BP神经网络在模拟非线性系统输出中的应用

概述了非线性系统输出模拟的方法，对BP神经网络及改进的BP算法作了简要介绍。以BP神经网络运用于激光焊接过程中模拟焊缝形状的典型例子，探讨了BP神经网络在非线性系统模拟输出中的可行性；通过实例分析及比较测试结果，对BP网络的结构和训练样本的选取等进行了有益的探索。     

����������ı�����· ��ͨ������Ԥ���о�

在总结交通流短期预M方法发展趋势的基础上，分别介绍了基于常规的BP神经网络和基于RBF神经网络的交通流量短期预测模型，并重点研究RBF网络模型的预测性能，确定了关健参数、的最优值.最后应用两种模型时北京环路实测交通流数据进行了预刚分析，实验结果表明，两种模型都可以满足实际交通流诱导的需要，BP模型在预则精度上稍优于RBF模型，但后者在学习速度和学习稳定性等方面明显优于前者.     

网络可靠分析方法及比较

论述了用于分析分布式计算机网络的可靠性理论，介绍了可靠性分析的几种典型方法，找出了较优的Ｍｏｏｒｅ－Ｓｈａｎｎｏｎ方法，并用该方法，对我国铁路Ｘ．２５分组交换数据网络的两种模拟网络分布式拓扑结构的可靠性进行了计算机仿真分析。     

基于遗传BP网络的城市空气质量等级预测

针对空气污染诱因复杂、影响机理非线性等特点,选用遗传BP网络,对城市空气质量等级进行短期预测.分别使用2类共10种方案对数据进行了关联,使用遗传算法对输入变量进行了筛选,对BP网络的网络结构、权值和阀值进行了优化.仿真结果表明,经优化后的BP网络对未来8天空气质量等级的平均预测正确率达67.1%.     

基于实例改进的BP算法的联合应用

BP(Back Propagation)神经网络模型是当今的科学技术领域中应用最为广泛的一种，其突出优点是具有很强的非线性映射能力以及根据具体问题灵活处理的柔性的网络结构。但是目前BP网络还存在一些缺陷，如训练时间长、易陷入局部极小等。分析BP神经网络的几种优化算法，实例证明这些优化算法的联合应用可以提高网络的性能。     

基于改进算法的多层神经网络的结构优化设计

简要地介绍了工程中应用较多的多层前向神经网络(BP网络)的结构和网络的设计．通过采用一种改进的训练算法(参考隐层的输出),并结合科学的样本选择方法(“超立方体”法)设计网络,进行网络训练．最后通过数字仿真证明了这个网络模型用于结构优化设计的有效性．     

基于改进算法的多层神经网络的结构优化设计

简要地介绍了工程中应用较多的多层前向神经网络(BP网络)的结构和网络的设计.通过采用一种改进的训练算法(参考隐层的输出),并结合科学的样本选择方法("超立方体"法)设计网络,进行网络训练.最后通过数字仿真证明了这个网络模型用于结构优化设计的有效性.     

结合遗传算法的BP神经网络训练方法研究

针对BP神经网络存在收敛到局部极小问题,研究了直接利用遗传算法训练BP网络的方法和结合遗传算法训练网络初始权值的BP算法;通过简单异或问题说明了第一种方法所需训练时间较长;将第二种用于解决结构损伤识别问题,得到较好结果,说明利用遗传算法训练初始权值可以克服BP神经网络局部极值点问题,加快网络的收敛速度。     

基于BP神经网络和振动测量的轴承故障诊断

根据BP算法神经网络模型,通过对轴承振动测量的分析,得到故障诊断的方法。阐述BP神经网络应用于轴承故障的基本步骤,包括BP网络结构、状态编码、网络训练、模式识别以及诊断实例分析。指出了BP神经网络在轴承故障诊断中的应用中存在的问题和发展方向。     

支持向量机对交通流量的预测模型

针对目前交通量预测中所广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点,介绍了一种新的预测方法——基于结构风险最小化的SVMR交通量预测模型,经实践证明能够较好地解决道路交通量预测问题。     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

BP神经网络收敛性问题的改进措施

BP算法现在已成为目前应用最广泛的神经网络学习算法,它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用,但存在收敛较慢问题.笔者在文中简述了BP算法原理,针对BP算法的收敛性问题,提出了几点改进措施.     

基于BP神经网络的某型发动机万有特性实验数据拟合

介绍了BP神经网络的基本原理,借助Matlab软件的BP神经网络工具箱函数,通过建立相应的BP网络模型,对某型发动机的万有特性实验数据进行拟合,并将拟合结果与实测值进行比较。研究表明,采用BP神经网络拟合发动机万有特性数据,能取得较高的精度。     

基于模糊神经网络的拉索耐久性评价模型

将模糊理论与神经网络技术相结合,建立了基于模糊神经网络的拉索耐久性评价模型;网络训练采用改进的梯度下降动量BP算法,经过265次学习,确定了网络各层参数值,得到了网络的收敛解;最后通过5个校验样本验证了拉索耐久性模型的正确性。研究结果表明:拉索构件的耐久性评价指标分为拉索索力、锚固系统、拉索保护层、减震装置4种;采用动态BP算法对网络进行计算时,网络的收敛速度优于常用的BP算法;训练好的模糊神经网络很好地获得并储存了评价专家的知识、经验和判断,可将网络应用于拉索构件的耐久性评价。     

基于L-M法BP神经网络的高填路堤地基沉降预测

针对高填路堤地基沉降预测中影响因素众多且存在高度的非线性，难以用解析式表达等特点，提出采用基于L—M（Levenberg—Marquardt）的BP神经网络法对高填方地基沉降进行预测，并通过对工程实例的网络训练和网络检验，得出BP神经网络计算值与实测值十分接近的结论，可充分证明L—M法BP神经网络在高路堤地基沉降预测中具有很好的实用价值。     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

基于BP神经网络的汽车制动系故障诊断方法研究

为了更好地研究汽车制动系故障诊断方法,在汽车制动系统故障因果关系分析的基础上。利用BP神经网络相关理论,确立了汽车制动系故障神经网络模型结构,建立了3层BP网络模型。进一步应用Matlab软件对模型进行了计算实现,并对计算结果进行了分析,结果表明该模型适用性强、效果良好。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

Term Structure of Interest Rates Based on Artificial Neural Network

In light of the nonlinear approaching capability of artificial neural networks （ ANN）, the term structure of interest rates is predicted using The generalized regression neural network （GRNN） and back propagation （BP） neural networks models. The prediction performance is measured with US interest rate data. Then, RBF and BP models are compared with Vasicek＇s model and Cox-Ingersoll-Ross （CIR） model. The comparison reveals that neural network models outperform Vasicek＇s model and CIR model, which are more precise and closer to the real market situation.