一种基于神经网络的时序建模预测方法

ＢＰ学习算法是处理非线性优化问题的一种新方法,本文系统地分析了一些对建立时序预测模型产生影响的因素,设计了一个优化的雨网络训练方法。     

神经网络在过程建模中的应用

阐述了神经网络用于过程建模目前存在的问题，提出了改进的方法，并将此应用到了大型炼油厂脱蜡过程的建模中。通过比较改进前后的ＢＰ算法仿真结果可以看出，改进后的算法在网络的训练收敛速度上有了较大提高。     

利用神经网络外推预测油田综合含水率

逻辑斯特模型常被用来预测油田晚期勘探阶段的石油资源，还可用来预测一个油区的含水率变化过程。文中应用改进的神经网络算法和结构。预测油田的含水率变化趋势，并与Ｌｏｇｉｓｔｉｃ模型预测结果进行了比较。结果表明，神经网络是一种可行的石油资源外推预测方法。     

用BP神经网络预测股票市场涨跌

利用BP网络较好的分类能力,结合国内股票市场的特性,对于沪市综合指数涨跌的预测进行了初步探讨。大量数值实验结果表明,人工神经网络应用于中国股票市场的预测是可行和有效的,有着良好的前景。     

遗传算法优化的神经网络预测团雾

针对国内外研究中现有团雾预测方式中出现的不足,建立了基于遗传算法优化的神经网络预测模型,用以对高速公路团雾的发生进行预测.在利用遗传算法得到BP神经网络的初始权值和阈值基础上,通过神经网络对输入的历史团雾气象数据进行学习训练,建立团雾预测模型.经优化的神经网络模型避免了由于神经网络初始权值、阈值难以确定所造成的网络震荡问题,以及神经网络计算过程中易陷入局部解的问题.实验结果表明,优化后的团雾预测模型具有较高的预测精度,为高速公路团雾的预测提供了新的方法与思路.     

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。     

利用神经网络外推预测油田综合含水率

逻辑斯特（Ｌｏｇｉｓｔｉｃ）模型常被用来预测油田晚期勘探阶段的石油资源，还可用来预测一个油区的含水率变化过程。文中应用改进的神经网络算法和结构，预测油田的含水率变化趋势；并与Ｌｏｇｉｓｔｉｃ模型预测结果进行了比较，结果表明；神经网络是一种可行的石油资源外推预测方法。     

神经网络与某类曲线的预测

神经网络系统(Neural Networks)是人工智能与系统工程的边缘科学.它以分布式存贮和并行协同处理为特色,神经网络被认为是一种非线性方式连接一组输入和输出的系统.这种有代表性的连接关系是由一层或多层神秘的“神经元”制作而成的,神经网络的作用函数通常是非线性函数,当众多的神经元形成一个网络并动态运行时,就构成了一个复杂的非线性动力系统,它可以表示极其复杂的非线性模拟系统.     

利用BP神经网络预测原油粘度

神经网络是一种抽象的数学模型,研究BP神经网络的特性并利用该网络预测原油粘度,建立了一个BP神经网络模型,最后利用MATLAB环境下的神经网络工具箱开发相应的程序。并最终将其用于原油粘度的预测。     

采用改进的BP神经网络预测离心通风机性能的研究

ＢＰ神经网络在离心通风机性能预测的研究中具有重要的价值,研究结果表明,对于任意平方可积函数,都可以采用ＢＰ算法通过对样本的学习获得满意的模拟结果,因此,在构造离心通风机性能预测模型中,ＢＰ算法提供了一个有力的工具。但是,在实际应用中,ＢＰ算法的收敛速度很慢,而且,人教学上看,它是一种梯度最速下降法,这就不可避免地存在着局部最小问题,尤其在训练量大、输入参数众多的情况下,学习效果大受影响。作者从改善     

基于神经网络理论的内圆磨削过程模型研究

探讨用神经网络（ＮＮ）模型描述内圆磨削过程，介绍了ＮＮ模型的特点，针对ＢＰ算法，提出了一改进算法．利用内圆磨削轴承内圈内孔的实例，设计了一个三层ＮＮ模型，并针对内孔尺寸某一数据集，在计算机上进行了ＮＮ仿真建模．结果表明：ＮＮ模型适于描述内圆磨削过程，且合理选择输入节点及隐节点将加速网络的收敛．     

切片平均分子量神经网络预测模型的研究及应用

建立聚合反应切片平均分子量的预测模型对锦纶帘子布的生产有重要的意义,该文采用改进的遗传算法（ＧＡ）和ＢＰ算法相结合的混合学习算法来训练神经网络,并采用多元逐步回归法对输入层节点数进行了优化,建立了聚合反应切片平均分子量在线预测的神经网络模型。在某化工厂聚合反应中的应用表明,该模型比基于最小二乘法的预测模型收敛速度快,预测精度高、网络有泛化能力强。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。     

一种应用神经网络技术的威胁估计算法

在对现有威胁估计算法分析的基础上，结合神经网络技术，提出了于BP神经网络模型的威胁估计算法，利用神经网络良好的自适应能力和自学习能力，通过样本数据训练，提高威胁估计算法的准确性和适应性。     

单桩极限承载力的神经网络预测

利用BP神经网络较强的非线性映射能力和学习功能，建立了单桩竖向极限承载力预测的人工神经网络模型．该模型依据实测静力触探资料建模，通过静载荷试验成果的学习与预测检验，证明其预测精度良好、适用性强，验证了神经网络方法的可行性，因而具有较大的工程实用价值．     

基于BP算法的神经网络内模控制器

文章针对一类非线性系统,采用加入阻尼项的权值调整BP算法,设计了基于BP算法的神经网络内模控制器,并进行了仿真,结果显示该控制器对阶跃信号和扰动均无稳态误差,对非线性环节有较好的控制效果。     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

基于BP神经网络的玻璃瓶裂纹检测模型

阐述了BP神经网络的基本原理，介绍了一种直接估算最佳隐含层节点数的方法。针对普通的玻璃瓶裂纹检测算法存在的问题，提出了一种基于BP神经网络的玻璃瓶裂纹检测模型。实验表明，该模型的检测效果与普通算法相比有了明显的提高。     

采用MCU多层神经网络模型设计探讨

介绍了多层神经网络模型及BP学习算法,并以解决XOR问题为例,系统讨论了采用MOTOROLA单片机MC68HC11A8的多层神经网络模型的硬件设计与程序流程,进一步讨论了硬件设计中量化误差、算法的非线性等对系统性能的影响,以及应采取的措施。     

BP神经网络水华预测模型的敏感性分析

敏感性分析能够定量地评价模型输入变量的变化对输出结果产生的影响,是揭示模型蕴含规律的有效途径.本文将敏感分析方法应用于BP神经网络巢湖水华预测模型中,分析结果表明巢湖水华形成受诸多环境因子共同影响,水温、溶解氧、浊度、气温、光照强度等环境因子变化与藻类质量浓度变化相关,其中气温是最大影响因素,相对贡献率达到17.01%;气压的上升则不利用于藻类质量浓度的增加;pH值的上升对藻类质量浓度的影响有正有负.