基于BP神经网络的自适应伪最近邻分类

在伪最近邻(PNN)分类算法中,待分类样本点与每一类样本集中各个近邻的距离加权系数都是主观确定的,这就使得算法得不到最优距离加权值。针对这一问题,该文提出一种基于BP神经网络的自适应伪最近邻分类算法。首先通过计算待分类样本点与每一类样本集中各个近邻的距离值,并将其作为BP神经网络的输入。然后根据BP神经网络输入与输出之间的映射来自适应确定相应的距离加权值。最后由BP神经网络的输出值判别样本类别号。实验结果表明,该算法能够自适应地调节距离加权系数,同时还能有效地改善分类准确率。     

一种基于人工神经网络的反馈式神经元数优化方法

针对纳米级Cu薄膜电阻率,基于BP神经网络模型,本文提出了一种反馈式神经网络优化方法,利用蒙特卡洛分析方法对隐含层神经元数进行了优化,并基于随机样本集进行网络训练,建立了反馈式BP神经网络的电阻率预测模型。通过100组学习样本训练后的神经网络模型,与50组测试样本进行测试,结果表明,所提方法能够实现电学参数值与金属Cu电阻率较好的非线性映射,预测结果与Marom模型相比较,最大误差不超过4%,并且训练范围外的预测结果与测试样本吻合较好,验证了该方法的精度和泛化能力,为超薄金属互连电阻率模型估算提供了重要参考。     

长三角区域典型城市臭氧时空分布及其与气象因素相关性研究

通过对长三角城市群 2018 年臭氧和气象数据的监测与分析, 研究了该区域臭氧时空分布特征及其与气象要 素的相关性。研究结果发现: (1) 长三角区域臭氧污染呈现春夏高、秋冬低的季节变化特征, 内陆城市臭氧污染较沿 海城市严重; (2) 长三角区域内陆城市超标污染主要发生在夏季, 而沿海城市主要集中在春季, 且内陆城市臭氧超标天 数较沿海城市高; (3) 臭氧日变化与能见度、风速、温度呈正相关, 与相对湿度呈负相关; 且当温度 > 20◦c, 相对湿度在 20%∼60% 之间, 风速达到 1.2∼3.6 m·s−1 时, 易发生高浓度臭氧污染情况。该研究成果对长三角区域臭氧联防联控具 有指导意义。     

基于优化神经网络的音乐分类模型研究

为高效、精准地判断音乐风格归属,帮助用户快速获取偏好音乐风格,基于群智优化神经网络构建音乐风格分类模型。提取音乐样本的音质、节奏、旋律特征作为模型训练样本输入BP神经网络,通过初始化、隐含层及输出层计算、权值计算等步骤完成神经网络模型训练。采用粒子群算法确定神经网络的最优权值与阈值,粒子群算法首先编码神经网络权值与阈值,其次计算粒子适应度值,更新粒子速度和位置,符合终止条件时输出神经网络的权值与阈值优化结果,并据此构建基于群智优化神经网络的音乐风格分类模型。模型测试结果表明,所提模型在正确区分不同音乐风格的同时,展示了音质、节奏、旋律等特征。     

激光修锐砂轮工艺参量的预测和优化算法

为了找到一种适用于激光修锐砂轮工艺参量预测和优化的方法,采用神经网络和粒子群算法,建立了激光修锐砂轮工艺参量优化模型。首先构建了工艺参量与工件表面粗糙度之间映射关系的神经网络模型,然后基于预测模型采用粒子群算法实现工艺参量优化,最后采用粒子群算法优化获取的5组工艺参量进行了激光修锐试验。结果表明,样本值与神经网络仿真输出值的相对误差小于3%,试验值与期望值的相对误差控制在6%以内。综合说明该优化模型具备良好的优化能力。     

基于相似数据的人工神经网络短期风速预测模型

提出基于相似数据并结合小波分析的数据预处理模型,并运用基于反向传播(BP)神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本,采用小波分解将风速信号分解成低频趋势信号和高频随机信号,采用BP神经网络建模,合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明,相似数据有效地提高了数据的相关度,小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性,提高了预测精度。     

