基于改进遗传算法的BP网络在降雨量预测中的应用

提出了一种改进遗传算法(GA)和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的动量BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真实验结果表明,在大庆市2000年到2004年6月降雨量的预测方面,遗传算法与BP算法结合的模型预测误差平均为39.13%,标准BP算法的模型预测误差平均为194.66%。说明GA-BP算法模型预报精度较高,预测能力得到了改进。     

基于数据挖掘的BP神经网络模型的一种改进算法

数据挖掘方法的人工神经网络是一种新的数学建模方式.传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的提出为处理非线性问韪提供了比较好的方法.针对BP算法的局限性提出了改进的BP网络模型,通过对CSP质量指标的预测结果与传统的BP模型比较,结果表明,改进的BP算法提高了学习效率,网络有较好的泛化能力,而且预测更可靠.     

基于BP神经网络的土壤热导率预测算法研究

在大量实测样本的基础上,通过分析土壤孔隙度和饱和度对其热导率的影响,提出了基于改进学习算法的BP神经网络的土壤热导率预测模型,采用该算法分别对粘土、粉粘、粉土、粉砂4种土壤的热导率进行了预测分析,并与传统回归计算模型进行了比较.实验结果表明,采用的BP神经网络模型能够较精确的预测各种土壤热导率,而且由于神经网络的结构和隐层神经元数固定,因而降低了待设置参数的数目,提高了BP神经网络模型进行土壤预测的适用性.     

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。     

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GA的BP网络模型在水文计算中的应用

分析了BP神经网络的缺陷和遗传算法GA的特点,在对BP网络模型进行多方面改进的基础上,提出了基于GA的BP网络模型算法,该算法利用遗传算法全局寻优能力强的特点,可克服神经网络易陷入局部极小、收敛速度慢的缺陷.研究表明,基于GA的BP神经网络模型用于水文计算是有效可行的,该算法具有广泛的应用前景.     

基于马尔科夫链误差修正的光伏发电预测

为了提高光伏发电预测的精度,在传统BP神经网络预测模型的基础上,利用相似日算法和马尔科夫链理论对预测模型进行改进。其方法以得到的相似日数据作为预测模型的输入量,通过BP神经网络进行训练,得到初步的预测值,然后根据马尔科夫链模型得到的误差状态转移概率矩阵对预测误差进行修正,根据修正后的误差得到新的预测值。最后通过与传统算法得到的预测结果进行误差对比分析,结果表明,改进算法的预测精度高于传统算法,验证了该模型的有效性。     

用人工神经网络预测结构钢的端淬曲线

利用8×9×10的3层BP神经网络模型精确预测了优质碳素结构钢的端淬曲线.实际应用中通过调整学习率和动量项系数来改进标准BP算法,实验结果表明在训练次数一定的情况下,这种调整是有效的,并且表明网络的预测精度受这两个网络参数的影响很大.     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

人工神经网络应用于时间序列预测的探讨

介绍了时间序列方法和适用场合,突出了基于神经网络的时间序列信息预测方法的重要性,进一步研究了BP神经网络技术,包括BP网络模型结构、BP网络学习过程、BP算法,并概括了BP算法存在的不足和改进方向。     

BP神经网络在倒立摆控制中的应用

建立了基于人工神经网络改进BP算法的一级倒立摆的数学模型,并给出了BP网络结构,采用改进的LM训练算法,结合由极点配置获得训练数据。利用Matlab软件进行训练仿真,结果表明,改进的BP算法控制倒立摆精度高、收敛快,在非线性控制、鲁棒控制等领域具有良好的应用前景。     

基于局部加权的决策树算法在孔隙度预测中的应用

近年来,数据挖掘中的回归算法在地学领域中的运用越来越受到人们的关沣,尼其足往储层孔隙度预测方面。储层孔隙度对描述储层特性和储量估计有着极其重要的意义。对于储层的孔隙度,各种测井信息可以看作是其影响因素,但是又很难直接找到孔隙度与测井信息间的映射关系。而从数据挖掘的角度来看,储层孔隙度的预测问题是典型的回归问题,根据测井信息建立适当的模型,通过参入已知测井信息和孔隙度资料的训练,就可以建立储层孔隙度与测井信息之间的非线性关系,进而对储层孔隙度进行预测。本文在采用补偿中子（CNL）、自然伽马（GR）、自然电位（SP）、声波时差（A（AC）、感应电导率（COND）等测井数据来建立孔隙度预测模型的基础上,使用基于局部加权的决策树算法来对储层孔隙度进行预测,预测的实验结果表日爿：采用的算法能够利用测井资料准确地对储层孔隙度进行预测;此外,与常规决策树算法相比,应用局部加权的决策树算法进行孔隙度预测时,预测的结果具有更高的精度。     

改进BP神经网络在水轮机特性数据处理中的应用

针对原有的水轮机特性数据处理方法的不足,提出了一种改进的BP算法对水轮机特性数据进行处理.采用改进BP神经网络算法进行数据处理时,不需要依赖于具体的函数关系表达式,即可对已知离散数据进行拟合,并将提出的改进BP算法与元胞自动机理论所建立模型的计算结果进行了分析比较.计算结果表明:改进的BP神经网络算法不仅能够有效处理水轮机特性数据,而且具有很高的计算精度,可应用于水轮机的控制和优化运行当中,为进一步研究水轮机的运行性能奠定了理论基础.     

基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点     

改进BP算法用于入侵检测

为了降低入侵检测系统的误警率,提高检测率,在入侵检测模型中应用了一种改进BP算法.该算法用Cauchy误差估计器代替传统的LMS误差估计器,提高了模型的鲁棒性,降低了训练样本＂异常值＂对收敛速度的影响.最后,以网络数据包为样本数据对模型进行训练,比较了改进BP算法与标准BP算法的实验结果,验证了该算法的优越性.     

人工神经网络BP算法的改进及其应用

对传统的ＢＰ算法进行了改进,提出了ＢＰ神经网络动态全参数自调整学习算法,又将其编制成计算机程序,使得隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力。计算结果表明：ＢＰ神经网络动态全参数自调整算法较传统的方法优越,训练后的网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势。     

Effective prediction of DEA model by neural network

In this paper,a fast neural network model for the forecasting of effective points by DEA model is proposed,which is based on the SPDS training algorithm.The SPDS training algorithm overcomes the drawbacks of slow convergent speed and partially minimum result for BP algorithm.Its training speed is much faster and its forecasting precision is much better than those of BP algorithm.By numeric examples,it is showed that adopting the neural network model in the forecasting of effective points by DEA model is valid.     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器.由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高.将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器.算法在matlab中实现,对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率.     

一种BP神经网络改进算法的研究

为提高神经网络传统BP算法的训练速度,以3层神经网络为例,通过对权值的分析与优化,推导出改良的BP算法——双权值迭代优化法,并对该算法与传统算法进行了比较,通过比较发现,新算法在保证精度的前提下可节省训练时间,同时对该算法特点进行了总结。