基于MATLAB的煤与瓦斯突出BP网络预测方法

影响煤与瓦斯突出的各种要素与突出现象之间的关系复杂,且具有明显的非线性特点.BP人工神经网络模型可以很好地逼近这种非线性函数关系.基于煤与瓦斯突出特征指标的分析,建立了合理的单隐层结构的BP预测模型,并利用MATLAB神经网络工具箱实现了模型的训练与预测,应用结果表明,这种突出预测方法具有很高的计算效率和预测精度.     

基于最优小波包分解的图像隐写通用检测

基于图像最优小波包分解,提出了一类具有较高检测正确率的信息隐写通用型检测方法.首先基于Shannon熵计算信息代价函数,对图像进行最优小波包分解,并从分解得到的子带系数以及图像像素中提取直方图特征函数多阶绝对矩作为特征,然后对提取的特征进行预处理并设计BP神经网络分类器进行分类.针对不同的背景和应用环境,文中给出了3种不同的检测算法.针对LSB、PMK、LTSB、Jsteg、F5及JPHide等典型隐写算法的实验表明:此方法相比现有的典型通用检测方法,正确检测率提高约6.4%～15.4%,且具有更好的通用性,并可为设计基于最优小波包分解的模式识别和分类算法提供参考.     

基于BP神经网络的故障光伏组件输出功率预测

针对产生故障的光伏组件会降低光伏组件输出功率的问题,提出了一种改进的BP神经网络预测模型.该预测模型在辐照度、环境温度等因素的基础上加入光伏组件故障面积,串联光伏组件个数作为输入,对比SCG算法和LM算法两种改进方法,对故障光伏组件的输出功率进行预测,并用平均绝对百分比误差和均方误差两种方式对两种改进模型的准确性进行评...     

紫外分光光度法-人工神经网络在4种嘌呤同时测定中的应用

将紫外分光光度法与人工神经网络相结合, 在波长200～300　nm不经分离同时测定腺嘌呤、 黄嘌呤、 次黄嘌呤和鸟嘌呤的混合物. 讨论了pH值对体系的影响, 并对网络参数进行选定. 方法简便、 快速, 相对标准偏差小于3.7%.     

基于BP神经网络的高校国家重点实验室科技创新绩效影响因素研究

高校国家重点实验室是高校科技创新的重要载体,科技创新绩效的高低对于高校国家重点实验室而言意义深远。科学技术的迅猛发展以及国家创新体系的建设要求对高校国家重点实验室科技创新绩效的影响因素进行深入研究。通过搭建BP神经网络模型,由网络权值计算分析得到各影响因素对高校国家重点实验室的贡献大小。实证研究结果表明,人才保障与队伍建设、经费投入与使用、学术交流等因素对高校国家重点实验室科技创新绩效的提升有明显影响。     

BP网络自适应学习率研究

分析了自适应学习率BP算法,并对其进行了总结分类,针对每一类介绍了几种具体的自适应学习率BP算法。最后结合XOR问题把一种自适应学习率BP算法和标准BP算法进行了比较和评价。     

基于BP网络的装备维修质量评估设计

依据有关规定和武器装备的特点,提出了装备维修质量评估的指标体系,并给出了指标体系标准化处理的方法。在此基础上,建立了基于BP网络的装备维修质量评估模型。通过训练,该模型具有了对装备维修质量的评估功能。实验结果表明：该模型用于装备维修质量评估,减少了传统装备维修质量评估方法中人为因素的影响,并且评估误差很小。     

人工神经网络在空气污染预报中的研究进展

人工神经网络是20世纪80年代迅速兴起的一门非线性科学,特别适用于对具有多因素性、不确定性、随机性、非线性等特点的对象进行研究,而空气污染预报正是这样的一类问题。简单介绍了人工神经网络的基本概念,详细地回顾了国内外人工神经网络在空气污染预报领域的研究应用情况,最后讨论了人工神经网络在空气污染预报领域中的研究方向和发展趋势。     

结合改进PSO-BP神经网络的无刷直流电机控制

针对无刷直流电机的BP 神经网络控制器收敛速度慢,易陷入局部最优,设计了一种采用改进粒子群BP 神经网络控制的无刷直流电机控制系统,改进的粒子群算法在速度更新方程中引入了具有时变衰减特性的惯性权重,并用改进的粒子群算法对BP 神经网络初始权值进行离线训练. 仿真结果显示改进PSO-BP 神经网络孔制系统比标准PSO-BP 神经网络控制有更好的稳定性与抗干扰性,整个系统动、静态响应更好.     

基于变分模态分解和神经网络的风速组合预测

风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition, VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy, SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine, SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。