基于RBF神经网络的裂缝开度预测模型

大坝裂缝开度是大坝安全的重要特征之一。针对传统裂缝开度预测模型的不足,提出了基于RBF神经网络的裂缝开度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,加快了收敛速度,缩短了训练时间,使得预测精度提高,因此能较好地预测裂缝开度值。利用Matlab的RBF神经网络工具箱建立了裂缝开度预测模型,并应用于实际工程中,取得了较高的拟合预报精度,说明该方法具有较强的实用性。     

城市新区交通生成预测模型

针对城市新区背景下传统交通生成预测方法的不足,以土地利用-交通需求相关关系为机理,研究交通生成预测关于土地利用的模型.以土地利用规模、性质和区位势作为影响交通生成的主要因素,引入区位势因子,最终建立城市新区交通生成预测模型.     

基于RBF神经网络的超市客户保持预测模型研究

利用RBF神经网络数据挖掘算法建立了超市客户保持预测模型,在MATLAB开发环境下进行程序设计和仿真分析,并与BP算法进行对比,完成了超市客户保持预测的任务,分析了该算法的优越性.     

基于分布式神经网络的焦炭质量预测模型

焦炭质量预测模型是确保焦炭生产顺利的基础．但在生产多种类焦炭时，模型的泛化能力变差．针对此问题，提出了基于分布式神经网络的焦炭质量预测模型，给出了基于粗划分的自组织网络初始权值选取方法，通过对基于遗传算法一反向传播人工神经网络的预测模型(GA-BP)和基于自组织映射网络一径向基函数的分布式神经网络(SOM-RBF)的预测模型比较，发现后比前的预测精度高且稳定，完全满足现场要求。     

基于BP神经网络的交通影响预测模型

对建设项目进行交通影响分析越来越受到交通工程专家和规划管理部门的重视,如何科学预测项目建成后对周围路网的交通影响一直是交通影响分析理论和实践中的重要问题.根据人工神经网络的基本原理,利用三层BP网络,建立了输入变量是建设项目产生的交通量、路网中各路段的背景饱和度、离开建设项目的距离,输出变量是项目建成后路段饱和度的交通影响预测模型,并以哈尔滨国际会展体育中心为例,详细介绍模型的建立过程.模型预测值与实际值之间的相对误差<5%,拟合度达到0.99.     

基于RBF神经网络的太阳能电站VRLA蓄电池容量预测方法

为了对太阳能电站VRLA蓄电池进行有效的保护,防止蓄电池的过放电,本文对VRLA蓄电池进行准确的容量预测。在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用RBF神经网络建立了铅酸蓄电池的数学模型,用于预测铅酸蓄电池放电过程某一状态下的剩余容量。实验结果表明该网络模型可以快速、准确得到蓄电池剩余容量。     

基于RBF神经网络生物质半焦产量的预测

生物质能作为一种可再生的清洁能源,开发利用前景广阔,热解反应是生物质热化学转化中的关键环节.本文分析了糠醛渣和稻壳共热解过程中影响半焦产量的各因素,根据三个主要因素,建立RBF神经网络模型,并应用此模型对半焦产量进行预测.其中,模拟结果的偏差一部分来源于网络和学习样本及影响因子的选取,更多的来源于实验数据.通过误差分析,本文建立的模型具有较好的精度,证明了RBF网络应用于热重分析仪中生物质热解领域的可行性.     

RBF神经网络在径流预报中的应用

鉴于径流的形成受众多因素的影响和径流预报具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的径流预测模型.经实例验证,该模型收敛速度快、预测精度高,并与BP网络作了对比,RBF网络显示了较好的优越性.     

RBF神经网络用于系统的预测最优控制

为了实现系统的预测最优化控制,问题的关键是如何准确而迅速地对未来一段时间内的系统状态进行预测,然后利用此预测结果及优化指标来控制有关系统变量,人们对此进行了许多研究,但尚有其不足之处。为此,提出压缩预测变量集规模等办法来增加ＲＢＦ神经网络有效预测时间长度,在此基础上利用稳态最优解和优化指标来控制有关量。此方法被用于某化工过程,结果能使系统运行更为平稳,并使有关量达到了预测的优化指标。     

基于目的地魅力度的出行生成/分布联合模型

传统的交通需求预测方法以交通小区为研究单位,会产生集计误差,在出行生成阶段对于不同的交通小区使用相同的平均出行率来确定出行生成量,没有考虑交通小区魅力度对出行生成的影响,为减小城市交通需求预测中由于不同小区出行生成率不同造成的预测误差,应用非集计模型理论,分析了影响交通小区魅力度的因素,结合目的地选择模型给出小区间出行效用以及小区魅力度的计算方法,以此来修正传统的出行生成和分布模型,并以北京市调查数据为例说明了上述方法的应用。     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

基于人工神经网络的加权负荷预报

针对矿区电力负荷系统的特点，提出了基于人工神经网络的加权负荷预报．仿真结果表明，其预报精度符合要求．     

基于LabVIEW 的RBF神经网络实现

LabVIEW 是一种图形化编程语言,被工业界和研究实验室广泛使用。RBF神经网络是一种三层前 向网络,可有效地进行非线性模型的辨识。介绍了3种在LabVIEW 实现RBF神经网络计算的方法。用LabVIEW 完成了RBF神经网络的程序开发并进行了函数逼近验证。仿真结果表明,使用本文方法方便有效,把RBF神经网 络与虚拟仪器开发平台结合,拓宽了其应用领域。     

基于改进的GABP神经网络光伏发电短期出力预测

分析了影响光伏出力的主要因素,选取了太阳辐射量,以及隐含前一日综合气象信息的历史出力数据为关键影响因素,建立了改进的GA-BP神经网络的短期光伏发电功率预测模型.对样本空间进行了合理降维和去噪,并利用遗传算法逐步迭代出优化的初始权值,将得到的最优权值(阈值)赋值给预测网络各层进行学习和预测.仿真结果表明,改进的GA-BP神经网络模型能够剔除冗余的样本数据和优化初始权值,既具备了较快的收敛速度又不易陷入到局部极值中,具有较强的泛化能力,预测精确度大幅提高.     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

基于神经网络的清淤工程预警模型研究

港口淤积受多方面因素的交互影响,极其复杂.基于误差反传播算法(BP算法)的多层前向神经网络理论,以Matlab6.5为开发平台,在分析与港口淤积相关的海量数据的基础上,建立了港口清淤工程预警模型,从而达到更有效指导港口清淤工程的目的.     

基于神经网络的清淤工程预警模型研究

港口淤积受多方面因素的交互影响，极其复杂．基于误差反传播算法（BP算法）的多层前向神经网络理论，以Matlab6．5为开发平台，在分析与港口淤积相关的海量数据的基础上，建立了港口清淤工程预警模型，从而达到更有效指导港口清淤工程的目的．