基于BP神经网络的高校3种专利授权量预测研究

以1985-2007年授权量的数据为基础,运用BP神经网络建立预测模型,并结合Matlab工具箱对算法进行了实现.通过设置Matlab神经网络训练函数的最大训练次数300、收敛精度1e-6及最小梯度1e-6,合理确定了最优专利授权量的BP神经网络模型.仿真验证表明:该模型预测1990-2007年专利授权量时,平均绝对百分误差MAPE值为6.87%,逼近效果非常好.最后,利用该模型对未来5年的高校专利授权量进行了预测.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预.采用了改进的BP学习算法,以提高训练的收敛速度.预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的.     

基于神经网络的大柔性灵巧手指弯曲角度预测

介绍了一种新型大柔性灵巧手指,该手指弯曲性能好、易于控制但数学建模复杂.基于BP神经网络基本理论,建立预测该手指弯曲角度的BP神经网络模型.通过大柔性灵巧手指弯曲特性实验获得样本数据,借助于MATLAB仿真软件中的神经网络工具箱作为开发平台,将实验样本数据用于BP网络训练.利用训练好的BP网络模型对手指弯曲角度进行预测,预测误差范围控制在3%以内.研究结果表明:这种神经网络模型能够准确预测手指的弯曲角度.     

动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．     

动量法改进的BP神经网络及其在疲劳裂纹预测模型中的应用

BP神经网络是人工神经网络中的一个典型代表,分析了BP神经网络算法收敛速度慢的原因,研究了一种提高其收敛速度的方法,即将动量法和批处理方法结合起来对BP算法进行改进。建立了低碳钢疲劳裂纹神经网络预测模型,并将改进后的算法应用在模型中,结果表明改进后的算法可以提高学习速度,提高仿真测试结果可靠性。BP神经网络是描述疲劳裂纹演化行为的有效工具,并且可以取得较好的预测精度。     

基于改进的BP神经网络模型的雷达网效能评估

为拓展雷达网效能评估的内容、改进评估方法和提高评估效率,重构了雷达网效能评估指标体系,给出了各指标的量化模型和方法;针对BP神经网络收敛速度慢、局部极小化问题,提出了利用遗传算法(GA)优化BP神经网络的方法,并采用GA+BP神经网络模型对雷达网部署方案进行了评估优选.仿真结果表明,运用GA算法改进的BP神经网络具有更快的收敛速度和更高的预测精度,可作为雷达网效能量化评估的有效手段,为雷达兵作战筹划提供科学决策依据.     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。     

人工神经网络在电力变压器故障诊断中的应用及仿真

研究了径向基函数 ( RBF)神经网络的模型结构及其在电力变压器故障诊断中的实现方法。通过仿真实验 ,将 RBF神经网络与 BP神经网络的性能进行比较。结果表明 ,RBF神经网络训练速度快 ,逼近误差小 ,能够更有效地解决电力变压器故障诊断问题     

基于BP神经网络的改进增量式PID暖通控制器设计

为了克服传统PID控制在暖通空调系统应用中超调量大、控制精度低的缺陷,提出了一种基于BP神经网络的PID控制器设计方法.利用BP神经网络具有很强的学习能力、任意逼近非线性能力、自适应性和鲁棒性等特点,将BP神经网络与PID控制结合,实现了PID的3个控制参数的在线自整定.仿真结果表明,该方法可以显著改善系统的动态性能和控制精度,实现了PID控制参数的在线动态调整,避免了由于系统模型和结构参数变化导致的控制效果不稳定.     

基于智能计算方法的水力机组优化运行算法

根据水力机组运行的特点,结合人工神经网络的非线性特性和遗传算法的全局搜索能力特性,给出了使用人工神经网络与遗传算法方法,构造水电厂内水力机组优化运行算法的详细过程,首先使用人工神经网络来构建各机组的动力特性模型,然后利用遗传算法来构建机组间的组合运行策略。将所构造的算法应用于开发石家庄混合蓄能水电厂内机组优化运行系统,系统的仿真运行表明,基于人工神经网络与遗传算法的水力机组优化运行算法具有较高的计算精度,是行之有效的。     

一种并联抑制神经网络结构及学习算法

对普通并联神经元的缺陷进行了分析,提出了一种广义的并联抑制神经元,构造了基于并联抑制神经元的前向神经网络结构,并给出了相应的学习算法。通过对几个模式分类问题的基准问题的测试,将提出的方法与SIANN、BP神经网络进行了比较,验证了提出的网络结构和学习算法的有效性。实验结果表明:单个的GSIN和简单的GSINN可以取得比SIANN和BP网络都好的分类效果。     

Fault Diagnosis of Analog Circuit Based on PSO and BP Neural Network

In order to improve the speed and accuracy of analog circuit fault diagnosis,using Back Propagation Neural Network(BPNN),a new method is proposed based on Particle Swarm Optimization(PSO)to adjust weights of BP neural network.The model can not only overcome the limitations of the slow convergence and the local extreme values by basic BP algorithm,but also improve the learning ability and generalization ability with a higher precision.The response signals of analog circuit is preprocessed by Wavelet Packet Transform(WPT)as the fault feature.The simulation result shows that the proposed method has higher diagnostic accuracy and faster convergence speed,which is effective for fault location.     

一种电除尘效率模型的建立及仿真

电除尘法已成为电厂烟气除尘的主要方法,但是目前的测量技术很难获取电除尘效率的精确值,文中将影响电除尘效率的各个主要因素进行了综合分析,提出了以BP神经网络为基础的电除尘效率模型。并根据神经网络算法对电除尘效率模型进行仿真分析,并通过比较实际系统和模型除尘效率曲线以及对模型误差的计算,验证了此模型的可行性。     

AdaBoost-NN模型在浊漳河水质评价中的应用

为了克服传统BP网络的不足,将AdaBoost与神经网络结合,提出了基于AdaBoost-NN的水质评价模型.利用浊漳河水质监测数据比较AdaBoost-NN模型与传统ANN法和内梅罗综合指数法评价模型的差异,结果表明:AdaBoost-NN水质评价模型有效弥补了BP模型自身的缺陷,评价准确度更高,结果更加客观、合理.     

基于人工神经网络的控制器的研究

本文通过在对几种常见神经网络在机器人手眼协调控制中的应用分析和仿真研究的基础上，给出了一种综合型的神经网络模型，仿真结果表明模型具有更好的收敛速度和控制性能。     

基于神经网络和遗传算法的岩体参数辨识研究

本构模型和初始参数给不准已成为岩土力学理论分析和数值模拟的“瓶颈”。目前神经网络可能会避开复杂的本构模型而成为解决岩土工程的设计和施工问题的主要途径。然而,不同的神经网络结构对模型的学习和推广预测能力有直接的影响,因此构造一个令人满意的神经网络模型至关重要。本文结合遗传算法对神经网络结构进行优化,并用后验差检验方法对搜索到的神经网络结构进行测试;结合遗传算法,用测试好的神经网络结构代替常用的有限元数值方法进行岩体参数的辨识;最后,用实例较为详细地证明了这种方法的可行性。