基于微粒群优化算法的人工神经网络模型预测汽液相平衡常数

利用微粒群优化算法对人工神经网络进行训练,克服了BP网络收敛速度慢,易陷于局部最优解的缺点。用此网络模型来预测汽液相平衡常数,并利用严格模型计算的多组相平衡数据作为训练样本和检验样本来检验利用微粒群算法训练的人工神经网络。结果表明,此种方法收敛速度快,精确度高,好于传统的BP算法。     

MATLAB神经网络在湖库富营养化程度评价中的应用

基于MATLAB神经网络和我国湖库富营养化评价标准,运用人工神经网络模式识别理论和方法,分别建立了BP,PNN,GRNN和Elman神经网络湖泊富营养化等级评价模型,对全国24个主要湖泊富营养化程度进行评价,并与文献[5]和文献[9]的评价结果进行比较.结果表明:基于MATLAB神经网络模型评价湖库富营养化程度是可行的...     

模糊人工神经网络在矿井构造评价中的应用

介绍了模糊综合评判和人工神经网络原理，分析了一般BP神经网络在研究复杂性问题时存在的局限性，根据模糊人工神经网络模型的构建方法，探讨了该模型在矿井构造定量评价中的应用，结合鲍店煤矿的实际资料，对建立的模糊人工神经网络模型进行了学习训练，对未采区的构造复杂程度进行了预测，结果表明：模糊人工神经网络较一般BP神经网络具有更快的收敛速度和更准确的预测效果．     

人工神经网络在商场建筑物冷负荷预测中的应用

对空调系统进行冷负荷预测是对冰蓄冷系统进行优化控制的重要前提与基础。经过对各种预测方法的结果比较，人们发现人工神经网络预测的结果更接近实际值。基于人工神经网络的通用BP(Back Propagation)算法编制的程序，实际对一栋采用冰蓄冷空调的商场性质建筑物进行冷负荷预测并加以评价。此程序采用Visual Basic编制，含有7个输入层以及1个输出层，利用通用BP算法。结果显示利用人工神经网络预测建筑物冷负荷比较可靠。     

改进GA算法结合ANN用于酚类化合物的QSAR研究

采用改进的遗传算法(IGA)和BP人工神经网络相结合的方法,研究了50个酚类化合物的麻醉毒性和分子结构之间的相关性,并与单纯用BP人工神经网络建立的模型进行比较.结果表明,该方法克服了人工神经网络训练中的局部最优问题,采用最优交叉和变异等遗传策略,有效地解决了收敛过程中的振荡问题,所得模型的训练精度和预测精度均优于单纯的BP人工神经网络QSAR模型.     

基于GA-BP和GA-RBF网络的结构损伤识别

首先指出了当人工神经网络算法解决结构工程实践问题时,网络结构本身所面临的缺陷;然后描述了人工神经网络和遗传算法的概念,从理论和实例上说明了运用遗传算法优化和改进神经网络结构的可行性,以结合二者的长处解决工程实践问题;接着详细阐述了如何利用遗传算法优化或改进BP(B ack P ropagation)网络模型和RBF(R ad ia l B as is Function)网络模型,以及如何利用遗传优化BP网络和遗传优化RBF网络模型分析结构损伤,进而比较遗传BP网络和RBF网络在结构损伤分析方面的性能。     

基于BP神经网络的太湖富营养化时空变化预测

建立拓扑结构为5-9-1的3层BP神经网络模型,预测太湖的富营养化水平,为水环境监测平台提供决策支持。该模型采用动量梯度下降法对太湖的湖体的富营养化水平进行预测并评价。验证结果表明,训练后的网络得出的预测结果与实际值很接近。因此,采用BP(Back Propagation)神经网络对太湖湖体富营养化水平进行预测并评价是一种有效的方法。     

湖库水体富营养化评价级别特征值与识别模型

基于模糊集合论的相对隶属度的概念与定义,提出湖泊与水库水体富营养化评价的模糊识别与级别特征联合模型．两种模型的联合使用,为湖泊与水库水体富营养化评价提供了理论严谨、应用简便的综合评价模型与方法．最后,列举了一个评价实例．     

基于BP神经网络的瑞雷面波智能优化反演

由于人工神经网络具有高度并行性、自组织、自学习和联想记忆能力,它的反演预测能力非常强,能够较准确地预测出目标参数,因此引入BP(Back Propagation)人工神经网络的地震面波智能优化反演.通过快速矢量传递算法计算频散曲线,为人工神经网络训练提供模型,并对层状介质模型试算,取得了好的效果.对实测瑞雷面波记录进行反演计算,并与其他反演方法进行对比,证明了BP人工神经网络反演瑞雷面波时的收敛速度快、对初始模型要求低等优点.     

BP神经网络在醋酸乙烯生产中的应用研究

介绍了醋酸乙烯合成反应器BP神经网络模型的建立及有关参数的选取;提出了采用LevenbergMarquart优化法来训练BP神经网络. 通过将BP神经网络用于醋酸乙烯合成反应器操作优化的研究表明,对于机理不明确或精确模型难于建立的过程, 人工神经网络是一种有效的方法.     

