混沌神经网络预测算法评价准则与性能分析

为比较各种混沌神经网络预测算法的误差性能 ,该文提出了预测误差评价准则 ,即根均方误差 ,偏差 ,预测精度 ,决定度系数 ,绝对误差 ,以及一些归一化根均方误差等 ,并分析了它们在描述误差特征上的具体含义。针对两种混沌神经网络预测算法 (即全局神经网络算法和局部神经网络算法 ) ,利用该准则进行了性能分析 ,给出了合理的评价。结果表明 ,与混沌神经网络预测的局部模型算法相比 ,全局模型算法有更好的预测效果 ,且训练时间短 ,占用资源少 ,推广能力好     

基于GA-BP神经网络优化算法的篮球教学质量评价

篮球教学质量是反应学习效果与教学方法可行性的关键指标，对于提升优化篮球课程的教学方法具有重要意义。基于主成分分析法提取16个关键性评价指标，设定GA-BP神经网络期望误差为均方误差；基于自适应梯度下降法进行网络训练，为遗传算法的不同种群赋予不同交叉概率与变异概率，利用移民算子沟通实现种群进化以此改进遗传算法；基于改进遗传算法确定BP神经网络的初始权值与阈值，将16个篮球教学质量评价指标权重输入到GA-BP神经网络模型中获得教学质量评价结果。实验结果表明，该模型输出篮球教学质量评价结果的误差最低、时间开销最少，是评价篮球教学质量的可靠方法。     

基于人工神经网络模型的油气管线点腐蚀蚀坑深度的预测

作者设计了反向传播人工神经网络模型来预测油气管线点腐蚀蚀坑深度。用"留一法"训练了神经网络模型,使其具有最佳的预测性能。然后用经过训练的模型预测了一些样本的点腐蚀蚀坑深度。用散点图和三个统计学指标—均方误差(MSE)、相对均方误差(MSRE)和拟合分值(VOF)评价了人工神经网络模型的预测性能:散点图显示蚀坑深度的预测值与测试值符合程度较高;均方误差(MSE)值为0.0389mm,相对均方误差(MSRE)值为1.32%,拟合分值(VOF)的值为1.9992。从总体上看,人工神经网络模型具有较高的预测精度。     

基于AGA-BP系统的涵洞结构应力预测研究

为了解决神经网络过训练和经验公式确定网络结构盲目性的问题,更好地实现对高填土涵洞结构应力预测研究,结合遗传算法和BP网络两种智能方法各自优点开发出自适应遗传算法-神经网络(AGA-BP)系统.该系统引进自适应交叉、变异概率公式,改进传统的交叉、变异遗传操作,提高局部搜索能力;同时将BP网络累积预测误差标准差作为自适应遗传算法的适应度函数,并作为遗传终止的判定准则之一.以模型试验数据为样本,通过AGA-BP系统和经验公式两种方法确定网络结构,实现对涵洞应力的预测.预测结果对比验证了AGA-BP系统在高填土涵洞应力预测研究中的可行性及优越性.     

基于神经网络自适应控制的磁滞类间隙补偿

利用连续时间动态微分方程描述磁滞非线性特性,采用两个神经网络函数分别逼近未知的非线性函数和磁滞模型的扰动误差,结合反步法提出一种自适应控制方案。仿真结果表明,系统具有良好的跟踪性能和全局稳定性。     

基于信息熵值法的生鲜品需求集成预测模型研究

由于有效的生鲜品需求量预测可在很大程度上提高其实际运输效率,降低因远程运输、交叉运输等造成的腐损。本文结合信息熵值法提出一种动态赋权集成预测方法,针对一般预测方案的预测结果定义相对偏差量和绝对偏差率两个指标,将原问题转化为三方案两指标的综合评价问题。最后通过算例验证,该方法可有效降低单一预测方法误差,进而可根据精确的预测结果进行科学的运输调度。     

基于IAUKF的再入弹道目标跟踪算法研究

弹道导弹再入阶段飞行速度快,受力情况复杂、多变,运动方程具有很强的非线性。针对其快速、精确、非线性跟踪问题,通过不敏变换,采用确定性采样逼近状态的后验分布,得到系统状态的均值和一步预测均方误差。将量测数据转换到笛卡尔坐标系中,在标准卡尔曼滤波框架中计算更新滤波增益、滤波均方误差和状态滤波;同时运用数值更为稳定的方程计算一步预测均方误差和滤波均方误差。通过计算残差,自适应更新状态噪声协方差和量测噪声协方差。仿真结果表明,新的跟踪算法与不敏卡尔曼滤波算法相比,具有更快的计算速度和更高的跟踪精度。     

一种神经网络实现GPS导航定位算法

目的 研究ＧＰＳ接收机状态解算的估计方法。方法 利用Ｈｏｐｆｉｅｌｄ神经网络对ＧＰＳ接收机数据进行处理,结果 以统计自述平均误差和均方根误差作为衡量性能的指标,神经网络方法与迭代量小均方误差算法相比较定位误差减小,结论利用神经网络实现ＧＰＳ接收机状态解算是可行的,且与迭代最小均方误差算法比较,可提高定位精度。     

