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。     

神经网络拟合电位滴定法测定铬(Ⅵ)

建立了电位滴定E-V曲线的神经网络插值模型,对铬(Ⅵ)的电位滴定曲线进行拟合,使用拟合一阶导数和拟合二阶导数确定电位滴定终点.使用改进的BP算法,避免产生麻痹现象.测定了电镀液中铬(Ⅵ)浓度.分析结果表明,该方法准确、快速,在电容量分析方面有广阔的应用前景.     

神经网络拟合电位滴定法测定铬（Ⅵ）

建立了电位滴定E—V曲线的神经网络插值模型,对铬(Ⅵ)的电位滴定曲线进行拟合．使用拟合一阶导数和拟合二阶导数确定电位滴定终点．使用改进的BP算法,避免产生麻痹现象．测定了电镀液中铬(Ⅵ)浓度．分析结果表明,该方法准确、快速,在电容量分析方面有广阔的应用前景．     

基于BP网络的银行竞争力综合评价

基于BP神经网络模型对银行竞争力进行了评价，根据神经网络原理，对银行竞争力综合评价模型的构造，网络的系统训练过程、BP学习过程等进行了讨论，用实例进行了验证，结果表明BP网络在评价中是一种很好的方法和工具。     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

用于脑电数据压缩的改进的BP小波神经网络

用一种改进的BP小波神经网络对脑电图(EEG)数据信号进行压缩．对小波神经网络采用最速梯度下降法优化网络参数，并对学习率采用自适应学习速率方法自动调节．利用小波神经网络的函数逼近特性，对脑电随机信号进行逼近，最终压缩比可达15以上．实验结果显示，小波神经网络在大量压缩数据的同时，能较好地恢复原有信号。     

一种可提高试井模式识别准确度的改进HT-BP方法

在用BP神经网络进行试井问题模式识别的过程中 ,若将现场试井数据简单地以点对的方式送入BP神经网络进行识别 ,则与训练模式无法对应 ;若在用BP神经网络学习和识别曲线之前进行归一化处理 ,则会引起曲线的尺度变化和空间位移。结合试井问题对Hough变换进行了改进 ,提出了与改进Hough变换相应的比例变换和空间压缩方法。用比例变换和空间压缩方法及改进Hough变换法对试井曲线进行预处理后再送入BP神经网络 ,可以大大改善识别能力。实例说明 ,改进Hough变换与BP神经网络相结合的方法 (MHT BP)对试井模式识别的准确性较高。     

遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

水电机组效率的神经网络算法

水电站优化运行要求具有连续水位和导叶开度下的效率特性曲线。对此提出用BP神经网络方法计算机组效率，并建立了BP神经网络模型，以现场效率试验数据作为样本进行训练，并用训练好的网络计算该机组的效率。网络的训练速度及计算结果表明，该算法收敛速度较快，精度高，为计算水电站任意水头及导叶开度下的机组效率提供了新思路和新方法，可用于指导水电机组的优化运行。     

Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

基于深度信念网络的滑坡敏感性评价

滑坡敏感性评价中各致灾因子之间存在复杂非线性关系，传统的评价模型难以揭示该类复杂关系，以致评价结果精度受限.基于文献调查与实地调研，选取高程、地貌类型、岩性、坡度、与构造线距离、与水系距离和年均降雨量为主要致灾因素，在地理信息系统(GIS)中建立了基于深度信念网络(DBN)模型的区域滑坡敏感性区划模型，并以四川区域为例进行了实例分析.最后通过ROC曲线特征将评价结果与逻辑回归(LR)和人工神经网络(BPNN)模型评价结果进行了对比分析，并探讨了各评价模型对不同致灾因子的响应.研究表明DBN模型具有更高精度以及较低的假阳性率和假阴性率，更适合于大区域、复杂致灾因素的区划滑坡敏感性评价工作.     

基于遗传神经网络的数字化渐进成形回弹预测

针对传统BP神经网络具有易陷入局部极小等缺陷,采用遗传算法(GA)对BP神经网络(初始权值、阈值)进行了优化,将人工智能技术和激光扫描测量技术有机结合,建立了金属板材数字化渐进成形回弹预测的遗传神经网络模型,对计算结果与BP神经网络预测结果进行比较,表明遗传神经网络预测值与实测值之间具有很高的相关性和精确度,该模型可用于预测渐进成形工艺参数与回弹量之间的映射关系,为金属板材数字化渐进成形回弹量的预测开辟了一条新的途径.     

