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。     

神经网络结合遗传算法优化应用

神经网络特别是BP网络因其函数逼近能力已取得了广泛的应用,遗传算法因其解决优化问题的普遍适用性而在现实生活及科研领域获得了广泛应用。本文提出的优化策略是为解决一些工程优化问题,即用神经网络及遗传算法结合起来解决此类问题。以BP网络的函数逼近能力隐式地得到问题的函数表达式,再用遗传算法优化该网络的输出。     

基于粒子群优化的神经网络在教学质量评价中的应用

文章提出了一种将粒子群优化(PSO)算法训练的神经网络用于高校教师教学质量综合评价的方法。该方法使用由PSO训练的BP模型来拟合影响教师教学质量评价的众多指标与评价结果之间的复杂关系。与BP算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度,其泛化性能也比较好。     

一种混沌神经网络及在优化计算中的应用

提出了一种混沌神经网络模型。在Hopfield网络中引入混沌机制,首先在混沌动态下搜索,然后利用HNN梯度优化搜索。对非线性函数的优化问题仿真表明算法具有很强的克服陷入局部极小能力。     

神经网络BP模型在室内轰燃预测中的应用

总结了目前常用的室内轰燃预测方法，评述了人工神经网络和BP网络模型的特点以及神经网络在轰燃预测中的工作原理和网络构建方法，提出了预测轰燃的神经网络预测法，进行了有效的验证。由于室内火灾受建筑材料热惯性、开口通风因子、燃料热释放速率和房间内部尺寸等多种因素影响，传统轰燃预测方法存在多方面的局限性，而BP神经网络预测方法是合理、可行的方法。     

改进粒子群优化神经网络及其在产品质量建模中的应用

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法. 使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证. 结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度.     

基于样本优化的神经网络方法在储层裂缝识别中的应用

常规测井资料解释应用于非常规储层裂缝识别时,存在裂缝识别率低,储层评价不准确等问题;而成像测井方法(FMI)识别效果好,但成本过高。为了提高常规测井裂缝识别的准确率,首先采用BP(back propagation)神经网络方法,建立常规测井参数与裂缝发育程度之间的非线性关系。在神经网络样本选取上,引入K-means聚类算法,依据不同样本特征对其进行优化分类。最后,利用聚类结果分别建立更为精细的神经网络模型,并用于实际裂缝预测。将该方法应用于塔河油田碳酸盐岩储层A探井,识别结果表明:基于样本优化方法的裂缝密度曲线拟合效果(相关系数R分别为0.84、0.89、0.76)明显优于未考虑样本优化方法(R为0.58),验证了本文方法的优越性,可以将其作为一种识别储层裂缝发育程度的新方法。     

神经网络在催化剂配方优化中的应用

介绍了一种应用前向多层神经网络进行催化剂配方优化的方法．给出了神经网络算法的基本原理，步骤及网络结构，由实际数据得出了仿真结果．将仿真结果与以往方法的计算结果加以比较，证实了这种算法的可行性．这种算法对其它化工实验数据分析也有借鉴意义．     

神经网络在信号处理中的应用

运用ＢＰ网络来消除信号的随机噪声和模式识别，作为例子，考虑了正弦波、矩形波和三角波３种信号。在５０％噪声情况下，ＢＰ网络仍能有效地消除这３种信号中的随机噪声并正确地找出它的理想模式。     

微生物技术在煤炭脱硫中的应用

文章介绍了煤的微生物脱硫技术及其研究状况,阐述浸出法脱硫工艺．指出存在的问题,并探讨了其应用前景．     

神经网络模型在用电负荷预测中的应用

在电力系统规划中 ,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多 ,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势 ,文中引入三层反向传播的神经网络模型 (BP网络模型 )对居民用电负荷情况进行了分析 ,并采用变化学习速率的方法对网络进行训练。     

生物催化脱硫技术及其在炼油工业中的应用

生物催化脱硫技术是一种新型的脱硫技术,文中介绍了生物催化脱硫技术的研究现状和机理,并对其炼油工业中的应用做了简要的介绍。     

PID神经网络内模控制在湿法烟气脱硫中的应用

该文针对石灰石/石膏湿法烟气脱硫工艺中吸收塔浆液pH值变化过程的高度非线性、时滞性以及各种不确定性、常规P ID控制难以达到满意的控制效果,提出了一种基于改进P ID神经网络的内模控制方案,对浆液pH值变化过程进行辨识和控制。仿真结果表明,在改进P ID-NN的内模控制下,吸收塔浆液pH值很好地跟踪了系统的设定输入及其变化,体现了高度的自适应性。同时系统超调量小,稳态精度高,优于常规P ID控制。满足实时控制的要求。     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题,并通过实验仿真将该算法与BP算法进行比较,从而验证了该算法的可行性与有效性。     

自适应模糊神经网络的优化辨识及仿真

利用优化理论对自适应模糊神经网络的辨识问题进行了研究，提出了基于共轭梯度法的网络辨识算法，通过与ＢＰ算法进行的比较仿真表明本方法切实可行。     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题.并通过实验仿真将该算法与BP算法进行比校,从而验证了该算法的可行性与有效性.     

比较BP神经网络和RBF神经网络在基金净值预测中的应用

基金市场的活跃程度直接影响基金净值的变动,市场内部的影响因素具有较强的非线性特征,神经网络模型强大的非线性处理功能能够更为精准地预测基金净值的走势.本文采用BP神经网络和RBF神经网络对华夏成长基金进行实证分析,比较2种方法的预测精度.实证结果表明:RBF神经网络的仿真结果与真实值匹配程度较好,具有更高的预测精度.     

遗传优化BP神经网络在槽况预测中的应用

针对目前国内对铝电解槽槽况诊断存在的的难度大、效率低等问题,设计了一种以槽电压信号为特征向量的诊断样本和BP神经网络模型.利用BP神经网络的自学习能力,对铝电解槽的槽况进行分析预测.同时本文利用遗传算法的最优搜索能力对BP神经网络的初始权值和阈值进行优化.通过MATLAB对状态预测算法进行编程.结果显示,对铝电解槽槽况的判断基本正确.     

采用NGA优化的新型BP神经网络模型及诊断应用

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出了一种小生境遗传算法优化的BP神经网络模型。该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练。有效解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。最后结合变压器故障诊断实例。在Matlab7.0平台上进行仿真实验。实验结果证明:与传统方法相比,该模型具有很强的可行性和有效性。