基于人工神经网络的负荷预报模型

针对基于ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）学习算法存在的问题,提出了变步幅最速下降和共轭梯度的混合算法来训练人工神经网络,并建立负荷预报人工神经网络模型．为了提高预测精度,对预报权值进行在线修正．实例证明,混合算法在全局收敛特性和收敛速度上要好于基本ＢＰ算法,所建立的预报模型能达到令人满意的精度．     

人工神经网络在CAPP定位基面选择中的应用

在分析专家系统和人工神经网络特点的基础上,提出了一种基于人工神经网络的零件定位基面选择方法,分组建立了ＢＰ网络模型,并要根据零件特征提出了网络的输入编码方法,针对ＢＰ网络的特性,在训练中采用了变步长和变精度和方法来加快收敛速度,并给出了实例。     

中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型。以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MAT-LAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络。模型的综合采用加法和乘法两种方式。结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好。     

基于神经网络的采场底板分类与顶板来压预报

建立了长壁工作面底板分类及单体液压支柱底座选型的人工神经网络（ＢＰ网络）模型，并通过网络自适应学习与匹配联想，得出了采场底板类别与单体液压支柱底座型式相对主尖的结果。同时，通过邻域相互作用算法与ＢＰ网络耦合，预报采煤工作面顶板来压，网络试验表明，所得结果与实际吻合良好。     

基于遗传BP算法的高斯基函数网络的非线性系统辨识

针对ＢＰ算法收敛速度慢而且可能陷入局部极小值的特点,提出了基于遗传ＢＰ算法的高斯基函数网络的辨识方法,并将它应用于非线性系统进行辨识,仿真实验结果表明该方法比基于传统的ＢＰ算法具有更快的收敛速度和精度。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法,针对实时监测和诊断领域中对收敛速度和精度的较高要求,提出了一种面向诊断的自适应ＢＰ算法,仿真结果表明,该方法既能有效地减小振荡,又能提高收敛的精度和速度。     

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法,针对实时监测和诊断领域中对收敛速度和精度的较高要求,提出了一种面向诊断的自适应ＢＰ算法,仿真结果表明,该方法既能有效地减小振荡,又能提高收敛的精度和速度。     

改进BP算法及其在滚动轴承故障诊断中的应用

对每次权值和阈值的调整均采用固定不变的学习率,是导致传统ＢＰ算法收敛速度慢的一个主要原因。本文从提高收敛速度及精度出发,对改进ＢＰ算法进行了深入研究,在ＢＰ算法中引入统计思想,给出相关系数定义。基于相关系数,采用变学习率策略,提出两种学习率自适应调整算法,并将其具体应用于滚动轴承的故障诊断中。试验证明,此改进算法的收敛速度比传统ＢＰ算法显著提高。     

基于人工神经网络的锻造性能预报的研究

应用Ｇｌｅｅｂｌｅ－１５００热模拟试验机研究了１Ｃｒ１８Ｎｉ９Ｔｉ的热墩成形过程,得出了流动应力随变形条件的变化规律,测量了空冷后试件的硬度。首次采用人工神经网络对锻造性能进行预报,采用不同的改进ＢＰ算法加速了网络的收敛,得到了较好的网络信息,对１Ｃｒ１８Ｎｉ９Ｔｉ的锻造性能进行了较准确预报。     

基于教学优化算法的多元超越回归模型及其在径流预报中的应用

基于超越方程内涵,提出多元超越回归(MTR)预报模型。通过4个典型测试函数对新型智能算法——教学优化(TLBO)算法进行仿真验证,并与粒子群优化(PSO)算法、差分进化(DE)算法、萤火虫(FA)算法、布谷鸟搜寻(CS)算法、混合蛙跳算法(SFLA)进行对比分析。利用TLBO算法寻优MTR模型参数,提出TLBO-MTR预报模型,并构建TLBO-支持向量机(TLBO-SVM)、TLBO-BP神经网络(TLBO-BP)、TLBO-多元二项式回归(TLBO-MBR)预报模型作对比;以云南省西洋站和董湖站12月份月径流预报为例,进行实例验证。结果表明:1TLBO算法收敛精度优于PSO、DE、FA、CS和SFLA算法,表现出较好的收敛精度和全局寻优能力;2TLBO-MTR模型对于西洋站和董湖站10年预报的平均相对误差绝对值分别为5.59%、6.60%,均优于TLBO-SVM、TLBO-BP和TLBO-MBR预报模型,表现出较好的预报精度。TLBOMTR模型预报方法可为水文预测预报提供新的途径,具有良好的应用前景。     

