基于人工神经网络的水库纵剖面形态分类

利用ＢＰ型网络原理,采用６个指标,建立了评判加纵剖面形态影响因素的评判模型,并对该模型进行了检验,实例研究表明,人工神经网络法对水库纵剖面形态分类是可行的。     

基于人工神经网络集成的微阵列数据分类

基因数量远多于样本数量是基因表达微阵列数据进行疾病诊断所面临的主要挑战，为此提出了采用人工神经网络集成的组织分类方法．该方法使用Wilcoxon测试选择用于与分类相关性较高的重要基因，通过凸伪数据法产生神经网络集成中各个体的训练集，用简单平均法集成网络个体的测试结果．采用实际的微阵列实验数据集分别进行独立测试和交叉验证测试，结果表明，该方法性能优于单个神经网络、最近邻法和决策树．受试者特征曲线测试表明，神经网络集成性能优于单个神经网络．     

基于人工神经网络的水库纵剖面形态分类

利用BP型网络原理,采用6个指标,建立了评判水库纵剖面形态影响因素的评判模型,并对该模型进行了检验.实例研究表明,人工神经网络法对水库纵剖面形态分类是可行的     

基于HOS的雷达目标分类新算法

提出一种基于高阶谱（HOS）的雷达目标分类方法,将双谱概念从频域推广到时域和距离域,并给出了将双谱和双相干函数的“均值”及“重心”作为特征量的特征提取新算法,在目标散射信号中含有加性噪声和指数噪声的情况下,进行了模拟,同时对BSB(Brain State in Box)模型的人工神经网络进行了学习训练和分类仿真,结果证明本方法具有很好的性能和一定的实用价值。     

基于BP神经网络的储粮害虫分类识别研究

基于图像处理技术的储粮害虫检测过程中,需要解决多种害虫多特征的识别分类问题。提出运用BP神经网络来进行害虫特征分类的方法。通过对储粮害虫图像的预处理,获取并优化提取5个特征参数输入BP网络进行训练。仿真结果表明,训练网络对粮仓中4类常见害虫的识别率达到了95%,得到了较好的识别结果。     

基于人工神经网络和生物光子学的小麦籽粒状态分类

将生物光子分析技术与人工神经网络相关算法相结合,识别小麦籽粒的不同状态.以经过不同时间的水浸泡处理和去胚芽前后的小麦籽粒为研究对象,通过定制的生物超微弱发光测试仪获取试验样品的生物光子辐射.利用人工神经网络中的误差反向传播(Back Propagation,BP)算法对测量的小麦籽粒生物光子辐射数据进行分类研究.结果显示,该方法对有无胚芽小麦的识别率均达90%以上,对于新旧小麦的识别率也在70%以上.     

基于数字图像处理技术的储粮害虫分类识别研究

阐述了在储粮害虫分类识别研究中利用计算机数字图像处理技术,自动提取静态储粮害虫图像的数理统计特征、纹理特征和几何形状特征,并在此基础上采用BP神经网络进行分类和识别的主要技术和方法.实验结果表明,BP具有较强的自适应性,对有噪声、残缺的储粮害虫图像识别也能得到较好的效果.     

基于人工神经网络的智能信息处理

分析了人工神经网络智能信息处理的理论基础、作用原理及实现途径,提出了目前存在的问题,探讨了人工神经网络的发展趋势。     

基于人工神经网络的GIS技术

探讨在传统地理信息系统技术的基础上,应用人工神经网络理论 ,提高系统对数据进行复杂的综合分析的功能,并以预测线损率为例,详细计算了系统构成、网络结构、算法设计及参数选取等问题,提出了一种ＧＩＳ技术发展的新思路,以及相应的实现方法。     

基于神经网络的一种粮情分级方法研究

对粮情分级,是衡量现代粮仓管理的重要手段之一,分析影响粮食储藏安全的几种环境因素,重点研究温度、湿度、有害气体及虫害等影响粮情等级划分的重要参数.在此基础上,采用计算机神经网络技术对此4种因素构建神经网络模型,对特定粮仓环境进行科学、客观的评价分级.     

