BP神经网络预测方法的改进及其在隧道长期沉降预测中的应用

对已有的BP神经网络预测方法做了进一步的改进,通过对比选取了最优的网络训练模式和传递函数;利用反复训练和统计学原理推导了适用于确定单个隐含层神经元个数的解析式,并提出了与其相适应的归一化方法、最优归一区间和最优隐层神经元个数的取值范围;指出当输入神经元大于3个时,采用具有双隐含层结构的BP神经网络进行预测的效果远好于单个隐含层结构.对隧道结构整体沉降进行了预测,效果满意,为合理选择后续施工工艺提供了依据.     

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.     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

基于两种BP神经网络的精纺毛纱性能预测模型的比较

在较大输入层样本数、较多输入层节点数的条件下,尝试使用单隐层BP神经网络模型与双隐层BP神经网络模型分别对精纺毛纱的条干不匀率与断裂强力进行预测,分析比较单、双隐层模型的预测性能.结果表明:隐含层节点数为9的双隐层BP神经网络模型预测性能最佳,相关系数值为0.920 5;对精纺纱的断裂强力进行预测时,隐含层节点数为8的双隐层BP神经网络模型预测性能最好,相关系数值为0.917 1.因此,在输入层样本数较大、输入层节点数较多的条件下,双隐层BP神经网络模型更适合对精纺毛纱的性能进行预测.     

小波神经网络的大坝变形预测研究

为了达到掌握大坝变形规律,确保大坝安全运行的目的.通过对小波神经网络和BP神经网络的对比,从隐含层激励函数的构造分析,得出两种网络本质相同,从BP算法的权值调节分析两种网络的预测性能包括收敛性能和泛化性能,并结合实践应用到具体的大坝预测问题上,验证小波神经网络在预测方面精度高,误差不超过0.1mm,同时泛化性能好的优势.     

改进的BP神经网络模型预测充填体强度

为了准确评价和预测充填体强度,采用改进的BP神经网络算法,利用实验室做的18组充填体单轴抗压强度试验结果,建立了充填体强度与影响因素之间的5-7-1网络模型结构(输入层为5个神经元,隐含层为7个神经元,输出层为1个神经元,输入为胶砂比及各胶凝材料掺量,输出为充填体28 d单轴抗压强度).结果表明,改进的BP神经网络对于充填体的强度具有良好的预测能力,建立的网络模型不仅收敛速度快而且训练精度高,对充填体强度的预测结果与训练数据和测试数据的最大相对误差仅为4.23％.     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。     

基于差分进化的BP神经网络在纱线质量预测中的应用

为了提高BP神经网络在纱线质量预测上的精度,采用差分进化算法训练BP神经网络,利用差分进化算法的全局寻优能力优化BP神经网络的权值和阈值,建立了反映纱线质量的重要指标——单纱强度和条干CV%的神经网络预测模型.对真实数据的测试表明该算法效果良好,提高了BP神经网络算法的预测精度,能够为企业的纱线质量预测提供有效支持.     

钢管砼轴心受压柱的可靠性研究

规程所给钢管砼轴心受压柱的计算公式比较复杂，给可靠度的计算带来一定的困难，尝试利用神经网络-蒙特卡罗法计算钢管砼柱可靠度，利用一实例的轴心受压试验结果，训练了四层BP网络，进行了柱轴压承载力的预报，预报值和试验值吻合良好，进而利用实例柱网络模型结合蒙特卡罗法，算出柱的可靠度，为结构可靠度计算提供了一种新的方法和思路。     

基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型

针对传统BP神经网络存在的容易产生过拟合、网络计算耗时长等问题,提出基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型(AC-H-BPNN)。该模型以粗糙集中属性核为基点,通过属性重要度的判断,对神经网络输入项进行降维约简。针对隐含层节点数难以确定的问题,将二分分割法与经验公式相结合,精准确定隐含层节点数。并以水产养殖中对虾产量为例进行分析,实验结果表明,改进后的算法能够克服局部最小值问题,且预测结果准确度较高。     

Forecasting increasing rate of power consumption based on immune genetic algorithm combined with neural network

Considering the factors affecting the increasing rate of power consumption, the BP neural network structure and the neural network forecasting model of the increasing rate of power consumption were established. Immune genetic algorithm was applied to optimizing the weight from input layer to hidden layer, from hidden layer to output layer, and the threshold value of neuron nodes in hidden and output layers. Finally, training the related data of the increasing rate of power consumption from 1980 to 2000 in China, a nonlinear network model between the increasing rate of power consumption and influencing factors was obtained. The model was adopted to forecasting the increasing rate of power consumption from 2001 to 2005, and the average absolute error ratio of forecasting results is 13.521 8%. Compared with the ordinary neural network optimized by genetic algorithm, the results show that this method has better forecasting accuracy and stability for forecasting the increasing rate of power consumption.     

