人工神经网络法预测干黄酱挥发性成分保留值

基于分子连接性及邻接矩阵,计算69种干黄酱挥发性成分的分子连接性指数mχt,借助多元逐步回归法优化筛选了其中的结构参数0χ、5χ、3χc和5χpc,将其作为人工神经网络的输入层神经元,采用4∶8∶1的网络体系结构,以BP算法获得预测保留指数的神经网络模型,其相关系数R和标准偏差S分别为0.985和93.301.结果表明,保留指数与0χ、5χ、3χc、5χpc具有良好的非线性关系,BP神经网络方法预测的结果要优于多元回归方法的结果.     

人工神经网络在淬透性曲线中的应用

利用人工神经网络中的BP算法,建立材料的合金成分与距水冷端不同位置上的硬度值的模型.根据材料的合金成分含量取得硬度值,获得了满意的结果,为预测淬透性曲线提供了一定的理论辅助手段.     

苯砜基羧酸酯类化合物急性毒性的预测模型

用MATLAB软件编程计算了56个苯砜基羧酸酯类化合物分子电性距离矢量(mk),同时用Hyper chem8.0程序包计算了它们的理化参数.这两类结构参数被用于建立苯砜基羧酸酯类化合物急性毒性的预测模型.通过最佳变量子集回归的方法构建多元线性回归模型:-lg EC50=4.724+30.275m7+0.061m24+6.468m85+0.880m90-0.003V-0.096(lg P)2.该模型具有良好的稳健性和较强的预测能力.以模型中的6个参数为人工神经网络(ANN)输入层,设定6∶4∶1的网络结构,用BP算法构建人工神经网络模型,其相关系数R2为0.986.结果表明,神经网络BP算法模型的预测结果优于多元线性回归模型的预测结果.     

人工神经网络在淬透性曲线中的应用

利用人工神经网络中的BP算法，建立材料的合金成分与距水冷端不同位置上的硬度值的模型，根据材料的合金成分含量取得硬度值，获得了满意的结果，为预测淬透性曲线提供了一定的理论辅助手段。     

基于主成分分析与BP神经网络的冲击地压预测

冲击地压的发生会对矿山造成巨大的经济损失,预测预报是防治冲击地压的重要组成部分。文章将主成分分析方法与反向传播人工神经网络(即BP神经网络)方法相结合,用于对冲击地压的预测。首先,利用主成分分析法对冲击地压的影响因素进行分析,降低数据的维数。然后,将所得的数据作为BP神经网络的输入数据进行训练,用训练好的神经网络对冲击地压进行预测。预测结果与实际结果的对比表明,利用主成分分析—BP神经网络方法对冲击地压预测是可行的。     

人工神经网络在海运量预测中的应用

人工神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的数学模型,广泛应用于自动控制、模式识别等领域.本文首先简单的介绍了人工神经网络的相关理论,接着重点分析了BP神经网络预测应用的基本原理,并通过某货物海运量的实例建立BP神经网络时序模型预测未来运量,最后对预测结果和BP网络结构性能进行分析.     

利用人工神经网络预测毫米波的生物效应

利用BP神经网络模型建立了毫米波生物效应预测模型,模型经训练后可以准确地预测实验结果,表明采用L－M算法的BP人工神经网络是用于预测微波生物学效应的优良模型。     

基于人工神经网络的大海则煤矿单井矿井水定量预测

生产矿井未采矿体涌水量预测是保障矿井安全生产的基础工作。本文在充分分析大海则矿井涌水量影响因素基础上,利用人工神经网络理论,建立矿井涌水量的BP网络模型。人工神经网络模型具有增强专家系统的容错能力,当神经网络中少量的神经元发生失效或错误时,不会对系统整体功能带来严重的影响。通过该模型的网络预测,经大海则矿井现场验证：利用BP神经网络预测矿井涌水量其结果真实程度较高,是比较理想的预测方法和手段。     

BP人工神经网络在股票预测中的应用

投资越大风险越大,如何建立一个精确度和运算速度相对较高的股市预测模型对于金融投资者具有重大理论意义和实际应用价值.将人工神经网络应用到股票预测上面成为一个新的趋向.将用人工神经网络求解股票预测中的难题成分分析,建立三层BP神经网络并且分析收敛速度,得到当选择的数据合理且具有很好的性质时,拟合效果会更加准确,最终得到股票在短时间内的向.从而说明BP神经网络对于股票价格的预测具有可行性和合理性,进而对提高股民的收益做出帮助.     

人工神经网络在膀胱癌诊断中的应用

目的:探讨应用BP神经网络技术建立诊断模型来判断膀胱癌的可行性。方法:153例患者分为训练集和测试集,应用BP神经网络模型,建立人工神经网络诊断模型,然后随机抽样测试样本输入模型进行预测。结果:人工神经网络预测膀胱癌的灵敏度为100%,特异度为92.3%。结论:人工神经网络诊断模型对膀胱癌的判断有良好的诊断性能。     

采用BP&SA混合学习策略的短期电力负荷预测方法

提出了一种BP混合模拟退火(SA)的ANN短期负荷预测方法,该方法针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能.ANN模型中考虑了温度和预测日类型,可进行工作日和节假日的预测,实例表明ANN模型实用有效、精度高.     

