基于卷积神经网络的织物表面缺陷分类方法

针对织物缺陷检测时疵点种类繁多且传统人工检测方法漏检率高的问题,提出了一种基于卷积神经网络的织物表面缺陷分类方法。因卷积神经网络（CNN）训练时参数多、样本量大,且极易陷入过拟合,利用微调卷积神经网络模型Alexnet对织物疵点图像进行特征提取,初始化采用原网络的参数而非随机初始化参数;再针对特定目标下的训练样本对网络参数进行微调;最后利用softmax回归算法进行预测分类。分别用三种方法和两种织物进行测试,结果表明：针对特定目标微调后的Alexnet网络,在两类织物测试中均能达到95%以上的分类准确率。     

BP神经网络在织物性能预测中的应用与研究

文章评述了BP神经网络技术的特点,对该技术在织物性能预测中的最新研究成果作了深入探讨,并扼要概括其在预测织物热传递性能、识别服装面料成形性、预测织物悬垂性能、预测织物拉伸性能、评价织物风格、预测织物透气性能、预测精纺毛织物后整理质量、预测织物接触冷暖感、预测棉织物手感方面的最新研究情况,并指出BP人工神经网络在分析类似的织物性能中会有广阔的应用前景.     

MATLAB神经网络BP网络研究与应用

阐述了MATLAB神经网络，着重研究了其BP网络的网络结构，指出了BP算法的主要缺点，利用其工具箱中的函数对BP算法进行了改进。根据MATLAB神经网络BP网络的网络结构，提出了一种具有天气敏感性的基于快速BP算法的神经网络预测模型，并对电力短期负荷进行了预测。预测结果，证明了该算法的有效性。     

烧结系统终点温度与透气性算法神经网络模型

矿石烧结是炼铁工艺流程的重要组成部分，烧结矿的质量直接影响高炉的炉况及铁水质量，而影响烧结矿质量关键的因素是终点温度和透气性。通过模糊算法，建立了烧结过程工艺参数与透气性指数之间的BP神经网络模型。     

基于灰色神经网络的烧结碱度预测与仿真

建立了应用灰色神经网络对烧机矿化学成分进行预测的有关理论，并在此基础上构造了灰色神经网络模型。该模型中。灰色理论弱化数据序列波动性和神经网络特有的非线性适应性信息处理能力相融合，本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测。该模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和BP神经网络算法相比，灰色神经网络算法有很大的应用前景和推广价值。     

基于免疫神经网络的陀螺仪漂移预测

BP神经网络可用于预测陀螺飘移误差，但容易陷入局部极值，训练速度很慢。针对上述缺点，该文提出了一种基于免疫算法的神经网络，以样本输出为抗原、神经网络权值矩阵为抗体，通过克隆、变异、抑制等步骤找到最优抗体，将最优抗体用于陀螺仪漂移预测。仿真试验显示，免疫训练算法能有效优化网络权值，基于该模型的漂移预测精度较高。     

基于免疫神经网络的陀螺仪漂移预测

BP神经网络可用于预测陀螺飘移误差，但容易陷入局部极值，训练速度很慢。针对上述缺点，该文提出了一种基于免疫算法的神经网络，以样本输出为抗原、神经网络权值矩阵为抗体，通过克隆、变异、抑制等步骤找到最优抗体，将最优抗体用于陀螺仪漂移预测。仿真试验显示，免疫训练算法能有效优化网络权值，基于该模型的漂移预测精度较高。     

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-s模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T_s模糊神经网络的最优参数配置,从而能发挥T-s模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-s模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。     

DE优化T-S模糊神经网络的交通流量预测

提出了一种差分进化算法优化T-S模糊神经网络预测交通流量的算法方法.该算法利用差分进化来弥补T-S模糊神经网络连接权值和阂值选择上的随机性缺陷,从而能发挥T-S模糊神经网络泛化的映射能力,而且能使T-S模糊神经网络具有较快的收敛性以及较强的学习能力.将该算法应用到实测交通流进行算法的有效性验证,并与传统的T-S模糊神经网络进行比较,仿真结果表明,该算法具有更好的非线性拟合能力和更高的预测准确性,在交通流量预测领域具备可行性和有效性.     