神经网络在混合电力系统短期预报中的应用

应用ＢＰ型即误差逆传播型人工神经网络对水火混合电力系统中的负荷及水库独立来水进行短期预报,结果表明该方法是有效可行的,对混合电力系统的最优经济调度具有积极作用．     

神经网络在混合电力系统短期预报中应用

应用ＢＰ型即误差逆传播型人工神经网络对水火混合电力系统中的负荷及水库独立来水进行短期预报，结果表明该方法是有效可行的，对混合电力系统的最优经济调度具有积极作用。     

模拟退火—回火算法在原子吸收分光光度多元测定中的应用

提出了反向传播人工神经网络参数学习的模拟退火－回火算法,在保持模拟退火算法能收敛于全局最优的特点同时,利用模拟回火过程,加快了算法的收敛速度,建立了原子吸收光谱单波长下多元测定的ＢＰ网络模。利用干扰效应,用常规火焰原子吸收分光光度法在单波长下同时测定了污水中的痕量镉和砷,方法简便,安全,具有较高的准确度和精密度。     

AR模型参数自适应估计方法研究及应用

为了提高AR模型参数估计的精度和收敛速度,提出基于卡尔曼(Kalm an)滤波原理的AR模型参数估计方法.把AR模型参数向量作为状态向量,利用随机游动模型建立系统的状态方程,由观测数据建立系统的观测方程,应用卡尔曼(Kalm an)滤波原理求得参数向量的最小方差估计.将该方法应用于船舶运动实时建模预报中.仿真研究表明本文提出的基于Kalm an滤波算法的AR模型在预报精度以及收敛速度方面均优于基于递推最小二乘法(RLS)和最小均方(LMS)算法,该算法具有较强的鲁棒性,降低了实时在线预报时通信故障所引起的数据缺失对预报精度的影响.该方法在理论和工程应用方面具有重要的意义.     

基于ＳＳＡ－ＢＰ神经网络的光伏短期功率预测

光伏发电的波动性和随机性导致光伏功率预测精度难以达到理想状态,而提高光伏发电功率的预测精度是抑制光伏并网不利影响的有效途径。为了提高ＢＰ神经网络的预测精度,运用麻雀算法对 ＢＰ神经网络的权阈值进行寻优,提出了一种基于麻雀算法（ＳＳＡ）－ＢＰ神经网络的光伏短期功率预测 方法。首先,在 Ｍａｔｌａｂ中建立ＳＳＡ优化ＢＰ神经网络模型;然后,以某光伏电站的气象数据为输入,在 晴天、阴天和突变天气３种工况下对光伏电站的功率进行预测;最后,将ＳＳＡ 优化ＢＰ神经网络模型 预测结果分别与ＢＰ神经网络预测结果、ＰＳＯ优化ＢＰ神经网络预测结果和光伏电站的实际出力数据进 行对比。结果表明：麻雀算法能够提高ＢＰ神经网络模型的预测精度,实现对光伏短期功率的有效预测。     

一种前馈神经网络的快速算法及仿真研究

针对实际应用中对神经网络收敛速度和精度的较高要求,提出了一种快速的ＢＰ学习算法,仿真结果表明,该方法能有效提高网络的收敛精度和速度。     

几种改进BP算法的性能比较

对ＡＢＰＭ、Ｌ－Ｍ、ＨＢＰ三种改进的ＢＰ算法的原理进行了研究,通过仿真计算,人统计角度对它们在分类问题、逼近问题随两方面的收敛速度、收敛精度等特性进行了分析比较,并对三种算法中影响网络收敛在因素进行了探讨,为使用者选择适合自己的高性能算法提供了参考。     

基于人工神经元网络的电力系统短期负荷预报的实用计算

本针对贵州电力系统日负荷的特点，提出了一种利用人工神经网络的ＢＰ模型进行电力系统提前２４小时的短期负荷预报的实用计算方法。     

新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。