基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1, N )模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力, 同时能够得到较好的预测精度和稳定性.     

基于BP神经网络的预测方法应用研究

在分析神经网络用来预测的特点基础上,采用ＢＰ神经网络方法对浙江省未来若干年的茶叶产量进行预测,并将其预测结果与采用灰色系统方法预测的结果进行比较分析,表明该方法的预测效果较好,可以用来对经济作物的产量进行中短期预测。     

基于BP神经网络的整株秸秆还田机功耗优化

为解决利用回归分析法优化水稻整株秸秆还田机功耗时存在的拟合误差精度差和准确性低等缺陷,提出一种高精度和高准确性的基于BP神经网络的优化方法.本文以1ZT-210型水稻整株秸秆还田机为研究对象,选取机具前进速度,刀辊转速,刀具安装角为试验因素,还田机功耗为影响指标,以二次正交旋转组合试验数据为训练样本,获得功耗与影响因素的BP神经网络模型;并季利用提出的方法对其进行优化,获得功耗影响因素的最佳参数组合为:机具前进速度1.39 km/h,刀辊转速210 rpm,刀具安装角55°,该参数组合下还田机的最小功耗为9.21 kW.试验条件下还田机最小功耗优于回归分析法所得最小功耗10.56 kW,以BP神经网络优化结果进行验证试验,试验测得功耗值9.42 kW,与BP神经网络优化结果绝对误差为0.21 kW,相对误差为2.28%.试验结果表明:该优化方法实用性强,拟合精度高,优化结果准确稳定,为解决农业工程领域中类似优化问题提供了一种新方法.     

基于模糊聚类的BP神经网络模型研究及应用

在神经网络的应用过程中,经常遇到样本太多问题,采用模糊聚类分析,科学选取学习样本,使少量的学习样本本身包含全部样本的特性,很好地解决了由于样本多学习速度慢的问题,并提出了训练结果检验方法.此方法可以作为神经网络应用的一个拓展.     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

并购中销售服务网络结构的集成优化

从企业购并活动中销售服务网络的集成优化入手，建立优化模型并给出模型的求解算法与计算复杂性。由于企业的销售服务网络中的网点数量通常不会很大，所以所求得的复杂性为O(n^2logn)的算法是一个可行结果。本文所给出的算法虽然所针对背景问题是静态的，但算法对联机问题也是适用的。同时本文所研究的问题从应用方面来讲拓展了Voronoi技术的应用领域。     

使用干细胞机制优化反向传播神经网络

借鉴细胞学中的干细胞理论,提出了基于干细胞机制的进化神经网络（SCEABPNN）,以实现误差反向传播神经网络（BPNN）的优化。SCEABPNN不需要遗传神经网络（GABPNN）中的编码、解码、交叉、变异等操作,把网络中的结点看成细胞,通过细胞移植、细胞置换、细胞凋亡操作进行网络优化。仿真结果证实,SCEABPNN不但可以全局收敛,有效解决BPNN易陷局部最小的问题,而且收敛速度比GABPNN和标准BPNN更快。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

BP神经网络算法的改进及其应用

根据BP算法的基本原理,分析指出了BP算法存在着收敛慢、接近最优时易产生波动和振荡现象的原因。在此基础上,通过进一步研究,提出了一种新的改进BP算法。改进后的BP算法不仅运算速度有所提高,而且在一定程度上克服了易产生波动和振荡现象的问题。由于改进BP算法的每个权都能找到最优学习率,因此收敛精度得到了提高;并且该算法基本不受初始学习率的影响,因而避免了学习率选取的困难。图1,表3,参4。     

一种分布式系统网络结构的优化研究

着重分析了一种通用分布式系统的网络结构 ,指出其存在的不足 ,提出了将商用网络技术应用于该系统的设想。在对几种商用局域网技术分析的基础上 ,根据优化指标的设定和网络结构优化应遵循的原则 ,提出两种优化方案 :(1)采用快速交换以太网 ;(2 )采用逻辑结构为树形的fiberdistributeddatainterface(FDDI)。对这两种优化方案进行了理论分析 ,并给出了优化后的网络结构图 ,为进一步提高分布式系统性能提供了一种新思路。     

BP神经网络应用中的前后处理过程研究

在 BP网络的应用过程中 ,采用数理统计中的一些技巧 ,用主成分分析法作为前处理过程进行样本集的选择与优化 ,用回归分析和相关性分析的方法作为后处理过程之一对训练结果进行分析 ,用置信区间分析的方法作为另一种后处理过程对输出结果的可信度进行预测 .这几种处理过程可以作为 BP神经网络应用研究的一个必要的补充.     

陕西国防工业系统结构优化研究

围绕陕西国防工业系统结构优化这一中心问题进行了深入研究。文章首先提出把现有系统分成军民两个子系统,对军民两个子系统以及军民综合体这一大系统的运行机理进行了讨论和设计,给出了运行机理图;在此基础上,对系统结构优化的关键问题——军品子系统最优规模问题进行了分析,建立了最优规模模型,给出了测算结果。本文的结论对国防工业发展有决策参考价值。     

基于重置的L-M变结构BP神经网络

尝试将重置算法应用于神经网络结构的优化,研究了重置算法中最佳重置时间的性质,并提出一种基于重置的L-M(Levernberg-Marquardt)变结构BP神经网络.对比实验表明,重置算法的引入有效地解决了神经网络结构优化的问题,优化后的网络具有较好的收敛性.     

新型公交网络模型与最优出行路径算法

给出一种标号的二分图公交网络模型,在此模型基础上给出线路换乘与最优出行路径的算法,这种算法充分利用标号信息给出站点网络图的边权函数.基于站点网络图不仅能够搜索换乘线路而且能够找到最短路径.最后利用天津市部分公交系统验证了该模型及方法的有效性.     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

基于BP网络的群射防空火箭炮变间隔研究

通过动力学仿真为BP网络建立训练样本,从而使其能够模拟变发射间隔与起始扰动的非线性动力学关系。在对BP网络训练后对变间隔的问题进行研究,并进行优化,从而得出了一组较好的发射间隔值,使得相应的起始扰动较小。动力学的仿真表明BP网络优化的结果比较可靠,从而为确定群射防空火箭炮的发射间隔提供参考。     

应用BP网络进行短期负荷预报的研究

本文对用BP网络进行电力短期负荷预报的方法进行了探讨,阐述了人工神经网络用于学习电力负荷变化与主要相关因素的关系,并提出当原始数据准确性较差时,根据负荷规律,利用日负荷曲线和系统日负荷电量对其进行伪数据视别和校正的方法。本文的算例表明,该方法对电力调度具有一定的指导作用。     

基于BP 神经网络的煤与瓦斯突出预测方法的研究

为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

一种输入驱动的BP网络高效学习算法

在深入研究BP神经网络模型的基础上,从网络互连方式、网络权值初始化以及隐结点的选取等方面,对标准的BP算法作了改进.通过实验,证明该方法是非常有效的.