行了研究,发现它存在易于陷入局部极小,收敛速度慢等问题。提出了使用LM算法的改进型BP神经网络。最后给出了基于改进型BP神经网络的单井产量预测模型仿真实验。结果证明该算法的实用性和可行性,在油井产量预测方面有一定的实用价值。     

人工神经网络水质预测模型研究

水质预测物理模型在水环境保护中起着十分重要的作用,然而由于模型的参数识别问题,使其应用受到很大局限.对人工神经网络(A rtific ia l N eura l N etw ork,简称ANN)水质预测建模作了初步研究.用试错法,以训练时间和测试误差两项指标为依据,对比分析三层、四层网络结构,认为ANN模型适应于水质预测建模,并提出了适合的模型结构、学习速率、传递函数.     

基于门控循环单元神经网络的公交到站时间预测

为提高用户公交出行积极性、方便管理部门合理调度公交班次,利用大数据分析公交浮动车辆历史GPS数据,考虑不同线路、公交站点地理位置、不同驾驶员、气象情况、时间分布等多因素的影响,建立了一种基于门控循环单元(gated recurrent unit, GRU)神经网络的公交到站时间预测模型。该模型结合5 000多万条原始数据,借助分布式Hadoop集群中的Spark弹性分布式数据集进行数据清理,并运用站点匹配算法进行源数据匹配、Lasso算法优化特征选项及去除干扰。实验仿真结果表明:改进的GRU模型R-square拟合度达到94.547%,并且算法效率较传统长短期记忆(long short-term memory,LSTM)神经网络提高了近14%,为进一步提高公交到站时间的预测精度与效率提供了参考。     

基于人工神经网络与回归分析的水质预测

针对人工神经网络(Artificial Neural Networks,缩写ANN)在预测中出现的异常值现象,采用了回归分析模型得到的预测区间来控制异常值现象的方法.并且应用在黄河三门峡河段的水质预测中,氨氮通量预测的ANN模型控制前平均精度仅有50.05%,控制后该月的相对精度为90.08%,平均精度达到80.79%,整体预测精度明显提高.化学需氧量(COD)浓度的预测也有类似情况.实践表明该方法对于消除ANN模型预测中出现的异常值现象是较为有效的.