一种冠心病介入术后复发预测组合模型的构建

为了克服BP神经网络在冠心病介入术后复发预测时存在网络结构复杂且易出现误判断的不足,提出一种小生境技术、基因表达式编程与BP神经网络相结合的冠心病介入术后复发预测的组合模型构造方法。该方法首先利用小生境技术和基因表达式编程的方法对BP神经网络的权值、阈值和网络结构进行优化,解决由于BP神经网络易陷入局部最优的缺陷;然后用梯度下降法对优化后的BP神经网络进行精确调整。将此方法应用于冠心病介入术后2年复发预测中,结果表明优化后的BP神经网络比未优化的BP神经网络具有较好的收敛性能,且预测精度更高。     

基于GA特征选择和BP神经网络的模拟电路故障检测

针对模拟电路故障检测中存在测试节点数较多的问题,提出遗传算法与BP神经网络相结合的方法;利用遗传算法的全局、并行寻优能力对模拟电路的系统特征进行优化选择,从而减少BP神经网络输入层节点数;用MATLAB软件对仿真实例数据进行编程实验,直接使用BP神经网络,检测率为66.7%,采用遗传算法与BP神经网络结合的方法,检测率可为100%;结果表明,相对于传统的BP神经网络方法,该方法提高了模拟电路故障检测的平均正确率。     

遗传算法优化 BP 神经网络的信号检测

针对传统方法单独采用 BP 神经网络算法易陷入局部极值的问题,提出了遗传算法优化 BP 神经网络,并将其应用于 MIMO -OFDM系统信号检测中。该方法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,使 BP 网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。仿真结果表明所提出的方法在误码率方面有比较好的性能。     

基于BP神经网络的多电飞机电气系统故障诊断研究

针对未来多电飞机电气系统结构复杂、故障原因多的特点,基于理论上较为成熟的BP神经网络,文章对BP神经网络在多电飞机电气系统故障诊断方面的应用进行了研究,介绍了BP神经网络的模型、BP算法的基本原理以及编程实现的过程.在此基础上,采用VC 与MATLAB混合编程的方法,应用基本的BP算法进行了多电飞机电气系统故障诊断的仿真研究.     

一种估算锂电池SOC的新型方法

SOC（荷电状态）的预测和估算是锂电池管理系统中的一个重要部分。根据GAAA算法充分利用了遗传算法和蚁群算法各自的优势,提出一种GAAA算法优化BP神经网络的SOC估算方法。使用MATLAB进行编程,将锂电池的实时工作电流、电压、温度、健康度、安时积分值作为输入,实现对SOC的估算。实验结果表明,该算法在估算精确度和运算速度上都优于传统的BP神经网络和基于遗传算法的BP神经网络。     

基于LabVIEW实现神经PID温度控制

综合常规PID及BP神经网络的优点,设计一种基于BP神经网络的PID自调整算法控制器,并用LabVIEW编程实现。使用该算法的PID控制器,可在线获得优化的比例、积分及微分参数值,使整个系统得到优化配置。将此PID控制器用于纸模生产线的温度控制,取得比较好的控制精度。     

蚁群神经网络在短期负荷预测的应用

为了进一步提高BP神经网络的性能,实现准确、快速预测电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,建立了一种新的蚁群神经网络(AcAN)预测模型.对某电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.     

一种自动优化CVSSv2.0漏洞指标的评估方法

针对CVSS v2.0主观性强、操作性差,建立自动化评估模型困难的问题,提出在CVSS v2.0评估体系的基础上,改进其评价指标体系,把评价指标分为主客观两类;使用BP神经网络自学习原理再次优化评价因子;并建立基于BP神经网络的自动化评估模型,快速地对输入指标的特征做逼近实效的量化。通过MATLAB仿真验证了该方法的有效性、准确性与可行性。     

改进的BP神经网络在局域网故障诊断中的应用

现有的网络故障诊断方法存在诸多的不足,为了能够实现准确有效快速地排除网络故障,将人工神经网络的方法应用到对局域网的故障诊断中。先对传统的BP人工神经网络进行了分析,针对其收敛速度慢,存在局部极小值的缺点提出了一种改进后的BP人工神将网络。并先后将传统的以及改进后的两种BP神经网络应用到局域网的故障诊断中。仿真测试结果表明改进后的BP神经网络方法相比传统的BP神经网络方法确实能够更有效快速地完成对局域网的故障诊断,具有一定的应用价值。     

利用神经网络建立液力减速器模型

根据液力减速器的试验数据,利用BP神经网络建立数学模型,给出了BP神经网络结构和适合计算机编程的神经网络算法。通过对神经网络拟合曲线、多项式拟合曲线及实际试验曲线对比和分析,结果表明,神经网络建立的液力减速器模型精度比较高,用神经网络建立非线性系统的数学模型是一种有效的方法。     

