巷道围岩稳定性分类的MBP神经网络预测研究

研究BP神经网络的工作原理和改进技术，分析巷道围岩稳定性的影响因素，基于改进的MBP神经网络建立了围岩稳定性分类的神经网络识别模型。研究结果表明，该预测模型性能好，预测精度高，预测结果能很好地拟合地下工程实际，验证了该模型的可行性和实用性。     

非线性神经网络模型及在粮食生产预测中的应用

本利用非线性神经网络BP模型，对我国粮食生产进行了实证预测研究。结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出与各因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果。可广泛应用于各种预测研究，有较高的应用推广价值。     

巷道型高温采场不稳定传热系数的研究

介绍了作者采用热力模型,模拟有矿石放热的巷道型高温采场不稳定传热系数的研究方法和试验结果,并总结出不稳定传热系数及风湿风量的计算公式。     

基于组合模型的高铁隧道围岩收敛变形预测

为提高围岩收敛变形预测精度,依托阳山高速铁路隧道,基于贝叶斯参数优化的经验模型预测收敛变形的趋势项,然后采用支持向量回归算法修正经验模型的预测结果,据此构建基于组合模型的高铁隧道围岩收敛变形预测模型.将均方误差和平均绝对百分误差作为评价指标,与同类型支持向量机回归模型的预测结果进行对比.结果 表明,经验模型的预测值与目标值随时间变化的趋势一致,但对于数据中的波动部分,预测值与目标值存在较大偏差.误差修正模型较好地预测数据中的波动部分,对提高预测精度效果明显.在2组实测数据中,组合模型预测值的均方误差相较于经验模型降幅分别达到97.0％和93.4％,且较同类型支持向量机回归模型具有更高的预测精度.     

基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立的神经网络模型问题。训练好的神经网络可作为预测模型，实现非线性系统预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立系统的神经网络模型问题，训练好的神经网络可作为预测模型，实现非线性系统的预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

基于神经网络的织物剪切性能的预测研究

探讨织物剪切性能和结构参数之间的关系，在33种精纺毛型织物实验数据的基础上，利用BP神经网络方法，建立了精纺毛型织物剪切性能与织物结构参数之间的网络模型，并对模型进行验证和评估。结果表明可以用神经网络来预测织物剪切性能指标，限于样本量，预测平均误差率在15％左右。     

基于灰色模型和BP神经网络的交通量预测研究

在分析公路交通量影响因素的基础上,通过灰色模型对各影响因素进行预测.以湖北省为例,以各影响因素为输入层,将交通需求量作为输出层,构建BP神经网络交通量预测模型,在对模型有效性进行检验后,得到未来年湖北省公路交通量预测值.     

基于 BP 神经网络与灰预测方法的杭州市城市生活垃圾产量预测研究

通过分析影响城市垃圾数量的主要因素，利用灰预测方法构建未来数据，建立了一个考虑人口数量、人均收入影响下的B P神经网络模型，对未来10年的杭州市生活垃圾数量进行预测，得到较好的结果。     

基于BP神经网络模型的城市生活垃圾产生量预测研究

提出一种基于BP神经网络Levenberg—Marquardt算法建立城市生活垃圾产生量的网络预测模型。该方法优于传统的灰色理论预测模型和根据人口数预测垃圾产生量，预测结果客观、合理、精确，实用性强。该研究方法对我国城市生活垃圾管理和环境规划具有一定的指导意义。     

回采巷道围岩结构特征及变形破坏规律研究

通过对西山、汾西，霍州等矿区９个煤矿２１个煤层的调查统计，将回采恭延顶板按岩层结构分为多层薄层顶板，复合顶板、厚层整体顶板和厚煤层顶板４种类型，并对典型围岩结构进行了相似材料模拟试验。     

一类二元神经网络模型的收敛性

讨论了一类二元时滞反馈人工神经网络模型．在假设信号传输函数是分段常数非线性的条件下，得到了该模型解的收敛性质。     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

基于模糊神经网络的高光谱数据挖掘方法

分析了高光谱影像的数据特性，应用模糊聚类方法构造模糊神经网络，并将其结合进数据挖掘，对高光谱数据进行数据处理。     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.     

基于神经网络的客服中心话务量预测模型

针对现有预测模型在话务量发展趋势变化、新技术新业务引入后模型失效、预测精度下降等问题,提出一种基于神经网络和事件样本库的智能预测方法.该方法具有自学习功能,可根据预测误差自动调整预测参数并更新事件样本,对话务量趋势变化、事件影响程度变化及新事件的发生具有持续自适应能力.仿真结果表明,该预测方法能有效降低预测误差,与现有...     

基于GA-BP的经济指标滚动递推预测模型

为了克服传统BP神经网络在经济预测中的不足,引入遗传算法对BP神经网络的权值进行训练,在此基础上建立互推递进遗传神经网络的预测模型,经实例测试表明该模型是可行的．     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

基于神经网络的细小液体管道堵塞预测模型

在分析反映管道堵塞工艺参数的基础上,提出了一种基于BP神经网络的细小液体管道预测方法,通过收集管道堵塞时的各种工艺参数,建立预测模型。仿真结果表明,模型预测结果与实际堵塞结果非常吻合,并能成功用于实际的细小管道的堵塞预测。