偏差递归神经网络在区间洪水预报中的应用研究

介绍了一种带有偏差单元的递归神经网络模型,并对其在区间洪水预报过程中的应用进行了分析和研究.利用东北丰满、白山等水电站的历史水文观测数据对模型进行验证,结果证明了这一方法的可行性,理论分析表明该方法可以推广到其他区间洪水预报中.     

基于RBF神经网络的Web分类挖掘研究

根据Web文档分类与人工神经网络理论，设计了一个Web分类挖掘系统。针对BP网络分类器的不足，提出了用径向基函数神经网络对Web页面中的文本信息进行分类的方法。实验初步证明，用径向基函数进行分类比BP算法构造的神经网络更具准确性，有效地提高了分类的正确率。     

基于决策树的网络流量分类方法

针对传统流量分类方法(基于端口和有效载荷)分类不可靠的问题,提出基于C4.5决策树算法,根据训练集中属性的信息增益比率构建分类模型,按属性对测试数据集进行预测,通过查找分类模型实现对网络流量的分类。在公开数据集和自己采集的数据集上进行实验,结果表明,采用C4.5决策树算法对网络流量分类,平均分类精度为93%,单类别分类精度均在90%以上,能有效地实现对网络流量应用类型的识别。     

基于A适应遗传算法的无线传感网络节点布局优化

无线传感器网络的传感节点布局优化,直接关系到无线传感器网络覆盖率的提高。文中提出自适应遗传算法求解无线传感器网络覆盖率优化问题。自适应遗传算法的编码方式是传感器节点二维坐标的二进制表达式,交叉方式为字符串整体交叉,变异方式为位变异,交叉概率和变异概率根据个体适应度自动重构。仿真实验结果表明,自适应遗传算法有效解决了无线传感器网络节点布局优化问题。与传统遗传算法相比,本算法进化收敛速度快,网络覆盖率显著提高。     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

一种新型的多址接入中继协作方案

现有多址中继协作方案的编码增益有限且用户之间不能相互辅助,为此,文中提出了一种结合网络与信道编码的多址中继协作方案:在中继端利用网络编码将不同用户的编码冗余同时转发,目的端通过对某个用户信息的正确译码恢复出其他用户的编码冗余.通过对译码错误事件概率的分析,推导了该方案的中断率与误码率近似值表达式.仿真结果表明,随着信噪比的提升,文中方案可获得比编码协作更好的中断率和误码率性能,同时信噪比较高的用户还可辅助提升信噪比较低的用户的性能.     

基于BP神经网络的深部地层压力预测技术

地层压力的准确预测是优质高效安全钻井、减少井下复杂情况、合理开发油气层的基础.由于地层压力的实测方法费用较高、周期长,且影响钻井安全,因此提出一种基于神经网络技术的地层孔隙压力预测新方法,并详细论述了神经网络预测模型的建立过程.该方法以声波时差、自然电位、自然伽马数等测井数据及钻杆压力测试数据为学习样本,具有十分高的准确度.对大庆油田萨尔图和杏树岗两个区块的地层压力进行实例预测,预测结果表明,其预测结果与实测结果的相对误差<±8.9%.     

有向加权供应链网络演化模型

利用BBV加权网络的演化机制和BA模型的线性择优连接机制,新节点进入网络时的入边和出边服从二项分布,建立了子网络具有流量补偿的有向加权供应链网络模型。利用泊松过程理论分析了网络的出入强度分布,结果表明,有向加权供应链网络的稳态平均入强度分布和稳态平均出强度分布服从幂律指数在[1,3]之间的幂律分布。对有向加权供应链网络模型进行仿真研究,仿真结果与理论预测相一致,符合供应链网络的幂律特性。     

组播拥塞控制策略设计与仿真研究

组播是一种高效率的点对多通信方式,在过去几年中组播传输机制己经成为一个活跃的研究领域.针对组播在Internet上进行大规模应用所面临的拥塞控制问题,将主动网络的技术应用到组播拥塞控制中,提出了通过主动节点主动检测拥塞和调整发送速率,实施hop-by-hop的拥塞控制的"主动"式的拥塞控制策略.在NS2平台上进行了大量网络仿真分析表明:该策略不仅对组播通信具有良好的拥塞控制能力,而且具有很好TCP友好性.     

E4303焊条力学性能模糊神经网络智能预测

为了获得反映焊条原材料成分与其熔敷金属力学性能之间映射关系的预测模型,该文对E4303碳钢焊条进行配方设计和堆焊试验,测定其熔敷金属的抗拉强度、屈服强度、延伸率、冲击功4项力学性能指标.采用自适应模糊神经网络方法建立了直接由焊条原材料成分预测焊条力学性能的模糊神经网络模型.用该模糊神经网络模型对训练样本以外的试验数据进行预测.结果表明,抗拉强度和屈服强度的预测平均相对误差在5%以内,延伸率指标预测平均绝对误差仅为0.021,冲击功指标预测效果与BP网络相比有明显改善,说明该模糊神经网络预测模型能够直接根据焊条原材料成分较准确地预测其熔敷金属的力学性能.