神经网络的企业信用风险评估应用研究

研究企业信用风险评估准确性问题,企业存在产品质量、不良贷款等信用风险问题,企业信用风险是多种因素的综合结果,存在着不确定、非线性、随机性等特点,无法建立确定数学评估模型。只能根据专家评估指标为依据。为了提高企业信用风险评估准确率,提出一种BP神经网络的企业信用风险评估方法。先采用层次分析法构建风险评估指标体系,再用专家系统对评估指标进行量化打分,最后采用BP神经网络对企业信用风险指标进行非线性学习,并对企业信用风险等级进行评估。实验结果表明,BP神经网络的企业信用风险评估模模型能显著提高评估准确率,并能够反映企业信用风险的随机性变化特点,使评估结果更加符合实际情况,为企业信用风险评估提供了参考。     

神经网络PID在温度控制系统中的研究与仿真

本文提出一种基于BP神经网络的新型智能PID控制方法和一些BP神经网络的基本概念。同传统的PID控制相比较．神经网络智能PID控制有许多优点。把BP神经网络的PID控制方法应用到工业领域的温度控制系统中，仿真结果表明：这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。     

神经网络BP学习算法动力学分析

研究神经网络BP学习算法与微分动力系统的关系.指出BP学习算法的迭代式与相 应的微分动力系统数值解Euler方法在一定条件下等价,且二者在解的渐近性方面是一致的. 给出了神经网络BP学习算法与相应的微分动力系统解的存在性、唯一性定理和微分动力系统 的零解稳定性定理.从理论上证明了神经网络的学习在一定条件下与微分动力系统的数值方法 所得的数值解在渐近意义下是等价的,从而借助于微分动力系统的数值方法可以解决神经网络 的学习问题.最后给出了用改进Euler方法训练BP网的例子.     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

基于BP 神经网络的车祸库预警技术

针对如何有效预测车祸发生的可能性,从而达到车祸预警的目的,提出了一种新的车祸预警方法：通过建立车辆的车祸库,并结合BP神经网络技术达到车祸库预警目的。先构建合适的BP神经网络,再用车祸特征信息训练BP神经网络,训练好的BP神经网络就具有判断发生该类型车祸可能性的能力,最后把车辆行驶信息输入到已训练好的BP神经网络,就可以预测发生该类型车祸的可能性。用Matlab7．0．1进行了该方法的仿真实验,仿真结果表明该方法具有一定的可行性和有效性。     

基于改进BP神经网络的某型装备故障诊断专家系统

分析神经网络和专家系统的特点．提出基于BP神经网络与专家系统结合的某型装备的故障诊断方法,构造BP神经网络的装备故障诊断专家系统的诊断模型,克服传统专家系统在知识获取和表达的薄弱环节,并用某型装备的故障实际数据进存验证,结果表明神经网络与专家系统结合是一种有效的诊断方法。     

人工神经网络在ERP系统中的应用

在传统的ERP的基础上,增加专家系统模块,即基于人工神经网络技术的预测分析模块,提出了ERP和专家系统的集成管理方法,完成复杂的非线性预测,以使ERP系统智能化、自动化水平更高。该模块采用反向传输BP神经网络模型来实现,通过网络的自适应学习和训练,找出输入和输出之间的内在联系,以求解问题。利用该专家系统对汽车制造企业市场销售量进行预测,结果表明：该方法性能、实用性和通用性好。     

基于BP神经网络的矿井提升机自校正容错PID控制

针对矿井提升机系统故障时动态性能难以用传统的解析方法获得的问题,提出了一种基于BP神经网络的矿井提升机自校正容错PID控制方法。该方法通过BP神经网络在线学习跟踪提升机系统的动态特性来预测系统输出值,并应用自适应控制中的自校正PID构建容错控制器,实现提升机系统故障下的稳定容错控制。仿真结果表明,该方法在提升机系统故障情况下能迅速跟踪系统故障状态,在线调整PID参数,快速恢复系统性能。     

基于遗传神经网络的图像分割

提出一种基于遗传神经网络的图像分割方法.该方法利用遗传算法对BP神经网络的权值和阈值进行优化,设计出误差最小的神经网络,然后用神经网络算法迭代实现图像的分割.通过实验证明:该方法与传统的图像分割方法相比,具有更好的图像分割效果;与BP神经网络相比,训练速度得到很大的提高.     

基于扩展BP神经网络的一类非线性系统自适应控制设计

针对单输入单输出非线性系统的不确定性问题,提出了一种新型的基于扩展反向传播（BP）神经网络的自适应控制方法。首先,采用离线数据来训练BP神经网络的权值向量;然后,通过在线调节伸缩因子和逼近精度估计值的更新律,从而来达到控制整个系统的目的。在控制器的设计过程中,利用李亚普诺夫稳定性分析原理,保证了闭环系统的所有状态一致终极有界（UUB）。相比传统的BP神经网络自适应控制,所提方法能有效地减少在线调节的参数数目、减轻计算负担。仿真结果表明,该方法能够使闭环系统的所有状态都趋于零,即系统达到稳定状态。