基于动态递归神经网络稳定控制器的设计

静态映射神经网络和动态递归神经网络是两种重要的神经网络,前者在系统辨识和控制中得到了广泛的研究和应用;后者能够逼近系统的动态过程,具有良好的稳定性和收敛性,文中针对一类非线性系统,采用动态递归神经网络,结合Ｌｙａｐｕｎｏｖ稳定性理论,综合了稳定的自适应控制器,同时给出了神经网络的自学习律．理论分析表明,在模型匹配的情况下,能够保证跟踪误差的收敛性和闭环信号的有界性,并对一类建模误差问题进行了研究．分析与仿真结果均表明,该方法具有较好的自适应性和鲁棒性．     

神经网络技术在试验精馏塔控制中的应用

为了预测精馏塔底部产品的成分，建立了4层前馈神经网络结构，作为动态系统的正向模型，并采用BP学习算法对神经网络进行了训练；建立了动态系统的神经网络逆模型，作为系统控制器；采用神经网络内模控制结构，根据精馏塔第2级的温度，对底部产品成分进行控制，试验表明，神经网络法与气相层析法相比，能够以任意精度逼近任意非线性映射，更快地提供成品估算值，使控制系统更及时地采取措施，改善控制效果。     

BP神经网络的改进及应用

合理的选择网络结构是BP神经网络研究中一个重要问题.对传统的BP网络结构进行了改进,在确定BP网络的隐层节点个数时给出了BP网络结构的自适应算法,使得隐层节点的选取动态实现,增强了BP神经网络的适应能力.并应用改进后的BP网对高校教学工作水平评估体系进行建模,为高校教学管理决策提供了科学依据.     

基于子空间分析的前馈神经网络隐层评测方法

针对最佳平方逼近3层前馈神经网络模型,采用子空间分析方法,讨论了隐单元的误差补偿性能,提出了隐层评测方法.研究结果表明隐单元选取策略应遵循其输出向量有效分量位于误差空间、回避耗损空间和尽可能靠近某一能量空间的原则,这一结果与隐单元采用什么激发函数无关,也允许各隐单元采用不同激发函数.网络的隐层性能评价可以通过隐层品质因子、隐层有效系数、隐单元剩余度来进行,而总体结果可采用隐层评价因子进行评测.评测实验表明,所提出的隐层评测方法是合理有效的.图1,表1,参11.     

应用Elman神经网络的混沌时间序列预测

利用改进的 Elman神经网络对 3个典型的混沌时间序列在不同的噪声水平下进行预测 ,探讨了神经网络学习与泛化之间的关系 ,通过试凑法给出了 Elman最优的隐节点个数。并利用3种指标对预测结果进行了评估 ,结果显示 Elman网络对混沌时间序列预测的良好特性     

前向多层代数神经网络隐层神经元数目估计方法

结合目前估计前向三层神经网络隐层神经元数目的方法 ,提出一种向量不交关系来确定多层(层数 >3)前向代数神经网络隐层神经元的数目 ,该方法只须估计出第一隐层神经元的数目 ,其余各层神经数目利用不交关系的算法随之确定 ,通过多项式代数函数实例表明 ,该方法有效     

BP神经网络隐含层单元数的确定

本文针对BP神经网络隐含层单元数难以确定的问题,提出了一种改进的方法,并通过实验证明该方法有效的减少了验证次数,提高了确定隐含层最佳单元数的效率,具有较高的应用价值.     

模糊优选神经网络多目标决策理论

把笔者建立的模糊优选理论与神经网络理论结合起来，提出确定网络拓扑结构：隐含层数，隐含导节点数与节点激励函数的合理模式，提出模糊优选神经网络权重调整ＢＰ模型；且网络有良好的学习功能。神经元激励函数具有明确的物理意义。     

Sigmoid传输函数与三层前馈神经网络的映射能力

对于具有n个隐含单元的三层前馈神经网络,证明了隐含层的Sigmoid传输函数可以把输入层数据的维数提升到n维,这意味着有n个隐神经元的前馈三层神经网络具有把低维空间映射到高维空间的能力。     

量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型.量子神经网络分类器是将量子迁移(量子间隔)概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移(量子间隔)思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌.当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度.将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度.     

神经网络训练的分解重组算法

本文介绍了把线性不可分问题分解为一系列线性可分子问题、对线性不可分问题进行求解的网络分解重组算法．还证明了该算法的收敛性．实例研究表明：该算法不仅可以得到神经网络的隐层空间目标和隐层单元数，而且提高了对线性不可分问题的求解速度，因此是一个非常有效的神经网络训练算法．     

龙羊峡电站下闸蓄水水情长期预报的神经网络方法研究

误差反向传播算法(BP算法)是训练多层网络的常用算法,但难于确定网络的有效隐节点数,本文提出了一个有效的算法来自动优选隐层节点数,文中用龙羊峡水电站历年10月份的系列实测资料进行了实例研究,取得了初步令人满意的结果。