隐层改进的BP网络在织物染色配色中的应用

为提高BP网络及其改进网络的收敛和泛化能力,依据计算机配色理论,深入研究了BP神经网络的优缺点,在此基础上提出了一种基于隐层输出反馈改进的BP网络训练算法应用于织物染色配色的算法,并按照此算法进行了织物染色的计算机配色实验。实验验证了人工神经网络算法在织物染色配色中应用的可能性和可靠性,为神经网络模型在织物染色配色中选择和构造合适的高性能网络结构提供了参考。     

基于BP神经网络的火电工程项目风险评估模型

应用BP神经网络对火电工程项目风险进行评估。先建立评估模型,再求出模型中误差函数调节的连接权值和阈值,并将输出层作为网络结果输出。其训练网络的样本集为可信度高的权威性评价结果,可通过专家对以往类似装备研制过程的数据进行总结得到。将训练的权值和阈值储存,对拟评价的项目进行预测。模型自学习、自组织适应能力和强容错性能较强,可提高评估的可靠性,使结果客观。     

Predicting Model forComplex Production Process Based on Dynamic Neural Network

Based on the comparison of several methods of time series predicting, this paper points out that it is necessary to use dynamic neural network in modeling of complex production process. Because self-feedback and mutual-feedback are adopted among nodes at the same layer in Elman network, it has stronger ability of dynamic aping given, dynamic back-propagation (BP) algorithm of training weights of Elman neural network is deduced. At last, the network is used to predict ash content of black amber in jigging production process. The results show that this neural network is powerful in predicting and suitable for modeling, predicting, and controling of complex production process.     

基于BP神经网络的人脸图像识别方法的研究

提出了用BP神经网络对人脸图像进行特征提取和识别的方法,讨论了BP网络结构的设计,输入、输出层的设计,隐层结点数的选取等问题,对由10人,每人3幅图像组成的人脸图像数据库做识别实验,结果表明,BP具有很强的自适应性,对有噪声、残缺和戴眼镜的图像识别效果较好。     

基于动态贝叶斯网络的气化炉烧嘴系统可靠性分析

为解决在分析系统可靠性时获取的动态贝叶斯网络（DBN）的先验数据主观性强的问题,以气化炉烧嘴系统为研究对象,利用BP神经网络优化DBN的先验数据。依据隐含层神经元数量经验公式,将气化炉烧嘴系统DBN模型划分为3个子系统,并分别转化为BP神经网络。将DBN的先验分布分别对应BP神经网络的输入函数与输出函数,再利用BP神经网络信息向前传、误差向后传的特性,对系统进行性能学习,实现对DBN的先验数据优化。对优化后气化炉烧嘴系统的DBN进行双向推理,实现对气化炉烧嘴系统动态可靠性分析。结果表明,对气化炉烧嘴系统DBN进行正向推理,可得到优化后的系统可靠性变化趋势;进行反向推理,可得到优化前后的关键事件及薄弱环节,其中薄弱环节为高氧煤比氧煤比的波动。     

基于粗糙集神经网络的网络安全态势评估方法

为克服多源数据融合中存在信息高维、冗余和噪音等大量不确定性因素给网络安全态势评估带来的复杂影响,提出一种基于粗糙集神经网络的网络安全态势评估方法。该方法既利用粗糙集理论在机械学习、处理冗余信息和特征提取等方面的能力,又结合神经网络处理噪音和任意逼近能力构造出由指标层、离散层、规则层、决策层组成的态势评估模型,并与BP神经网络方法进行对比研究。仿真实验结果表明,所提方法偏差较少,更能客观、准确地分析网络安全状况。