热管散热半导体制冷系统的实验研究

半导体制冷利用半导体材料的珀尔帖效应来实现,不使用压缩机和制冷剂,且不存在噪声和制冷剂污染环境的问题。半导体制冷系统的性能好坏与热端的散热条件有直接关系,为改善热端散热条件,研制了1台热管散热型半导体冷箱。通过性能测试实验,确定了半导体制冷系统的最佳工况,并比较热管散热、风冷散热和水冷散热方式对系统制冷性能的影响。实验结果表明：热管散热是半导体制冷系统的最佳热端散热方式。     

GM-BP模型在NGH生成中的预测研究

天然气水合物具有储气率高、污染低、储量大等优点,具有良好的发展前景,但是在天然气加工和运输过程中形成的天然气水合物会造成管道堵塞等严重状况,因此,分析和预测天然气水合物的生成具有实际意义。为了预测天然气水合物的生成情况,针对前人研究天然气水合物生成预测方法的优缺点,引用了具有解决复杂系统问题能力的人工神经网络,运用MATLAB语言编程建立了灰色理论（Grey Forecast）理论和BP神经网络（Back Propagation Network, BP）的组合模型。为了提高预测精度,选用了差值结合法将两种方法结合,分别运用GM（1,1）、BP神经网络以及此组合模型对实验中得到的压力数据进行预测并加以比较;为了进一步验证组合模型的精准度,选用了马尔科夫链模型进行预测检验。结果表明,GM（1,1）和BP神经网络组合模型具有较高的精准度,且此方法可以广泛运用到较多方向,可为今后的天然气水合物开发利用提供理论依据。     

基于多元回归和神经网络途径的太湖富营养化指标分析与预测

水体富营养化是目前太湖面临的一个重大环境问题,有效地预测湖泊的水质变化对防治富营养化至关重要. 现有的预测方案很多依赖于一些常见的与目标变量相关的因素,针对太湖这一具体对象,难以全面准确地分析相关因素之间的联系以及预见目标变量的变化趋势. 本文首先寻找出太湖富营养化的所有可能的影响因素,提供较为全面的备选变量以期更好地查找出目标变量的相关因素. 选择总氮这一富营养化重要评价指标作为分析和预测的对象,根据各影响因子与总氮之间的相关系数筛选出影响程度较高的因素. 分别运用多元线性回归分析方法和BP神经网路预测方法对总氮的变化进行预测研究,并将两种方法的预测性能进行比较. 结果表明,从较为全面的变量中选出的影响因子可较好地预测总氮的变化情况,多元线性回归和BP神经网络方法的实验结果都较好,从拟合优度和均方误差的角度看,BP神经网络的预测效果更好.     

BP神经网络在织物风格评价中的应用

探索人工神经网络在织物风格评价中的应用,基于反向传播神经网络模型（BP）建立了四层网络系统基于算是 物风格信号,实验表明,经过学习训练,系统具有较强的自适应模式识 能力,可以有效解决织物风格评定问题。     

基于BP网络的软件过程质量度量研究

将人工神经网络、软件能力成熟度模型集成CMMI(Capability Maturity Model Integration)的基本方法与软件过程质量度量的具体需求相结合,以CMMI模型中的过程域为基础构建软件过程质量度量的评价指标体系,以相应的过程评价数据为基础,构建并训练基于BP网络的软件过程质量度量方法,同时与其他方法进行对比分析,验证其合理性与可操作性。     

基于RBF和BP网络的机器人逆运动学求解

针对传统的求逆运动学方法相当复杂以及一般的神经网络收敛速度慢、精度不高的缺陷,提出一种由1个RBF(Radial Basis Function)网络和2个BP(Back Propagation)网络组成的系统来解决运动学逆问题,输入数据分别通过3个并行的神经网络,对输出分别求正运动学解,计算误差,选择误差最小的作为系统的输出,其中BP网络运用LM(Levenberg-Marquardt)方法进行训练.仿真表明:该方法可以有效的解决运动学逆问题,避免了传统解法中的一些棘手问题.     

基于NSGA-Ⅱ算法的锅炉燃烧多目标优化

采用BP（back propagation,BP）神经网络模型分别建立了300 MW燃煤锅炉的NOx排放特性模型和锅炉热损失模型,同时利用锅炉热态试验数据对模型进行了训练和验证。结果表明：BP神经网络模型可以很好地预测锅炉的排放特性和锅炉的热损失特性。结合NOx排放模型和锅炉热损失模型并采用非劣分类遗传算法（non-dominated sorting genetic algorithm,INSGA-Ⅱ）对锅炉进行多目标优化,优化结果表明：NSGA-Ⅱ多目标优化方法与BP神经网络模型结合可以对锅炉多目标燃烧优化问题实现有效的多目标寻优,得到理想的Pareto解方案可以在降低锅炉NOx排放的同时使锅炉运行在较高的效率工况下,是对锅炉进行多目标优化的有效工具。     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。     

神经元的几何形态分类

为了对不同神经元进行区分,采用L—Measure软件对神经元的几何形态进行特征提取,通过主成分分析对提取的特征降维进行处理。采用概率神经网络、BP（Back Propagation）神经网络和模糊分类器组成的分类器“投票”,对锥体神经元、普肯野神经元、运动神经元、感觉神经元、双级神经元、三级神经元和多级神经元7种神经元进行分类。实验证明,3种分类器组合分类的效果比其中任意一种分类器的效果都好,识别率更高。