一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。     

基于混沌RBF神经网络的汽油机进气流量预测研究

针对汽油机进气流量的多维非线性特性,提出了一种混沌径向基（RBF）神经网络的汽油机进气流量预测模型。证明了汽油机进气流量时间序列具有混沌特性,对采集的原始数据进行相空间重构,利用RBF神经网络对重构后的数据进行训练和预测,并利用混沌算法确定输出层连接权值和隐含层高斯函数径向基中心,使其达到全局最优,加快了RBF神经网络的收敛速度。仿真结果表明,与空气进气流量平均值模型、RBF神经网络预测模型比较,该模型具有更高的预测精度,为精确及时测试汽油机进气流量提供了一种全新的软件测量方法。     

径向基网络在密相气力输送中的应用

在水平管道中,用压缩空气对玻璃珠进行密相气力输送压损实验研究。管道压降是密相气力输送系统的关键参数之一,它的大小基本决定了动力的大小。传统的方法完全靠经验公式和经验来决定动力大小,误差较大。本文提出了基于径向基网络的密相气力输送管道压降模型,对不同流态下管道压降进行了仿真。结果表明,RBF网络能对不同流态下的管道压降进行较好的仿真。RBF网络的收敛速度快,可实现密相气力输送参数的在线控制。     

RBF神经网络在储层表征中的应用研究

研究利用RBF神经网络技术进行石油储层表征中有关储层参数的计算与岩性的识别;建立了储层参数(渗透率)预测模型与岩性识别模型,并利用该两个模型对未知样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其渗透率预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,RBF神经网络在储层表征问题中有着广阔的应用前景。     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

Prediction of reservoir sensitivity using RBF neural network with trainable radial basis function

Reservoir sensitivity prediction is an important basis for designing reservoir protection program scientifically and exploiting oil and gas resources efficiently. Researchers have long endeavored to establish a method to predict reservoir sensitivity, but all of the methods have some limitations. Radial basis function (RBF) neural network, which provided a powerful technique to model non-linear mapping and the learning algorithm for RBF neural networks, corresponds to the solution of a linear problem, therefore it is unnecessary to establish an accurate model or organize rules in large number, and it enjoys the advantages such as simple network structure, fast convergence rate, and strong approximation ability, etc. However, different radial basis function has different non-linear mapping ability, and different data require different radial basis functions. Nowadays, the choice of radial basis function in the network is based on experience or test result only, which exerts a great adverse impact on the network performance. In this study, a new RBF neural network with trainable radial basis function was proposed by the linear combination of common radial basis functions. The input parameters of the network were the influence factors of reservoir sensitivity such as porosity and permeability, etc. The output parameter was the corresponding sensitivity index. The network was trained and tested with the data collected from our own experiments. The results showed that the new RBF neural network is effective and improved, of which the accuracy is obviously higher than the network with single radial basis function for the prediction of reservoir sensitivity.     

An intelligent neural system for predicting structural response subject to earthquakes

An efficient method is introduced to predict the time history responses of structures subject to earthquakes employing neural network techniques. In order to achieve this purpose, a new intelligent neural system (INS) is designed by combining competitive and radial basis function (RBF) neural networks. In the INS the input space is classified by a competitive neural network (CNN) based on natural frequencies of the structures. Afterward an RBF network is assigned to each class and is trained by using the data located in the class. Results of illustrative examples demonstrate high performance and computational advantages of INS comparing with the single RBF network.     

基于混合算法的通信用户规模预测方法研究

准确地对通信用户规模进行预测对于通信运营商的决策具有十分重要的意义,而现有的常规预测方法存在预测误差较大、预测速率低等问题。研究一种基于RBF神经网络的通信用户规模预测模型。为了使得RBF神经网络算法预测性能更优,使用梯度下降算法与遗传算法混合对RBF神经网络进行参数优化,提高预测模型收敛效率。实例分析表明,使用本文研究的混合RBF神经网络预测模型的预测结果明显优于其他传统的预测模型。同时,在预测速度上也具有较大的优势。     

广义RBF神经网络预测模型在入侵预测中的应用

利用径向基函数RBF神经网络具有的分类、预测、自学习的功能,建立RBF网络预测模型并将其应用于入侵预测中来实现检测已知攻击、预测未知攻击,对检测到的网络攻击实时响应。     

卷取温度的智能预测控制

首先介绍标准RBF神经网络并指出存在的问题,然后介绍粒子群算法并将其用于确定RBF网络参数(连接权,隐节点中心和宽度),最后把PSO-RBF应用到卷取温度控制(CTC)中,对卷取温度进行预测。仿真结果表明PSO-RBF具有学习速度快、精度高等优点。     

基于RBF神经网络的网络安全态势预测方法

针对现有网络安全技术不能对网络未来安全态势进行预测的问题,利用网络安全态势值具有非线性时间序列的特点,借助神经网络处理混沌、非线性数据的优势,提出了一种基于RBF神经网络进行态势预测的方法。该方法通过训练RBF神经网络找出态势值的前N个数据和随后M个数据的非线性映射关系,进而利用该关系进行态势值预测。通过实验测试表明,该方法能够准确获得态势值预测结果,辅助网络管理者做出安全防护的决策。