2-巯基吡啶与钴(Ⅱ)、锰(Ⅱ)螯合物的合成及表征

以2—巯基吡啶为配体的钴(Ⅱ)、锰(Ⅱ)二种螯合物．经EDTA络合滴定分析、热重分析、红外光谱分析，确认了螯合物的组成与结构．结果表明：配体2—巯基吡啶是以S，N两原子为配体原子，与Mn(Ⅱ)以2：1、与Co(Ⅱ)以3：1的配比形成中性螯合物。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于BP神经网络和析因设计的土壤中EE2和BPA超声辅助生物降解模型

以碳源添加量、 氮源添加量、 恶臭假单胞菌接种量、 超声时间和降解时间作为输入变量, 以雌激素乙炔基雌二醇（EE2）和双酚A（BPA）的降解率为输出变量, 构建土壤中超声辅助的EE2和BPA降解BP神经网络模型. 利用BP神经网络模型预测雌激素超声辅助降解析因设计的响应值, 并通过析因设计分析影响雌激素微生物降解的主效应及交互作用, 进而求解土壤中EE2和BPA的最优降解条件为10%的碳源添加量、 10%的氮源添加量、 接种量为20 mL、 超声时间为1 min和降解时间为168 h. 结果表明: BP神经网络模型的相关系数为0.952 5和0.983 1, 模拟效率系数（NSC）为0.956 5和0.957 2, 模型具有较准确的预测功能; 碳源添加量×氮源添加量和碳源添加量×恶臭假单胞菌接种量在雌激素降解过程中发挥协同作用, EE2和BPA最大降解率分别为87.13%和69.27%; 分析雌激素的有机碳标化系数 (lg K_oc)及其半衰期的结果表明, EE2和BPA的降解效果与其移动性成正比, 与持久性成反比.     

遗传算法-神经网络-流动注射光度法同时测定邻、间、对硝基苯酚

利用遗传算法对神经网络的结构参数及初始权重进行了优化.得到优化的遗传神经网络GA-BP-ANN.将此网络应用于解析流动注射—光度分析法测得的邻、间、对硝基苯酚的重叠光谱,建立了不经分离同时测定邻、间、对硝基苯酚的新化学计量学方法.     

基于主成分分析与模糊BP方法的藻类繁殖状态预测

将主成分分析（PCA）与模糊反向传播（BP）网络建模方法相融合,提出了PCA-模糊BP方法并用于藻类繁殖状态的预测,建立了叶绿素a含量的预测模型.采用PCA对各类采集数据进行预处理,并将PCA所得各理化因子作为模糊BP网络的输入变量,叶绿素a的含量作为模糊BP网络的输出变量,经过学习训练,获得藻类繁殖状态的预测模型.结果表明,PCA-模糊BP方法降低了各类输入样本数据之间的相关性和模型系统的维数,加快了模糊BP网络的收敛速度,其与典型BP神经网络模型相比,具有更快的计算速度和更高的预测精度,能够较好地预测海洋藻类繁殖的生长状况.
     

多元校正电位滴定法同时测定苯甲酸和水杨酸

建立了一种可同时测定苯甲酸和水杨酸的电位滴定新方法.在这种方法中,滴定剂是氢氧化钠与氯化钾的混合溶液,被滴定液中同时插入了pH指示电极和氯离子指示电极.在滴定过程中的任一滴定点,溶液的pH和滴定剂的加入体积可由两个电极的电位测定值同时获得,从而可应用多元校正法由相应的滴定曲线求得混合酸中每一种酸的含量.该方法免去了滴定剂体积的直接读取,且不需确定滴定终点,因此该法简便、精确.应用本方法对样品中的苯甲酸和水杨酸进行了同时测定,结果满意.     

广义Schur补与Khatri-Rao积

把广义逆A(2)T,S的广义Schur补和Khatri-Rao积结合起来,得到了两个分块为2×2分块矩阵的Khatri-Rao积的广义Schur补的一个表达式.