煤机制造业大批量定制决策模型

为了使大批量和定制两种生产方式有机统一,利用系统工程的分析方法,为煤机制造企业建立了分层次实施大批量定制的综合决策模型。针对鸡西煤矿机械有限公司的实际情况,在准则层上给出具有实际意义的五种可行方案,在方案层上,基于人工神经网络的决策方法进行方案优选,经过MAT-LAB的运算,得到最优方案。该决策模型应用于采煤机的生产实际,企业取得了较好的经济效益。     

神经网络在项目财务评价上的应用

利用人工神经网络BP算法建立项目财务评价模型,用模糊数学的隶属函数描述评价指标.由隶属函数的峰值和均值组成学习样本训练神经网络,使之具有联想记忆功能,对未在训练中出现的待评价的样本指标也能作出决策,实现项目的财务评价.     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

基于应变模态小波神经网络的结构损伤识别方法

以框架结构为研究对象,利用小波分析和神经网络理论,结合二者的优点,运用小波分析来确定框架结构的损伤位置,运用神经网络算法来识别损伤程度,给出了基于应变模态参数识别框架结构损伤的原理,建立了一种识别结构损伤的小波神经网络方法.通过建立基于振型模态和应变模态的损伤识别方法,分别对9种不同工况下框架的裂缝位置进行识别,并对比了这2种模态下损伤位置的识别效果.然后,分别对框架的振型模态和应变模态进行连续小波变换,获得2种模态参数下的小波系数模极大值.利用神经网络去模拟小波系数模极大值与损伤程度之间的非线性关系来识别结构的损伤程度,并对比了这2种模态下损伤程度的识别效果.数值分析结果表明,小波神经网络可以有效地识别出结构的损伤位置和损伤程度,基于应变模态的损伤识别方法具有更好的准确性.     

神经网络BP算法的改进方法探究

针对BP算法存在的问题或缺点,提出从提高训练速度的方法、选择激活函教类型、初始权重的影响及设置、隐含层数和隐含层节点数的选择等方面进行改进。从而使BP算法得到优化。     

基于BP神经网络模型的寿险公司偿付能力影响因素及预警研究

针对寿险公司偿付能力影响因素以及预警管理研究,选取了不同规模的14家寿险公司流动比率、赔付率、投资收益率、总资产回报率、再保险率、保费收益率、保费变化率、寿险准备金增长率8个指标的相关数据,并利用变异系数法和相关系数法分别筛选影响较大的因素,再逐步回归得到基于主要影响因素的偿付能力回归方程,以此进行因素分析.在指标优化的基础上,利用BP神经网络模型建立寿险公司偿付能力的预警系统,同时与广义Logistic模型预测结果进行对比,得出BPNN具有更准确的判别预警效果,为寿险公司偿付能力预警以及投保人降低自身损失作出参考作用.     

医用内窥镜图像校正的BP神经网络方法

用传统的畸变校正法对内窥镜图像进行校正存在畸变模型复杂、计算量大、易产生误差等问题. 该文利用标准模板,提取样本点在标准图像和内窥镜拍摄的畸变图像中的坐标,分别作为BP神经网络训练的输入和目标,通过神经网络的训练拟合成像镜头的畸变模型,从而确定标准图像和畸变图像上像素点的位置关系. 再通过图像插值的方法进行图像恢复,实现图像校正. 实验结果表明该方法简单有效,具有精确性.     

砂土液化判别最优BP神经网络模型

利用BP网络模型在解决砂土液化评价这类非线性问题方面的优势,选取不同的参数组合,建立不同的砂土液化判别BP神经网络模型,并根据现场实测资料进行比较分析.结果表明,以地震烈度、标准贯入点深度、地下水位深度、标贯击数、不均匀系数及地震剪应力比作为输入节点的砂土液化判别BP神经网络模型最为合理.     

语音识别中的BP神经网络改进

语音信号是受说话人、环境等因素影响的复杂函数,人工神经网络（ANN）模型进行语音识别具有自适应、自组织及联想等特征,适合用于语音识别。主要研究了传统BP神经网络在实际语音识别中的改进方案。利用改进后的方案实现语音识别、网络结构简化、运算速度加快、训练时间缩短。     

基于CA的城市土地利用演变人工神经网络模拟

基于CA原理,利用学习矢量量化神经网络从不同时相遥感数据中挖掘土地利用演变的内在规律,自动找到土地利用元胞的转换规则,并以该规则反演和预测土地利用格局.在上海市区典型边缘带的应用显示,挖掘出的元胞转换规则,与同期上海城市发展状况相吻合,表明该模型可以满足土地利用演变模拟预测的要求,大大缩短了建立CA转换规则所需时间.若能增加社会、经济因素的影响,减少网络训练时的信息浪费,将进一步优化模拟效果.