带中间状态反馈的多变量非线性预测控制

给出了基于神经网络的多变量非线性预测控制算法,提出了带中间状态反馈校正的基于神经网络的多变量非线性预测控制,以及反馈校正矩阵的设计方法．仿真结果表明,此算法大大地增强了系统的抗干扰能力,是一种有效和实用的控制方法．     

基于改进典型相关分析的混沌时间序列预测

典型相关分析是目前常用的研究两个变量集间相关性的统计方法.针对线性典型相关分析法不能揭示变量间非线性关系,因而不适用于混沌系统等问题,将核典型相关分析与径向基函数神经网络相结合,提出了一种改进的核典型相关分析方法以解决映射空间样本未知及逆矩阵求解困难等问题.首先利用两个径向基函数神经网络,通过训练使两个网络输出之间的相关系数达到最大,可同时得到两组典型相关变量.然后建立预测模型,对Lorenz混沌方程及大连月气温与降雨二变量混沌时间序列进行仿真,并与传统的线性回归预测方法进行比较,多组仿真结果证明了所述方法的有效性.     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

基于DPCA-BP神经网络的中长期电力负荷预测方法

针对PCA-神经网络预测方法解决预测问题时,忽视数据自相关性而造成的预测结果难以满足实际工程要求精度的研究现状,建立了预测数据的增广矩阵.通过计算前l时刻数据确定增广矩阵的维数,并把得到增广后的预测数据作为BP神经网络的输入变量,建立了基于DPCA-BP神经网络的预测模型,给出了模型结构.该模型能有效地去除自变量系统中与因变量无关的数据信息,增加自变量系统中数据的自相关性.算例比较分析表明,所建立模型的模型成分解释性增强,预测精度提高,预测效果优于PCA-BP神经网络方法.     

基于PCA-RBF神经网络模型的航空备件预测方法

提出了基于PCA-RBF神经网络模型的备件预测方法.首先利用主成分分析去除原始输入层数据的相关性,以解决RBF神经网络模拟备件需求时输入变量过多、网络规模过大导致效率下降的问题,最后选择合适的径向基函数密度训练神经网络.通过结合实例进行分析,取得了较好的效果.     

储层属性的遗传神经克里金插值方法及其应用

储层属性参数预测是油藏描述的一项重要基础工作,克里金或神经网络插值法是较为有效的简便预测方法。针对克里金法具有平滑性、神经网络难以反映变量的空间相关性等缺点,用变异函数修正了神经网络的目标函数,并利用遗传算法对神经网络进行全局优化,形成了一种遗传神经克里金混合插值方法。应用实例表明,该方法具有神经网络较好的自学习、自适应能力;利用变异函数能较好地恢复数据的空间相关性;通过遗传算法全局优化,克服了神经网络目标函数容易陷入局部极小的缺点;对不同空间分布的样本点均能得到稳定的插值结果,具有比其他插值方法更高的精度和稳定性。     

基于改进BP网络的经济发展预测模型及应用

分析了标准BP神经网络用于复杂经济系统预测的原理以及其中存在的弊端,通过综合运用附加动量法、改变作用函数的方法、以及将预测对象从生产总值改为生产总值增长率的方法,改进BP神经网络用于经济预测时的精度、收敛速度及易陷入局部极值等问题,并将改进后的新方法运用于江苏省第三产业生产总值的预测,通过实验证明改进的BP神经网络在经济系统预测的应用中具有良好的效果。     

建筑投标价格指数神经网络方法及敏感性分析

将神经网络技术应用于建筑投标价格指数预测,提出了两种神经网络的变量敏感性分析方法,并用提出的方法分析了投标价格指数所涉及变量的敏感性．     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

反问题与神经网络相结合的混流泵叶片优化设计

针对三元扭曲叶片优化设计过程中设计变量较多的问题，采用动量矩为设计变量，再通过反问题计算得到叶片来间接对叶片进行参数化；针对评价函数计算量太大的问题，根据试验设计理论安排训练样本，采用神经网络建立设计变量与目标函数间的复杂的响应关系，并且详细研究了反向传播和径向基函数2种网络在对评价函数进行预测过程中的应用，建立了一种新的叶片优化设计方法，与传统的优化方法相比，其设计变量数目较少，以叶轮内的三维粘性流动分析为基础且大大缩短了计算时间，利用此方法对一台混流泵的扬程和效率进行优化，所得叶片性能良好，从而验证了此方法的有效性。     

变时滞非线性细胞神经网络稳定性分析

通过构造新的Lyapunov-Krasovskii泛函和线性矩阵不等式(linear matrix inequatity,LMI),研究变时滞非线性细胞神经网络渐近稳定性,利用牛顿-莱布尼兹公式,一些参数矩阵表达出系统变量之间的关系。从而得出一个具有变时滞相关的全局渐近稳定性判据,其扩展并改善了以前文献的结果。数值及仿真例子验证了结果的有效性。     

生产作业计划专家知识的神经网络描述方法

研究了采用 BP神经网络描述生产作业计划决策知识和评价知识的原理和方法 ,针对决策知识 ,研究了 6种情形下规则的神经网络描述方法 ,在评价知识的描述中 ,采用层次分析法获取神经网络的训练样本 .     

