前馈神经网络在空调负荷预测中的应用

空调系统负荷是一个典型的具有动态性、不确定性等随机特性的非线性模型，传统方式难以实现准确、快速地预测空调系统动态负荷。人工神经网络具有高度的非线性运算能力和很强的容错能力，其中最为广泛的是前馈神经网络和采用误差反向传播算法来计算网络权值。本文讨论当误差不为零或者不为线性函数，即二阶项s（w）不能忽略时的Hesse矩阵的近似计算，进而训练网络。研究结果表明，用该种神经网络预测空调负荷和计算的结果会较好地吻合。     

3UCVD SiGe工艺的神经网络模型

介绍了用于生长SiGe材料的 3UCVD设备的简要情况。对 3UCVD工艺系统构建了神经网络模型 ;基于误差反向传播 (BP)学习算法设计了一种自动调整网络结构和训练精度的网络训练方法 ;利用 3UCVD工艺实验的数据样本编制程序 ,对数据样本进行了训练拟合 ;并利用训练后的网络进行了工艺预测 ,网络预测的结果和实验结果符合良好     

3UCVD SiGe工艺的神经网络模型

介绍了用于生长SiGe材料的3UCVD设备的简要情况。对3UCVD工艺系统构建了神经网络模型；基于误差反向传播（BP）学习算法设计了一种自动调整网络结构和训练精度的网络训练方法；利用3UCVD工艺实验的数据样本编制程序，对数据样本进行了训练拟合；并利用训练后的网络进行了工艺预测，网络预测的结果和实验结果符合良好。     

卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。     

粒子群算法在气力输送管道压降预测中的应用

管道压降是气力输送系统设计的一个重要参数,传统的求解方法比较复杂.本文提出了以气体流速、颗粒浓度、混合比等作为神经网络输入,建立管道压降网络模型的方法.为进一步提高管道压降预测准确度,以预测误差作为适应度值,采用粒子群算法对网络权值和阈值寻优,优化神经网络,并利用样本数据训练出了有效的压降预测网络.通过将预测数据和粉料气力输送实验装置的实测数据相比较,结果表明,该方法预测误差小,准确度高,有较高的实用价值.     

基于误差修正的菌体浓度软测量

针对机理模型中参数易受环境影响,结果常常不准,而数据模型对于复杂系统外推能力差的情况,提出了以机理模型为基础,以数据模型为补充,利用数据模型对机理模型的预测结果进行误差修正的方法.将该方法用于菌体浓度的预测,误差修正模型采用RBF神经网络,包含了影响菌体浓度的主要理化因素:温度、溶解氧和pH,以实际测量值为目标对该网络进行训练.训练好的神经网络用来对机理模型的输出进行修正.试验数据表明该方法能有效提高菌体浓度的预测精度.     

于GA-BP模糊神经网络的商业银行信用风险评估

研究了商业银行信用风险评估的现状,针对单独应用BP神经网络评估信用风险时存在的缺陷,提出了基于遗传算法优化模糊BP神经网络的信用风险评估新模型.通过遗传算法训练模糊BP神经网络,克服网络建模中产生的局部极小的缺点,提高了风险评估的准确性.最后,利用Matlab软件对样本数据进行训练和测试,仿真结果表明所构造的评估模型预测误差非常小.     

基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测

为解决短期电力负荷预测模型中迭代训练过程的误差累积,预测结果精度低的问题,基于双向门控循环单元（BiGRU）在短期电力负荷预测中的理论基础,在BiGRU的底层结构上进行改进,并对预测过程中产生的误差进行补偿,提出一种基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测方法。第一阶段,建立堆叠的反向双层高低级门控循环单元（SRDHLGRU）网络模型,得到模型预测过程中产生的误差序列。第二阶段采用差分分解（DD）方法将第一阶段产生的误差序列进行一阶前向差分得到误差变化量序列,再次建立SRDHLGRU模型进行训练和预测,从而对第一阶段结果进行误差补偿。结合西部某市负荷数据集,基于Python算法开展短期电力负荷预测的仿真,对比几种主流预测算法,仿真结果表明该组合模型的预测精度和稳定性比传统模型都有一定提升。     

基于支持向量回归机的中央空调负荷预测模型

由于中央空调系统的时滞性、时变性、非线性和大惰性等特性,使得当前采用的中央空调负荷预测算法精度并不高,本文在江阴某楼宇空调系统节能改造项目的基础上,从中央空调系统的组成和特性出发,提出了基于支持向量回归机(Support Vector Regression SVR)理论的中央空调负荷预测模型。对项目楼宇历史负荷数据进行分析,分别采用SVR负荷预测模型和BP神经网络负荷预测模型进行了训练和预测。预测结果表明:基于SVR负荷预测模型较BP神经网络负荷预测模型精度更高,具有较强的实用性和可行性。     

皮带秤动态称重用神经网络算法设计

针对皮带秤在使用中难以保持标称计量精度的缺点,提出将过程神经网络引入皮带秤动态称重误差的补偿中。将动态称量过程中皮带秤单位长度上的重量、皮带速度、皮带垂度变化作为模型输入,设计了应用于皮带秤动态称重误差研究的单隐层过程神经网络误差反传播学习算法,利用Matlab软件对算法模型进行训练和测试,模型经过149次学习优化达到网络精度要求,测试组误差为1%,较使用网络前的原误差明显降低,验证了算法的可行性和有效性。