基于初值修正的灰色预测模型的改进及其应用

对CM（1，1）建模的预测精度进行了分析，表明初值的选取对模型的预测精度有着重要影响，进而提出了可以提高预测精度的修正初值的方法．实证分析结果表明通过初值修正能够提高预测模型的预测精度．     

降雨时间序列降噪及预测系统建模研究

以解决降雨混沌时序预测精度较低的问题为目的，基于相空间重构思想，应用混沌降雨时序奇异值分解技术对混沌时序的噪声进行了剥离。采用定性和定量的混沌特性判定方法，计算指出降雨时序具有明显的混沌特性。在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验。结果表明降噪前后预测精度相差很大，证实了噪声是造成混沌预测方法预测精度较低的主要原因。通过与其他预测方法比较，验证了所建立的混沌预测模型能够捕捉到原混沌系统的动力学特征，预测误差较小，泛化能力较强，其预测效果较好。     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

GM(1,1)残差模型在民航客运量预测中的应用

利用GM（1，1）模型对民航客运量进行模拟预测，用GM（1，1）残差模型对其进行修正，得出精度很高的预测公式，并用模型的后验差检验所建预测模型，证明预测公式精度较高，以期在今后的实际预测中取得很好效果。     

一种考虑时序残差的GM（1,1）模型

顾及时序残差对灰色ｘ＾（０）－ＧＭ（１，１）模型精度的影响，提出了时序残差εｔ＾（０）－ＧＭ（１，１）模型，并利用时序残差εｔ＾（０）－ＧＭ（１，１）模型和ｘ＾（０）－ＧＭ（１，１）模型联合进行精度检测和预测，能较好提高模型精度和预测精度，实例说明是有效的。     

一种简易的预测方法在地下水动态预报中的应用

通过实例介绍一种简易的预测方法，用来处理含有时变参数的地下水动态预测模型，通过对时变参数的建模和预测，改善了预测精度。     

常规给水处理工艺处理效率的神经网络预测与控制

建立了常规给水处理工艺处理效率神经网络预测模型和混凝剂投量预测模型。应用结果表明，建立的预测模型具有较高的预测精度：对浊度和UV254处理效率的相关系数（R^2）分别为0．86和0．80，对混凝剂投加量的预测精度相关系数为0．72。模型的预测精度可基本满足常规工艺的在线控制和实时调控，使水处理系统在原水水质变化情况下，实现系统优化运行控制。分析模型误差的原因，并对比偏最小二乘回归模型说明神经网络模型的精度，指出该模型在系统优化运行中的可行、及时、准确性。     

人工神经网络中隐含层节点与训练次数的优化

目前构建定量构效关系人工神经网络模型中隐含层节点数和网络训练次数大多是依靠试验方法来确定，针对该方法运算工作量较大、模型质量和预测精度没有保证等问题，通过编写程序获得有关网络的预测精度和百分误差与网络隐含层节点数和训练次数之间关系的大量数据，采用Matlab语言分别绘制预测精度和百分误差与网络隐含层节点数和训练次数之间的三维关系图，从图中可以很容易判断出达到最佳预测精度和最小百分误差的隐含层节点数和训练次数。该方法和技术从根本上提高了选择人工神经网络隐含层节点数和训练次数方法的效率。     

基于人工神经网络的自适应电力系统短期负荷预测

基于人工神经网络的自适应电力系统短期负荷预测梁志珊，陈建华，刘哲（电力科学研究所）１引言电力系统短期负荷预测是调度部门每日必须进行的重要工作之一。日负荷预测的精度越高，越可以降低系统备用容量，减少或避免计划外开停机组。因此，负荷预测的精度将直接影响电...     

模型树和支持向量回归在高光谱遥感中的应用

利用连续植被辐射传输模型（SAIL模型）模拟生成小麦冠层反射率数据，比较了数据挖掘中的新方法模型树、支持向量回归与传统的逐步回归用于高光谱数据定量预测的效果．结果表明：支持向量回归和模型树的预测精度都要远远高于逐步回归，在训练样本数量减少时，它们的优势更加明显；支持向量回归在高维空间中有很好的泛化能力，其预测精度随维数的增加呈持续上升的趋势；模型树的预测精度在低维条件下和支持向量回归相仿，但在高维条件下则比支持向量回归差很多，通过逐步回归的特征选择预处理，可以提高模型树的预测精度，缩小其与支持向量回归之间的差距．     

基于RBF混合神经网络的自由曲面重构

为解决大样本集的简化建模和快速训练问题,以层次划分为思想基础,提出了基于径向基函数神经网络的混合网络(RBFMNN)模型,对自由曲面进行重构.用减聚类方法划分样本空间,对各子样本空间用正交最小二乘法进行RBF子网络训练.最后,利用最大似然法来校正RBF子网输出层的参数,以进一步提高混合网络输出精确度.试验结果表明,该网络模型对已知理想的曲面拟合误差为106星级.     

