基于GA-BP神经网络的ACFM实时高精度裂纹反演算法

针对传统交流电磁场检测(ACFM)特征信号难以实现缺陷高精度实时反演的问题,在电磁耦合ACFM探头有限元模型分析的基础上,引入能量谱和相位阈值判定方法实时获取裂纹特征信号,建立裂纹实时反演实验系统并进行裂纹检测实验,基于加入遗传算法的BP神经网络(GA-BP)建立的ACFM实时高精度裂纹反演算法对实验得到的裂纹特征信号进行长度和深度的反演。结果表明:电磁耦合ACFM探头有限元模型可较好地仿真裂纹特征信号;采用能量谱和相位阈值判定方法能够实时获取裂纹特征信号;GA-BP神经网络能够实现裂纹长度和深度的反演,反演精度误差不超过10%。     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

基于灰色神经网络模型的美国碳排放预测

该文基于世界银行数据库1984—2014年美国的碳排放量、美国人均GDP、美国人口总量、化石燃料能耗百分比、人均耗电量等数据,结合多种预测模型,较为准确地预测了美国未来30年的碳排放量。首先基于灰色预测模型表明,未来30年美国的碳排量将呈现逐年递增的趋势。为了进一步提高预测精度,将偏差的关系归纳到BP神经网络模型中,利用神经网络模型趋势外推法对预测结果作进一步完善,预估未来30年美国的碳排量呈现先递增然后逐年开始递减的趋势,即曲线呈现比较明显的倒U型,与Kuznets曲线相符。     

基于灰色预测和Elman神经网络的全国用水量预测

为解决我国存在的水资源问题,考察各省份的用水状况。从生活、农业、工业和生态4个方面进行全面分析,对各省份2020年的用水量进行预测。采用GM(1,1)模型预测所有用水量影响指标,并使用Elman神经网络拟合了指标与各省份年用水量的映射关系。通过数据检验,可见基于GM(1,1)模型和Elman神经网络的用水量预测模型误差很小。最后,预测结果与国务院发布的水资源"三条红线"中2020年的用水量控制红线进行比较,结果表明:黑龙江、江苏、江西、广西、甘肃、宁夏和新疆7个地区在2020年的用水量预测值超过国家要求。     

基于表面肌电的肘关节运动角度预测

表面肌电信号(sEMG)由于能够反映用户的动作意图而被广泛应用在上肢康复治疗系统中.针对目前上肢康复机器人的手臂关节运动控制不灵活的问题,提出一种基于sEMG的肘关节运动角度预测方法.为解决单一的时域特征提取方法存在的时间效率高而稳定性不足的问题,从时域和频域分别提取特征值,采用BP人工神经网络建立表面肌电信号与肘关节角度的映射模型,实现肘关节角度的预测.实验结果表明,该模型的预测结果与真实角度值有高度的一致性,有助于提高上肢康复机械臂的灵活性.     

基于Elman神经网络的污染源数据预测

为了给环境保护决策提供有价值的预测数据,提出利用Elman神经网络建立污染源数据预测模型的方法,以大气中的主要污染物SO2为例,用预测模型表征SO2的浓度和气温、相对湿度、风速、时间等影响因子及其历史数据之间的复杂关系.使用训练后的模型对数据进行模拟仿真,结果表明所建立模型的计算输出值与实际样本数据有着较好的一致性,模型预测效果优于基于BP神经网络的预测模型.     

基于改进神经网络的疲劳裂纹扩展速率预测

裂纹的萌生与扩展是一个复杂的非线性动力学过程,裂纹扩展速率具有非线性动力学系统的混沌现象和自组织特征.将BP神经网络和L-M贝叶斯正则化算法相结合,可使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文章利用16MnR钢CT试样实测数据进行网络训练,训练好的神经网络可以对该材料的疲劳裂纹扩展速率进行较为精确的预测.     

基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

基于灰色神经网络的测井预测地层破裂压力

在新兴的信息处理技术中,灰色系统预测法和神经网络预测法都可用来解决精细测井解释和油藏描述中的模式识别和参数预测等问题。基于灰色GM(0,N)静态模型和BP神经网络模型,提出了一种新的参数估算方法即灰色神经网络判释法,由此分析了利用测井资料预测地层破裂压力的可行性。以H盆地中部气田为实例,综合应用现场试采测压资料和测井资料,建立了该气田石盒子组马家沟组地层破裂压力的灰色BP神经网络预测模型,成功地处理了该区25口气井(油井)资料。结果表明,该法简便好用,预测精度高,为应用测井资料预测地破裂层压力开拓了一条新的途径。     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

基于灰色神经网络的云平台大数据安全风险评估

为了提高网络云平台大数据存储的安全性能,并对数据安全风险进行评估,提出了一种基于灰色神经网络的云存储大数据安全风险评估模型。首先,采用基于自治的元组划分方法将待分析和评估的大数据安全风险信息进行分类,利用高斯密度谱提取信息特征,然后利用灰色神经网络将待分类的信息进行分解,最后,使用自适应差分改进方法检测安全风险信息的相关性。模型根据大数据安全风险信息频谱的特征提取,实现了相关补偿和自适应控制,提高了大数据安全风险评估能力。安全评价曲线能够快速收敛,并与K近邻算法(K-nearest neighbor, KNN)对比仿真实验结果显示,基于灰色神经网络的模型评估具有较高的准确性,因而具有更好的大数据安全保护能力。     

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

Prediction Model of Sewing Technical Condition by Grey Neural Network

The grey system theory and the artificial neural network technology were applied to predict the sewing technical condition. The representative parameters, such as needle, stitch, were selected. Prediction model was established based on the different fabrics' mechanical properties that measured by KES instrument. Grey relevant degree analysis was applied to choose the input parameters of the neural network. The result showed that prediction model has good precision. The average relative error was 4.08% for needle and 4.25% for stitch.     

基于神经网络的交通流的预测

在简要介绍智能系统中交通流的实时检测设备的基础上 ,为满足交通流诱导系统的理论需要 ,建立了实时交通流量神经网络预测模型。该模型为交通流诱导系统提供了预测交通状况的一种很好的方法     

基于灰色神经网络的道路权重确定方法

提出了一种基于灰色神经网络的道路权重确定方法.首先利用灰色预测模型少数据建模和人工神经网络模型非线性逼近的优点,将两种模型有机结合,实现对交通流的模拟预测;其次利用交通流量-行驶速度以及行驶速度-行驶时间的关系确定交通流量与行驶时间的关系模型;最后结合前两部分建立的模型构建基于灰色神经网络的路阻函数模型,从而确定路段的权重.实验结果表明,该方法具有较高的精度,且模型利用少量的数据就可以确定路段的路阻函数,为路段权值的确定提供了一种有效可行的方法,可用于智能交通的路径规划等应用中.     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。     

一种基于灰色模型的数据预测优化算法

近些年来,灰色模型GM(1,1)被大量应用于小样本或穷信息的预测,操作与实现步骤简单,预测精度较高.为了进一步提高GM(1,1)的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变通常把灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GAGM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.通过算法的数值实验,结果表明优化算法的预测精度高于传统的GM(1,1)算法及多个基于GM(1,1)的改进算法.