玉米油掺伪通用检验方法研究

采用玉米油、棉清油、菜籽油、棕榈油、大豆油、亚麻油为材料,分析其油脂脂肪酸组成；着重研究了玉米油掺入其它油品后脂肪酸组成的变化规律和掺伪量的计算方法,为玉米油掺伪检验提供了依据.     

宝钢IF钢大生产产品性能预测

以ＢＰ算法为基础开发了ＡＮＮ学习预测系统,用于宝钢ＩＦ钢大生产产品性能预测．同时,应用在宝钢ＩＦ钢大生产数据对该系统进行了测试和分析,并与多元线性回归结果进行预测精度比较．结果表明,ＡＮＮ学习预测系统,除σ_(０.２)误差较高（９．０％）外,σ_ｂ,δ,ｒ和ｎ值均＜５．０％,且比多线性回归方法精度高．     

环氧亚麻油增塑剂合成方法的研究

报道了一种以磷酸为催化剂，甲酸、H2O1为原料对亚麻油进行环氧化的新方法。结果表明：用磷酸作催化剂优于树脂，甲酸作过氧化剂优于冰醋酸；反应条件温和，具体操作简便，使反应时间缩短；产物符合环氧亚林油增塑剂标准，环氧值？7．8％，碘值＜10。     

基于地理信息系统与人工神经网络耦合技术的产油潜力评价模型

对控制油田产油潜力各种影响因素进行了系统的分析,选择地质构造、储层孔隙度、储层渗透率和原油性质4个因子作为控制油田产油潜力的主控因素。应用地理信息系统(GIS)的空间分析和处理操作功能,构建了各个主控因素的子专题图层,并建立了主控因素与每米采油指数间的非线性人工神经网络(ANN)分析模型,最终提出了评价产油潜力的GIS与ANN耦合模型。应用该评价模型对埕北30潜山油藏的产油潜力进行了评价,并应用灵敏度分析方法对该地区各个主控因素的灵敏度进行了系统分析,有效地解决了人工神经网络难以通过权重系数矩阵来判定各个影响因子影响程度的难题。     

人工神经网络同时测定法在环境监测中的应用研究

论述了人工神经网络技术在环境监测中与光度法、光谱法、色谱法、流动注射法等多种分析方法相结合实现多组分同时测定的研究进展.以及人工神经网络在环境评价中的应用.并对人工神经网络在环境监测中多组分同时测定的应用前景做了综述.     

高性能摩阻材料用酚醛树脂

通过冲击强度、红外光谱、热分析、刹车片试验等手段研究了稀土和亚麻油对酚醛树脂的改性作用,结果表明,稀土离子将酚羟基封锁减少了酚羟基对其邻位上亚甲基的影响,提高了树脂的耐热性,亚麻渍的烷基链起到内增韧的作用,改善了树脂的脆性。通过稀土和亚麻渍的双改性,合成出高性能摩阻材料用酚醛树脂。     

光固化有机-无机杂化膜性能及其微观形貌

用环戊二烯对亚麻籽油进行改性,合成了改性亚麻籽油（MLO）低聚物。用丙基硫醇三甲氧基硅烷(MPTS)通过溶胶-凝胶法制备了新型的多功能巯基硅氧烷溶胶(MPTS溶胶)。把巯基硅氧烷溶胶、光引发剂加入到MLO低聚物中,制备了紫外光固化有机/无机混杂膜。用热失重分析(TGA)评价了MPTS溶胶对混杂膜热稳定性的影响,用原子力显微镜（AFM)对MPTS/MLO混杂膜的显微形貌进行了观察分析,用Photo DSC对混杂膜的光固化反应性进行了测试。结果表明: 混杂膜的热稳定性比纯MLO膜高,混杂膜具有微相分离结构, 巯基硅氧烷溶胶能够提高MLO体系自由基聚合速率。     

热裂解气相色质谱应用于古代壁画中油类黏合剂的分析

采用热裂解气相色质谱分析方法，研究了古代壁画中常见的亚麻油、核桃油、罂粟油和桐油4种天然干性油类黏合剂．通过标准干性油老化膜的分析，建立了一种快速、方便的适合于真正古代壁画中油类样品分析的指纹特征峰图谱，并对采自不同年代及不同地区的古代壁画样品进行分析测试，以评估指纹特征峰图谱的可行性．分析时采用了热裂解与甲基化同时进行的技术．分析结果显示，4种干性油的不饱和脂肪酸在成膜后的甲基化产物均为壬二酸二甲酯，离子质量与离子电荷量比值为217，是干性油的特征检测峰．4种油中不同含量的软脂酸和硬脂酸在干性油成膜前后的比值不变，为干性油的甄别提供了可能性．这一研究为国内古代壁画中干性油及其种类的鉴别提供了一种有效的方法．     

变载荷感应电动机的神经网络建模研究

根据采用晶闸管三相调压器控制变载荷电动机运行的特点,阐明了采用神经网络方法对该系统建模的必要性.基于带有回归单元的Elman神经网络,对变载荷三相异步电动机的晶闸管三相调压器系统进行了建模.采用一种带惯性项的动态反向传播学习算法,克服了通常的BP算法振荡和收敛速度慢的弱点,使变载荷电动机系统跟随负载变化对电动机实现调压控制.对Elman神经网络的结构运用方法,以及惯性项的动态反向传播学习算法做了较详细的介绍,对由晶闸管三相调压器构成的拖动系统建模所选向量参数进行了说明.实例表明,利用该方法迭代后的学习结果更容易将误差减小至期望值.