基于 PCA-BP 神经网络的股票价格预测研究

在股票决策问题的研究中,针对影响股票价格因素间存在高度的非线性、存在数据冗余等特征,传统股票预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高股票价格预测精度,提出一个基于主成份分析(PCA)的 BP 神经网络(BPNN)股票预测模型(PCA-BPNN).首先对影响股票价格波动的各因素进行主成份分析,消除各因素之间的冗余性,降低 BP 神经网络的输入维数,加快 BP 神经网络测速度并提高预测精度,然后利用 BPNN 对保留成分进行建模预测.利用 PEA-BPNN 模型对上海证券交易所上市的首创股份(600008)经济数据进行了验证性测试和分析,结果表明,PEA-BPNN 模型预测精度显著提高,是一种高效和准确的股票预测模型.     

一种基于PCA-BP神经网络的示例优选方法

在音频示例检索的研究中,针对示例数据量大而导致计算代价大、检索时间长和噪声鲁棒性差等问题,提出了一种基于主成分分析（PCA）和BP神经网络（BPNN）的示例优选方法。以信号鲁棒性评分为依据构建数据集合,使用主成分分析得到段级特征,消除数据冗余,减少输入变量,最后利用BPNN对保留成分进行建模预测。用PCA-BPNN模型对实验数据进行了验证性测试和分析,结果表明,该方法可以准确而高效地从一段音频中选取鲁棒性好的示例。     

基于GA-BP神经网络的装甲车辆电路板故障诊断

针对典型BP神经网络在装甲车辆电气系统电路板故障诊断中容易出现自适应效果差、局部极小值等问题,通过引入遗传算法（genetic algorithm,GA）,对典型BP神经网络的各层参数进行优化,从而对典型BP神经网络故障诊断模型进行改进。为了验证模型的可靠性,以装甲车辆电气系统中80式灭火系统控制盒电路板故障诊断数据为例,对参数优化后的模型进行分析验证,结果表明,改进后的模型能够有效克服BP神经网络模型自适应不够的问题,并避免网络陷入局部极小值,从而有效提升装甲车辆电气系统电路板故障诊断效率和质量。     

采煤机健康状态智能评估方法研究

针对现有采煤机健康状态评估方法存在评估指标权重确定受人为因素影响较大导致评估准确率不高、采用单一评估算法存在局部搜索能力弱和抗干扰能力差、寻找全局最优值能力不足等问题,提出了一种基于主成分分析(PCA)与遗传算法(GA)优化BP神经网络算法(PCA-GA-BP算法)的采煤机健康状态智能评估方法。根据采煤机结构和工作原理选择采煤机状态监测点位,获取采煤机健康状态相关的各项状态参数,采用PCA对采煤机状态参数进行数据降维和特征提取,避免BP神经网络输入的复杂化;引入GA对传统BP神经网络寻找全局最优权值;通过训练参数建立基于GA-BP的采煤机健康状态智能评估模型,将降维后的采煤机状态参数自动输入评估模型,通过智能评估算法输出测试结果,实现自学习、自寻优和自主判断采煤机的健康状态。实验结果表明,基于PCA-GA-BP算法的采煤机健康状态智能评估方法可准确、快速和智能评估采煤机健康状态,相比于基于单一BP神经网络的评估方法,训练时间短、评估流程简单且评估准确率高,准确率达97.08%。     

基于BP神经网络的装甲车辆电源系统故障诊断方法研究

为实现装甲车辆电源系统故障诊断的智能化,在Simulink中建立爪极同步发电机数学模型和桥式不可控整流电路来构建装甲车辆电源系统基础模型,通过设置各类故障,采集不同的电压故障波形中的数据并进行归一化处理;在Matlab中编写、运行BP神经网络训练程序,得到网络模型,并取测试样本进行验证;结果证明了该训练后的神经网络的正确性,表明了BP神经网络在装甲车辆电源系统故障诊断中具有可行性,达到了对整流器故障诊断的目的。     

基于RBF神经网络的电力客户信用评估模型

构建基于RBF神经网络的电力客户信用评估模型。为了改善样本的质量和降低训练神经网络时对样本的处理成本,对原始样本进行主成分分析,利用提取的少数主成分作为新的综合指标再进行评估模型的构建。同时通过改进MatLab神经网络工具箱中的RBF神经网络设计函数,构建高分类能力的网络模型。实验证明该信用评估模型的有效性。     

PCA-BP神经网络在降水预测中的应用研究

该文提出了一种基于主成分分析(PCA)与误差反向传播(BP)神经网络的降水预测模型。首先,通过主成分分析法对降水的主要影响因素进行主成分提取,选取贡献率大于85%的5个主成分来代替原来的14个影响因素,以消除原始输入数据的相关性,解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主成分分析结果为输入建立降水BP神经网络预测模型。仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足降水预测的要求。     