基于遗传优化神经网络的边坡稳定性评价

由于引起滑坡的因素复杂,传统预测方法难以得到高精度的结果。文中利用遗传算法(GA)全局搜索能力强、不易陷入局部极小值的特点对样本的初始权值和阈值进行优化处理,使得前馈型神经网络(BP)在学习和预测时能够得到一个最佳的权值和阈值,从而探索出影响滑坡的因子与边坡稳定性之间潜在的关系。从仿真结果可知:优化权值后的BP神经网络得到边坡稳定性的判对率达到100%,而随机权值BP神经网络的判对率仅为54.5%,判对率提高了45.5%;安全系数较随机权值BP神经网络的平均误差提高了6.08%。因此,优化BP神经网络的预测精度得到明显提高,在今后边坡稳定性的实际应用评价中可作为一种有效的辅助手段。     

基于HPSO-BP神经网络融合的隧道照明功率预测

针对当前高速公路隧道照明存在的过度照明问题,采用一种混合粒子群算法和BP神经网络相结合的联合优化算法实时预测所需LED功率。该算法优化了神经网络的初始权值和阈值,克服了种群易陷入局部极小的缺点,同时也加快了收敛速度,将优化好的神经网络用于预测LED功率减小了误差。具体措施是将由传感器实时采集的洞外亮度、车流量及其车速、能见度作为照明控制系统的输入量,经过计算所得的隧道照明的调光值作为照明控制系统的输出量,搭建一个4个输入1个输出的控制模型,用混合粒子群优化神经网络对监控数据进行训练分析,拟合输入输出的关系,最终实现实时预测调控的目的。以赣州市尖峰岭隧道的真实数据进行设计,Matlab仿真结果表明,基于HPSO-BP神经网络算法比传统BP神经网络算法在预测精度和收敛速度性能上表现得更加优秀,可以达到实时预测调控的要求,减少了照明能耗。     

浅析BP神经网络基本模型的C语言实现

BP神经网络已经成为应用最为广泛的神经网络模型之一。而人工神经网络是对人脑真正神经工作的简化生物模型。为了加深对神经网络的理解,利用推导公式来详细分析其最后的输出值和误差。这里旨在阐述用C语言实现BP神经网络基本模型,在BP神经网络的初始化函数中采用了归一化处理的方法,另外就是对神经元的权重初始化;而BP神经网络训练函数是整个BP神经网络形成的引擎,驱动着样本训练过程的执行。     

一种基于蚁群算法与粗糙集的混合BP神经网络

为了解决BP神经网络对高维冗余样本分类时收敛速度慢、易陷入局部极小值问题,提出基于蚁群算法与粗糙集的混合BP神经网络分类模型.该混合BP神经网络用粗糙集对样本进行约简和降维,输入层神经元个数得到减少,降低了训练神经网络的计算复杂度,用蚁群算法解决了选取神经网络权值和阈值的随机性,避免了因其而导致的易陷入局部极小值的不足.对UCI数据库中数据集的测试结果说明,提出的混合BP神经网络对高维冗余复杂样本进行分类是可行的,性能远远比传统BP神经网络和蚁群神经网络优越.     

基于BP神经网络的一种传感器温度补偿方法

简单介绍了硅压阻式传感器温度误差产生的原因及其特点,提出了一种利用BP神经网络对其温度误差及非线性误差进行补偿的方法.根据传感器温度误差的特点设计了一个多层的BP神经网络,其中传感器测试电路中四臂电桥的桥路电压和未经补偿的传感器的输出作为神经网络的两个输入.利用Matlab对该网络进行训练,得到了网络的权值和阚值.经过...     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

基于神经网络的MEMS陀螺标定与补偿

针对微机电系统(MEMS)陀螺低转速区间上非线性性能很强,采用传统方法对其标定误差较大,满足不了实际应用的问题,因此,采用了一种基于误差反向传播(BP)的神经网络的标定与补偿方法。设计了一组基于优先数的速率点,利用三轴转台进行12组速率实验,用最小二乘法求出在传统数学模型下的待标定系数;将三轴MEMS陀螺的输出和转台的实际转速作为样本,对BP神经网络进行训练,得到神经网络的补偿模型,并对比两种方法的补偿效果。结果表明,传统方法和BP神经网络都对MEMS陀螺的输出进行了有效的补偿;但在低转速区间上,神经网络的补偿效果比传统方法提高了3倍左右。     