基于径向基神经网络的光栅细分方法

为了研究细分精度高、位移跟踪速度快的光栅位移测量系统,提出一种基于径向基神经网络的光栅细分方法.利用三层RBF神经网络,在一个莫尔条纹信号周期内取多个样本点,并把多个样本点所对应的正切值作为网络的输入,将该样本点在一个栅距内的微位移量作为目标输出,建立合理的神经网络模型,与DSP相结合实现莫尔条纹细分.通过对样本点的分段学习,证明了仅用少量的神经元即可实现高精度细分.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

避免非视距影响的蒙特卡罗移动节点定位方法简

Enhanced Monte Carlo Boxed (EMCB), based on the broadcasting messages of one-hop neighbor nodes, is proposed in a mobile wireless sensor network for NLOS environment. The utilization efficiency of nodes is improved in the way of message flooding. The located nodes are used as the virtual anchor nodes in order to improve the location precision in the network with few anchors, optimizing the sample boxes of the neighbor nodes. Besides, both the theoretical limit of connectivity and the previous location information are used to enhance the filtering performance. Taking advantage of the one-hop messages, all the nodes are located layer-by-layer. Finally, the results of simulation show that the location precision is improved compared with the traditional algorithms in any situation. Especially, a good performance is achieved with fewer anchor nodes.     

提高BP网络训练速度的研究

由于误差函数的高维复杂性,BP网络在目前的应用中存在训练速度慢至导致网络系统瘫痪的问题,针对训练中的归一化问题、隐层节点数的选取、样本数目的增减取、样本数目的增减法、整体学习率的确定及训练算法进行了研究。结果表明：训练样本数据不必一定归一化到[0,1],可以通过简单的线性变换将数据转化到某相区间,使分布合理,以满足训练需要;根据经验公式,确定隐层节点数的初值,选取规模略大一点的网络开始训练;网络应对学习过的样本加强记忆,更应注意剔除错误样本;引入黄金侵害法的思想来调整学习率的步长,效果理想;采用单参数动态搜索算法作为学习算法,能快达到训练要求的精度。     

基于串-并行计算BP网络拓扑结构的研究与实现

在传统BP网络拓扑结构及学习算法的理论分析基础上,提出了一种更接近人类大脑思维方式的采用串一并行计算构造的神经网络拓扑结构的方法:将样本特征三大问题中的"排序"问题的解决体现在网络的拓扑结构上,有效地提高了神经网络的学习速度和识别精度。     

BP算法在位移传感器测量精度方面的应用

在较高精度位移测量中,需要对位移传感器的输出进行温度补偿。采用BP(Back Propagation)网络的多传感器数据融合方法,把位移传感器和温度传感器的输出作为网络的输入向量送入融合中心,通过BP网络训练,然后将标定样本送入训练好的神经网络,得到比较准确的位移输出。为克服传统BP网络算法收敛慢、容易收敛到局部最小点的缺陷,采用BP多层前馈神经网络改进算法对传感器特性进行补偿,用MATLAB仿真所得到的结果与原有的实验数据相比较,在相同的温度波动情况下,位移传感器的输出误差比原来的减小了3倍,而且大幅度地节省了时间。     

油漆调色系统的改进算法

根据现有CAID系统中色彩设计和色彩生产难以协调统一的问题以及油漆厂的实际需求，在原有的“基于神经网络的油漆调色系统”基础上，创建了BP网络样本数据库，找到了一种适用于实际应用的有效的BP改进算法。研究测试的结果表明，BP改进算法能够弥补原有算法精度速度不够理想的不足，解决了电脑调色的问题。     

基于GA-BP神经网络的双目摄像机标定

为克服传统BP算法收敛速度慢、易陷入局部极小等缺陷,本文利用遗传算法的全局寻优能力对神经网络的初始权和阈值进行优化,并将其运用到摄像机BP神经网络标定.采用遗传算法构建的神经网络,在不增加网络结构复杂度的情况下,大大提高了样本训练的精度和成功率,保证了网络的泛化能力.实验结果表明,该算法具有较高的标定精度,而且可行.     

结合多元回归的BP网络对HPC强度的预估

对于高性能混凝土(HPC)强度的预估,传统的多元线性拟合的方法存在模型适用度差,预估精度不高等缺点.笔者将BP网络技术应用在高性能混凝土强度的预估中,并结合多元线性回归,采用模拟样本的方法建立了强度预估的BP网络模型.预估结果表明,该方法是非常有效可靠的,且具有简单、适应性好等特点.     

人工神经网络结合遗传算法反演岩体初始地应力的研究

提出综合应用实数编码的遗传算法与改进的BP神经网络的优化反演分析方法,并通过数值分析,探讨了该方法在应用于位移反演岩体初始应力与材料参数方面的有效性.在算例中,以Burgers模型的计算数据作为改进神经网络的训练样本,用遗传算法搜索待反演参数解向量.计算结果表明利用遗传算法优化神经网络权值能提高神经网络迭代算法的效率与可靠性.该方法应用于岩体初始应力场的反演具有迭代过程平稳、收敛快、结果准确等特点,能够有效地求得岩体初始应力与材料参数.