用神经网络进行投标报价中的变量选择

针对在建筑行业的投标报价过程中，如何在众多的信息中选出对最终报价影响较大的几项因素以及如何确定这些因素与最终报价这间的关系这两大难题，提出了一种基于神经网络的变量选择方法，其基本思想是：经过两次选择，消除了两个多余的变量，将最初的10个变量缩减为8个，并以这8个变量作为输入建立新的报价模型，从网络的泛化结果可以看出，经过变量选择后，网络的泛化能力有了较大的提高，表明了该方法的有效性。     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面;结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%;在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

广义线性模型中的变量选择

对自然联系函数下广义线性模型的变量选择问题进行了研究．首先，分别按Ward准则和似然比准则，给出了两种变量选择的方法；然后，在一定的条件下，证明了上述两种变量选择方法的弱相合性．     

基于潜变量的驾驶员路径选择行为分析

为更真实地还原驾驶员的路径决策过程,构建了基于潜变量的路径选择模型以增强模型的解释性。首先采用结构方程模型识别行为中存在的潜变量;并通过离散选择模型分析潜变量对选择行为的影响。最后以广州市驾驶员为例进行实证分析。结果表明:在驾驶员的态度与行为中存在4个潜变量因子;且各潜变量与驾驶员的社会经济属性有关。驾驶员的路网熟悉度与路径探索意识对其路径选择行为有较大影响;考虑潜变量的模型有效提高了模型的拟合度。     

异方差回归模型的拟合和变量选择

作者研究了异方差回归模型的估计与变量选择问题.在误差分布未知的情况下,作者分别给出了联系函数已知及未知时均值与方差的估计.另外,作者在给出估计的同时,分别选出了对均值与方差影响显著的变量.     

协变量含测量误差的变系数偏线性模型的变量选择问题研究

研究了当参数部分和非参数部分的协变量均具有测量误差且两部分测量误差相关时,变系数偏线性模型的参数估计和变量选择问题。在误差校正和profile最小二乘估计方法的基础上,提出了基于smoothly clipped absolute deviation (SCAD)惩罚的变量选择方法,且估计具有渐进正态性和先知性。数值模拟研究进一步说明了所提出的变量选择方法的有限样本性质。     

非线性计量经济建模变量选择

提出了非线性计量经济建模变量选择的一种方法。采用非参数回归方法确定最佳函数,通过主成分分析方法进行变量筛选,给出了相应的CE算法。仿真实验和计算实例验证了该方法的有效性。     

基于神经网络的伙伴选择协商模型研究

为了更好的在伙伴选择中对供应商进行评判，提出建立基于BP神经网络的伙伴选择智能协商模型。模型经过训练学习，使其拥有商家的思维方式，并对供应商可协商和非可协商因素进行分析，对供应商做出客观评价。供应商通过对可协商因素进行调节，得到双方都比较满意的协商结果。     

基于BP神经网络的供应商选择研究

供应商的选择在整个物流系统中占有非常重要的地位.本文建立了基于BP神经网络的供应商评价指标体系,给出了BP神经网络的评价模型,并结合算例进行分析.实例证明,该方法是可行的.     

变结构神经网络自校正控制器的设计与研究

提出了一种变结构神经网络自校正控制器的设计方法,采用变结构神经网络BP优化算法设计控制器来控制实际对象,动态地修改神经网络的权值作为自校正方法,使系统较好地适应负荷和外扰的变化,获得满意了控制质量。     

用BP网进行变速风力发电机组控制分析

传统的控制需要精确的风力发电机的数学模型,而因为空气动力学的不确定性和电力电子的复杂性,使风力机系统精确模型难以建立,特别是在风速突变以及有扰动存在时,风力机的控制和分析很复杂;为了克服这一困难,用神经网对变速风力发电机组进行控制;设计功率系数曲线的BP网模型及最佳桨距角的BP网模型,在低风速时跟随风速获得最大功率系数,高风速时保持功率最大并在允许范围内.在MATLAB环境下给出了用BP网对变速风力发电机控制的仿真模型和仿真结果,显示采用神经网控制器控制有很好的抗风速突然波动的作用,能有效地抑制扰动.     

基于特征选择的神经网络集成方法

将特征选择技术ReliefF引入Bagging方法中,提出了一种新的神经网络集成方法——ReBag．实验结果表明,本方法的泛化能力优于Bagging方法,与Attribute Bagging方法相当但效率更高．     

变负载轴承故障诊断卷积神经网络模型

针对轴承故障在实际环境中存在负载变化导致故障难以诊断的问题,提出一种基于一维卷积神经网络的变负载适应轴承故障诊断模型,卷积结构使用小卷积核卷积层堆叠的形式,训练时对输入层进行均匀分布失活率的随机失活,以提高网络的变负载适应能力,且采用全局平均池化降低模型计算量和减轻过拟合程度;在实验验证阶段,提出以两种近邻负载条件的轴承数据构成变负载数据集,充分验证轴承故障诊断的变负载适应性。实验结果表明:本文模型在各测试集均能达到96%以上的准确率且平均准确率达到98.36%,能够在变负载环境下实现准确、稳定的轴承故障诊断,具有良好的泛化能力。     

判别混沌与噪声的局部可变神经网络方法

为了解决多对单类型的分类问题（ 尤其是无限多对单） ，提出了一种处理多对单问题的新型神经网络模型———局部可变权值神经网络，并将其应用于混沌信号和噪声的判别．局部可变权值神经网络学习算法与传统神经网络类似，但在工作时可根据网络输入来调整神经网络局部权值．从最后分类结果看，无论是在学习时间还是在分类精度上，局部可变权值神经网络比传统神经网络都要好     

基于知识神经网络的运载火箭弹道选择

在火箭发射中,往往有多组来自不同设备的测量弹道,进行可靠的火箭弹道选择是飞行状态监视和安控判断的前提.考虑到火箭飞行过程和测量环境的复杂性,提出了一种基于知识神经网络的运载火箭弹道选择方法.把火箭飞行弹道的先验知识和弹道样本的学习训练相结合,先利用数据的连续性排除跳变弹道,然后计算弹道间的差异,最后采用一个神经网络判断各条弹道的可靠性,并结合测量设备精度进行选优.实验和仿真表明了这种方法的可靠性和有效性.     

局部可变权值神经网络原理

本文改进了传统神经网络进行学习后权值矩阵在工作时不变的缺,给出一种处理多对单式分类问题新思路;网络工作时,权值矩阵中的特定局部的取值可变。并通过此思路给出一种新型神经网络模型－局部可变权值神经网络。     

基于神经网络PID控制器在交流调速系统中的应用

针对PID控制和神经网络控制在交流调速系统中的局限性,利用其各自的优点,采用神经网络和PID控制相结合的方法构建神经网络PID控制器,实现变频调速控制,得到了神经网络控制器模型和神经网络控制方法运行的结果。仿真结果充分表明了神经网络模型具有良好的稳定性、鲁棒性和跟随性,而且改善了原系统的动态特性,证明了该方法在交流调速系统中的应用价值。     

开架式水下机器人运动的变结构神经网络控制

针对开架式水下机器人运动的精确控制问题,提出一种水下机器人变结构神经网络控制方法。利用变结构控制理论中的趋近律方法,推导出神经网络参数的镇定算法,并讨论了学习算法的全局稳定性条件。仿真实验结果表明该控制方法对网络学习率的改变和外界扰动有很强的鲁棒性,具有一定的理论和实用价值。