基于优化神经网络的小麦品种分类研究

为提高基于图像处理的小麦品种识别的准确率,首先选取L8998、内乡188、9023、优展1号、豫麦47、周麦12等6个品种作为研究对象,对采集到的小麦颗粒图像进行中值滤波后采用迭代式阈值法分割图像,提取出颜色、形态和纹理3方面共16个特征,然后通过构建神经网络研究了小麦品种的识别准确率与品种数量之间的关系.最后,为避免网络因达到局部最优而停止训练,利用MIV算法计算了各输入特征参数对分类结果的平均影响值,进而使用遗传算法对网络结构进行了优化.结果表明,随着小麦品种的增加,分类的准确率逐步下降,当待识别的小麦种类增加到6类时,优化后的神经网络的样本识别准确率从81.3％增加至85.6％,有效提高了小麦品种分类的准确性.     

基于人工神经元网络的工厂电力负荷短期预报

讨论用人工神经元网络技术对工厂企业的电力负荷（用电量）峰值作为短期预报,分析负荷运动畸变对预报精度的影响,仿真预报算例证实,人工神经元ＢＰ学习预报算法对工厂企业电力负荷的预报能得令人满意的效果。     

基于人工神经网络的气体定性分析方法

提出将气体传感器阵列与交馈神经模式识别技术相结合,解决气体传感器的“交叉敏”问题,从而完成气体的定性、定量分析;针对常规ＢＰ算法的缺点,构造了基于自适应调整步长和加动量因子的改进ＢＰ算法用于前馈神经网络的训练;通过实验对Ｈ２、ＣＨ４、ＣＯ等三种气体进行了识别,结果表明利用气体传感器阵列和前馈神经网络进行气体定性分析是可行的。     

金融风险预警--基于BP人工神经网络的一种分析

突破传统的风险预警模式，运用改进的BP神经网络方法建立中国金融风险预警模型并对其训练检验，对中国金融风险的现状进行了定量分析，得出初步结论：中国金融运行于高风险区间；金融风险不仅与资本市场现状相关，也与近年实行的积极的财政政策效应相关；外国投机资本对中国货币金融市场尚不构成严重冲击。据此，提出中国近期防范金融风险的对策建议。     

基于粒子群的神经网络改进算法在粮情测控中的研究

结合粮情测控中粮情数据分析的特点,利用粒子群算法对基于BP神经网络的模糊控制算法进行了改进,将该算法引入到粮情测控系统的数据分析中,对温度、湿度数据进行信息融合,判断粮堆内部是否处于安全状况.该系统在中央储备粮库中的应用表明,改进的算法能够正确实现粮情安全等级智能分析.     

基于神经网络的面波迭代反演应用研究

根据滩浅海近地表结构特征,尝试利用地震记录中的面波进行近地表结构研究,以便了解滩浅海地区的近地表地层介质结构变化,为深层油气勘探提供准确的低降速带资料.针对面波频散反演已有方法存在的不足,引入一种基于BP神经网络的迭代反演方法对面波的频散曲线进行拟合迭代,用于反演预测滩浅海低降速带地层参数.由于神经网络具有很强的自学习、自适应、自组织和容错能力,它的反演预测能力非常强大,能够较精确地预测出所要求解的目标数据,同时结合传统迭代反演方法的优点,增强了该方法的反演预测能力.通过对滩浅海近地表结构模型试算,获得好的效果,同时进一步对实际记录进行了计算,也取得了比较满意的结果.     

基于神经网络的PID控制

论文讨论了基于神经网络理论的PID控制,并将其应用到了直流调速系统的仿真中,仿真结果表明它具有良好的鲁棒性。     

基于人工神经元网络的预想事故电压预测

提出了基于人工神经元网络(ANN)的预想事故无功电压预测的方法．此方法以潮流计算所得的数据为训练样本,经过筛选及预处理后,在不同的负荷条件下及不同的系统拓扑结构下对ANN进行训练,建立了可在预想事故下进行电压预测的ANN网络模型．在ward & Hale 6节点系统上仿真计算结果证明,该方法能够满足在线安全分析对精度和速度的要求．