中国东部典型城市群AOD 时空演变及预测

为精准预测我国东部典型城市群的气溶胶光学厚度 (AOD), 基于 2010–2019 年 MODIS 数据, 分析了京津冀、 长三角、珠三角区域之间以及区域内部的 AOD 时空差异特征, 构建了小波变换与 BP 神经网络相结合的 AOD 预测模 型, 并对典型城市群 AOD 进行了预测。研究结果表明: 1) 各城市群气溶胶浓度峰值均出现在夏季, 京津冀地区 AOD 均值最高, 长三角次之, 珠三角最小; 2) AOD 影响因素分析表明, 生产总值指数、人口密度、温度因素与 AOD 正相关, 植被覆盖指数 (NDVI)、降水量、风速与 AOD 负相关; 3) 各地区 AOD 预测结果其平均绝对误差 (MAE) 均低于 0.12, 误差小于 BP 神经网络预测结果, R2 均大于 0.75, 说明该模型相比 BP 神经网络, 能够有效提高 AOD 预测能力。     

基于PSO-BP算法的压力传感器温度补偿研究

硅压力传感器在工业环境中使用时,尤其是用于测量油井井下压力的时候,环境温度变化范围通常比较大.硅压力传感器由于其自身结构的原因,输出压力值会呈现非线性变化,大大的降低了压力传感器的测量精度.本文是基于PSO-BP神经网络方法对压力传感器在温度变化时产生的误差进行补偿修正,以达到系统精度要求.PSO-BP算法的本意是使用PSO算法用于对BP神经网络的初始权值和阈值进行改进和筛选,然后再使用BP网络对样本进行训练,以提高系统的泛化能力和稳定性.     

基于BP神经网络的RSSI测距优化算法

基于接收信号强度指示(received signal strength indication, RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.     

用Bayesian正则化BP神经网络预测稀土永磁体性能

针对一般BP神经网络泛化能力差,在Bayesian正则化BP神经网络的基础上,运用加权检验、"表决网"等方法的思路训练网络,并通过主成分分析方法对输入数据进行降维,建立了磁粉制备工艺(淬速度和晶化退火温度)、合金成分与磁性能之间的BPNN(back propagation network)预测模型。结果表明:该模型泛化能力较高,预测的Br相对误差在2%左右、Hcj和(BH)max都在5%以内,且每次预测的相对误差平均值波动不超过1%。     

基于遗传算法的BP神经网络的LED寿命预测模型

提出了一种新型的基于遗传算法(GA)优化的误差反向传播(BP)神经网络的寿命预测模型.选取不同公司生产的LED,以LED光源光通量维持率测量方法(LM-80-08)测试报告中的电流、结温、初始光通量和初始色坐标作为神经网络的输入,LED在网络输入的应力条件下的寿命为输出,可以预测LED在任意电流和结温下的寿命.研究结果表明,该GA-BP模型相比于LED光源长期流明维持率的预测方法(TM-21-11)更具灵活性,预测误差较传统BP神经网络降低了65.5％,平均相对误差达到1.47％,优于Adaboost模型的54％和3.16％,训练样本相关系数达到99.4％,GA-BP模型预测LED寿命误差更小,普适性更高,在LED的寿命预测中具有实际意义.     

人工神经网络在Al2O3陶瓷激光铣削中的应用研究

为了有效地控制Al2O3陶瓷激光铣削层质量,以人工神经网络（ANN）技术为基础,以MATLAB软件作为开发平台,建立了Al2O3陶瓷激光铣削层质量与铣削参数之间的关系模型。并以激光功率、扫描速度和离焦量作为输入参数,激光铣削层深度和宽度作为输出参数,对激光铣削层质量进行了预测。结果表明,该模型的平均误差小,拟合精度高。并在训练样本之外,选取了5组工艺参数来检验网络模型的可靠性,检验输出值和实验样本值的最大相对误差为7.06%。说明运用该模型可以方便、准确地选择激光工艺参数,提高Al2O3陶瓷激光铣削层的加工质量。     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。