BP网络的学习能力与推广能力之间满足的不确定关系式

为了研究BP网络训练过程中出现的过拟合现象,引进表征问题复杂性的复相关系数R,通过类比信息传递过程中的一般测不准关系式,揭示了BP网络过拟合现象出现时的网络学习能力与推广能力之间满足的不确定关系式;通过模拟多种不同类型复杂程度函数的过拟合数值试验,确定出关系式中的过拟合参数的取值范围为1×10-5～5×10-4;给出应用BP网络对给定样本集的训练过程中,为提高推广能力,判断出现过拟合现象的方法。     

BP神经网络预测管道运行费用研究

针对目前管道运行费用预测需要的参数基较多且包含许多时变参数这一问题,讨论了BP神经网络方法在管道运行费用预测上的应用策略,建立了一个1-7-1结构的3层BP网络预测模型.采用改进的BP算法对25组学习样本进行训练,并用训练好的网络模型对5组样本进行测试,预测值误差在±2%以内,完全满足工程实际需要.从而为能源管理部门制定能源消耗定额和计划财务部门预测成本提供了决策依据.     

神经网络模型在脱氮预报中的应用

讨论了人工神经网络方法在含氮量预报上的应用策略 ,并建立了一个 6 - 7- 1结构的三层 BP网络模型 ,进而分析了 BP网络模型在实际应用中存在的问题 ,对 BP网络算法进行了改进 ,在基于改进的神经网络算法基础上 ,使用 C语言实现了程序设计 ,采用收集的 6 7组实验数据进行了离线学习 ,完成了对网络的训练 ,并用训练好的网络模型对 1 2组样本进行测试 ,预测值误差在± 1 0× 1 0 - 6范围内时命中率为 74% .     

基于纹理的H．264/AVC帧内预测块选择快速算法

针对帧内预测中的Intra_16×16、Intra_8×8及Intra_4×4预测块选择提出了一种基于纹理的快速帧内预测块模式选择算法.该算法的原理是在做帧内预测之前,首先利用方差对区域纹理的平滑度和粗糙度进行估计,然后从Intra_16×16、Intra_8×8及Intra_4×4中选择一种块进行模式预测.通过方差和阈值相结合的方法来决定块预测模式,减少了算法复杂度,提高了压缩效率.实验结果表明,当考虑Intra_8×8预测块时,编码时间减少了50%以上,当不考虑时。编码时间减少了20%以上.与此同时,码率和峰值信噪比(PSNR)基本保持不变.     

TiB2-Cu复合材料SHS工艺的人工神经网络优化

利用3×5×1的3层BP神经网络模型对SHS法制备TiB2-Cu基复合材料过程中的工艺参数进行优化.将SHS工艺的3个主要参数--延迟时间、高压压力和高温保压时间作为人工神经网络的输入,合成产物的相对密度作为网络的输出,利用单参数动态搜索算法对SHS工艺参数进行了优化.结果表明训练样本和检验样本的网络实际输出值与相应的试验值均非常接近,TiB2-Cu基复合材料的SHS最佳工艺参数是延迟时间为6.8 s,高压压力为360 MPa,高温保压时间为9.2s.     

基于神经网络的多源信息融合在发酵产物效价预测中的应用

利用神经网络对影响发酵过程的多源信息进行融合,得到发酵产物的效价预测.通过应用,比较了BP网络和RBF网络的融合预测效果.实例结果表明,RBF网络的预测结果略好于BP网络,预测结果准确,方法可行.     

ANN在聚丙烯酸酯乳液性质预测中的应用

在MATLAB中的图形用户界面下,用人工神经网络(ANN)对聚丙烯酸酯乳液的硬度、附着力和耐冲击性3种性能进行了预测。选用三层的误差反向传递网络(BP网络),讨论了隐含层节点数,训练目标goal值和传递函数等相关参数对预测结果的影响。在隐含层节点数分别为19、16和20,传递函数为logsig函数和purelin函数,训练目标值goal为1.0×10-5的条件下,对17个样品进行了预测。结果表明:硬度预测值与实验值相对误差的绝对值的平均值为5.90%,附着力预测准确率为100%,耐冲击性预测准确率为100%。     

ZigBee定位系统的精度分析

为了对ZigBee定位系统的精度进行预测,分析引起ZigBee无线网络定位误差的四项主要参数,针对不同参考节点横向间距和纵向间距,不同A、n值,进行了852组实验,综合分析这四项因素对定位精度的影响.提取出173组稳定性强的数据组成BP神经网络的训练样本,构建3层BP神经网络,实现ZigBee定位的精度预测.通过对实验和预测结果进行分析,确定四项因素的合理取值和BP神经网络预测结构.文中方法运用到ZigBee定位时,对设置参数具有参考意义,对定位精度进行预测,根据预测结果合理的调整参数取值,从而提高ZigBee无线定位网络的可用性.     