基于贝叶斯网络的客户流失分析

随着电信市场竞争加剧,客户流失现象成为电信运营商关注的问题。文中基于数据挖掘手段,采用贝叶斯网络分类器,进行电信客户流失分析。在贝叶斯网络构造过程中,结合采用K2和MC-MC算法构建网络。根据贝叶斯网络的拓扑结构,筛选出客户流失相关的显著指标;由条件概率表确定客户的流失规则,进而确定高流失的客户群。考虑分类的误判损失函数,给出不同分类临界值下,贝叶斯网络模型的分类效果。与其它分类算法相比,比如决策树和人工神经网络,在客户流失率很低的情况下,该算法不需要进行“过量抽样”。     

变时滞非线性细胞神经网络稳定性分析

通过构造新的Lyapunov-Krasovskii泛函和线性矩阵不等式（linear matrix inequatity,LMI）, 研究变时滞非线性细胞神经网络渐近稳定性, 利用牛顿-莱布尼兹公式, 一些参数矩阵表达出系统变量之间的关系。从而得出一个具有变时滞相关的全局渐近稳定性判据, 其扩展并改善了以前文献的结果。 数值及仿真例子验证了结果的有效性。     

用Hopfield神经网络解决作业车间调度问题

对作业车间调度问题的换位矩阵表示方法进行了改进,给出新的作业车间调度问题的 Hopfield 神经网络计算能量函数表达式,然后提出改进的 Hopfield 神经网络作业车间调度方法。为了避免 Hopfield 神经网络容易收敛到局部极小的缺点,将模拟退火算法应用于 Hopfield 神经网络求解,提出随机神经网络作业车间调度方法。与已有算法相比,改进算法能够保证神经网络稳态输出为可行的作业车间调度方案。     

ES-SOFM混合模型及其在水环境评价中的应用

提出一种基于进化策略（Evolutionary Strategy,ES)和自组织特征映射（Self-Organizing Feature Map,SOFM)神经网络的混合模型进行水环境评价的新方法。把SOFM网络嵌入到ES中，根据SOFM网络的运行状态构造ES的适应性函数，利用ES的强搜索能力克服SOFM网络对初始权向量和样本输入次序敏感的弱点。在水环境评价中的应用效果表明，此方法比模糊聚类法分类更合理。     

一类神经网络模型的稳定性分析

研究了一类神经网络,包括Hopfield神经网络和细胞神经网络,从神经网络的互连矩阵以及神经元输入输出的激励函数出发,通过研究特殊矩阵以及单调有界函数,利用Brouwers’不动点理论和构造Lyapunov函数的方法讨论神经网络平衡点的存在唯一性和全局指数稳定性以及指数的收敛速率,获得了一些充分条件以保证神经网络的平衡点的存在性、唯一性和全局指数的稳定性,并给出了一些条件下指数收敛速率的估计值.     

基于神经网络的温度测量方法研究

介绍基于神经网络的温度测量方法，给出系统原理图及温度测量误差自动校正方法；采用错位累加计算法(LEA判别法)以实现梯度迭代法和牛顿迭代法的有效结合，使神经网络学习步数明显减少而收敛率提高；采用DSP技术实现温度实时快速测量，并给出实验结果。     

多分类问题的RBF 二叉神经树网络方法

神经网络是一种普遍使用的分类方法。当类别数目较大时 ,神经网络结构复杂、训练时间激增、分类性能下降。基于两类问题的树网络多分类方法将两分类方法和判决树相结合 ,利用两分类方法来减少神经网络的训练时间 ,利用树型分类器来提高识别率。提出了一种多分类问题的二叉神经树网络结构和训练算法。利用两分类网络的训练结果对类别进行排序处理 ,并应用排序后的类别序号构成树型分类器 ,使可分性最差的类别的识别率提高最大 ,从而提高了整体分类性能。使用径向基函数 ( RBF)网络作为节点网络 ,使节点网络结构适应两类间的可分性 ,从而最终优化了神经树网络的结构。仿真实验表明该方法的分类性能优于现有方法