基于主成分分析和自组织神经网络的柴油机故障诊断方法

提出了一种新型的柴油机故障诊断方法,该方法使用主成分分析（ PCA）法对故障样本降维,有效提取故障样本主要特征,在此基础上,将其作为输入使用自组织映射（ SOM）神经网络进行训练得到故障识别网络。400组模拟故障数据的测试表明,两者结合的方法能有效提高网络的训练速度,获得满意的故障识别率。     

基于单征机的装甲车辆状态监测仪设计

本文首先介绍了装甲车辆状态监测仪的工作原理及功能，并以８０Ｃ１９６单片机为中心，通过对已经安装在装甲车辆上的各种传感器输出信号实时采集，数据处理，实现了对一辆行驶状态的监测，并详细介绍了监测仪的硬件与软件实现方法。     

基于PSO-BP神经网络的企业信用风险评估模型研究

企业信用风险评估是金融领域的重要课题.本文针对单独运用BP神经网络评估信用风险时存在的不足,提出了一种基于PSO-BP神经网络的企业信用风险评估模型.该模型首先应用主成分分析方法降低输入BP网络的信用评估指标维数,并且采用粒子群优化算法优化BP神经网络的权值.实验表明,新模型采用的算法具有收敛速度快,预测精度高的优点,是一种有效可靠的企业信用风险评估模型.     

装甲车辆柴油机冷却系统控制策略研究

建立了具有高低温双循环的装甲车辆冷却系统模型;在分析装甲车辆各部件冷却散热需求的基础上,设计了基于预置MAP与模糊控制相结合的高低温双循环冷却系统冷却液温度控制策略;在Matlab/Simulink中建立了冷却系统与其控制系统的耦合模型,仿真验证了控制策略的有效性;在冷却系统试验台架上验证了控制策略的可行性;研究表明采用预置MAP与模糊控制相结合的控制策略能够保证高温循环柴油机冷却液出口处温度波动不超过±1 ℃,低温循环冷散热器冷却液出口处温度低于设定值。     

基于RV的装甲装备火控系统仿真

针对目前装甲装备模拟训练系统中,在火控系统方面存在的装备模型粗糙,火控功能仿真不完善的问题,提出基于RV引擎的装甲装备火控系统仿真设计.在装备模型建立方面,使用模块化设计提高模型的可管理性和细致程度,利用细节层次技术和碰撞检测技术提高模型的使用效率和真实性;在火控系统的功能仿真方面,利用欠阻尼二阶系统模拟火炮运动模型,通过设置虚拟炮弹模拟激光测距过程,并对射击诸元结算和射击弹道建立了准确的数学模型.通过测试运行RV装甲装备火控系统仿真能较为真实反映实装性能.     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。     

基于神经网络的船用柴油机故障诊断

给出一种基于径向基函数(RBF)神经网络模型应用于船用柴油机故障诊断的方法，并以6-135ZC柴油机的故障诊断进行模拟计算和验证；结果表明，这种方法识别率很高，是切实可行的。     

基于动量BP网络的柴油机故障诊断

利用神经网络的非线性映射,及其高度的自组织和自学习能力,将改进的BP网络应用于柴油机的故障诊断。应用夹持式传感器获得柴油机喷射系统的燃油压力波形,对波形时域分析和特征提取,再根据所取得故障信息及其对应的故障类型来构造网络结构,应用附加动量的BP算法,从而实现对故障的分类。通过Matlab仿真理论表明,该方法可以有效地对故障进行识别分类。     

基于BP网络的飞行器解耦设计

根据BP神经网络在函数逼近方面的能力,将BP神经网络应用于飞行器系统解耦.在解耦过程中,通过神经网络离线训练标准数据,得到输入输出的函数关系,从而可以得到解耦中的各个参数.根据气动力矩矩阵的行半径系数的大小来验证耦合的强弱.仿真结果表明,BP网络对控制系统的解耦效果是明显的.     

基于PCA的GHA算法在BP网中的融合应用

针对传统特征提取方法和BP神经网络相结合而存在的缺点,提出一种新的分类器模型“PCABP网”。首先利用PCA特征向量来初始化PCABP网的初始层权值矩阵,由此新模型的初始层起到取代PCA进行特征提取的作用。其次在训练过程中通过GHA和GD算法对初始层投影权值矩阵进行动态调节来优化特征向量。该方法从源头样本来优化“类别分离”和“特征提取”,找到对样本降维和分类的最佳契合点,以此来替代传统模式识别中“首先单独特征提取,其次利用分类器分类”的方式。在FERET人脸库上的实验结果验证了该方法的有效性。     

基于超声波测距及BP神经网络的车型识别

车型识别在高速公路收费、停车收费、城市道路监控等诸多领域有着广泛的应用。针对传统车型识别系统存在的识别效率低、结构复杂、安装难度大等问题,提出并实现了一种基于超声波测距及BP神经网络的车型识别系统。该系统以嵌入式微处理器、485总线为核心,运用超声波测臣实现对车辆外形尺寸的检测,并从中提取表征车型的四个参数,通过BP神经网络对所获取的参数进行自动分类识别。实验结果表明,该方法车型识别的正确率在95%以上。