基于免疫遗传算法的煤与瓦斯突出预测研究

根据影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂的非线性映射关系,建立了突出强度预测的BP网络模型.针对BP网络收敛速度慢和易陷入局部极小值及基于遗传算法的BP网络易出现未成熟收敛问题,提出了一种基于免疫遗传算法(IGA)的BP网络,即利用IGA实现对BP网络的优化.IGA在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.结果表明:将基于IGA的BP网络应用于煤与瓦斯突出强度预测,该算法设计的BP网络具有较快的收敛速度和较强的全局收敛性能,在煤与瓦斯突出预测中取得了良好效果.     

基于BP神经网络的污泥酸性发酵过程预测

为了预测污泥产酸能力及产酸组成,对生物脱氮除磷过程所需的碳源投加量的计算有意义.用两种BP神经网络模型对采用半连续运行方式的污泥酸性发酵过程进行预测.结果表明,8-23-4BP网络除乙酸产率以外,丙酸产率、容积产酸能力、丁酸产率预测值与实测值相关系数都大于0.9,各目标变量预测值与实测值平均相对误差都小于15%;7-22-4BP网络乙酸产率、丙酸产率、丁酸产率、容积产酸能力预测值与实测值相关系数都大于0.9,各目标变量预测值与实测值平均相对误差都小于13%.7-22-4BP模型网络预测性能优于8-23-4BP网络模型.8-23-4BP模型对污泥丙酸产率预测更精确.两种BP神经网络模型可以实现对污泥酸性发酵过程产酸量的预测.实验结果可为污水处理厂污泥酸性发酵的在线控制提供参考.     

活性污泥工艺BP神经网络模型的软件实现

应用神经网络可以利用历史数据,迅速、准确地建立起系统的预测和控制模型。本文作者用Visual Basic语言编写了活性污泥工艺BP神经网络软件,该软件由训练模块、测试模块组成,最终生成可用的BP网络模型。经测试验证,该软件能够实现活性污泥工艺过程的预测和自动控制的建模,具有良好的可操作性和通用性。     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

一种改进的BP算法及其在模式识别中的应用

针对前馈神经网络中传统BP算法的局限性，给出了一种改进的BP算法，选取了一种新的误差函数，并对其参数进行了动态自适应调整．通过比较，改进的BP算法收敛特性明显优于传统的BP算法．实践证明，将上述算法应用于对工业零件的识别当中，可有效提高识别速度和识别正确率约17％．     

人工神经网络在电力变压器故障诊断中的应用及仿真

研究了径向基函数 ( RBF)神经网络的模型结构及其在电力变压器故障诊断中的实现方法。通过仿真实验 ,将 RBF神经网络与 BP神经网络的性能进行比较。结果表明 ,RBF神经网络训练速度快 ,逼近误差小 ,能够更有效地解决电力变压器故障诊断问题     

基于振动信号分析和支持向量机的滚动轴承故障诊断

针对滚动轴承出现故障时产生的振动信号具有非平稳信号的特点,通过小波包变换提取故障信号的特征向量,采用支持向量机分类器对提取的特征向量进行多类故障分类.通过与BP神经网络分类器进行对比研究,结果表明,在有限故障样本条件下,支持向量机分类器比BP神经网络分类器具更好的分类性能.     

基于BP神经网络的钢铁分选仪裂纹检测

将BP神经网络技术用于钢铁件缺陷分析,以钢铁件裂纹为研究对象,选取了8种影响裂纹的因素,在实验设计的基础上,用BP人工神经网络对所得实验结果进行了分析,并且用图形化方式直观地表达了出来。根据实验结果,BP神经网络模型能较准确地预测出钢铁缺陷,从而为研究裂纹检测提供了一种新的有效手段。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

运用GA-BP神经网络研究时间序列的预测

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信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

LMBP预测模型在国际工程索赔上的应用

针对传统BP算法的缺陷,提出了一种采用L-M算法来加快收敛速度改进的BP神经网络。在此基础上,通过研究工程中引起索赔的各种因素,建立了基于LMBP神经网络的非线性系统,并利用该网络模型来预测工程索赔出现的可能性,并通过具体的仿真以及实践结果验证了LMBP网络的有效性,为承包商的工程索赔管理提出了一个新途径。     

基于灰色神经网络模型预测变压器油中溶解气体的含量

建立了变压器油中溶解气体的灰色神经网络预测模型,用MATLAB仿真计算,结果表明该模型优于单独GM（1,1）模型。