神经网络模型在股票预测上的应用

本文探讨了神经网络模型在股票预测上的应用，通过建立BP网络模型对上证指数进行了预测分析。实验证实了BP模型用于股指短期预测的准确性和可行性。     

BP神经网络容错能力实验分析

BP算法是一种非常有效的算法,BP模型已成为神经网络的重要模型之一。该文在BP算法构成的三层网络的基础上对该网络的容错能力进行了实验和分析,证明它具有较好的容错能力。     

神经网络模型在股票预测上的应用

本文探讨了神经网络模型在股票预测上的应用,通过建立BP网络模型对上证指数进行了预测分析。实验证实了BP模型用于股指短期预测的准确性和可行性。     

基于改进BP网络的雷达网抗干扰性能评估

通过分析有源压制干扰环境下雷达网抗干扰性能的评估指标集和BP网络的工作特性,采用改进后的BP网络,把相关的评估指标集映射到BP网络各层之中,得到相应的BP网络评估模型.最后用Matlab神经网络工具箱对该评估模型进行了仿真实验,结果验证了评估模型的正确性及评估方法的可行性.     

基于神经网络的入侵检测系统的设计与实现

由于传统的入侵检测系统无法识别未知攻击,为了弥补其不足,设计和实现一个基于蜜罐和BP神经网络的入侵检测系统BPIDS。该系统包含两阶段检测模型,它们分别是应用感知器学习方法的感知器检测模型和应用BP神经网络的BP网络检测模型。其中感知器检测模型用于划分正常类和攻击类,而BP网络检测模型则在此基础上对一些具体的攻击类型进行识别。最后,设计实验对BPIDS的检测能力进行测试。实验结果表明,BPIDS对被监控网络中的入侵行为具有较好的检测率和较低的误报率。     

神经网络模型在物价预测上的应用

分析了神经网络模型在物价预测上的应用,通过建立BP网络模型对CPI指数进行了预测分析。实验证实了BP模型用于物价指数短期预测的准确性和可行性。     

神经网络模型在物价预测上的应用

分析了神经网络模型在物价预测上的应用,通过建立BP网络模型对CPI指数进行了预测分析。实验证实了BP模型用于物价指数短期预测的准确性和可行性。     

BP网络与RBF网络在感官评估中应用比较

介绍BP网络与RBF网络的方法原理以及二者在感官评估中的应用.利用企业提供的单料烟感官数据设计建立BP网络和RBF网络模型,并利用模型预测单料烟感官质量指标,然后通过行业专家提供的符合度公式对建立的模型进行评估,评估结果以百分比的形式展示.实验结果表明:在感官评估应用中,RBF网络模型预测性能优于BP网络模型.     

BP网络及遗传算法在河道流量预报中的应用

基于遗传算法的全局搜索和BP网络局部精确搜索的特性,采用遗传算法对BP网络模型进行优化,并将此模型应用于北江流域的坪石-犁市河道的预报流量中.实验结果表明,该算法在提高BP网络的收敛速度和预测精度上是行之有效的,为流量预报提供了一种新的方法.     

基于小生境-遗传算法优化的新型BP模型

为解决传统BP神经网络模型易陷入局部极小点、网络结构不稳定、收敛速度慢等问题,提出了一个小生境遗传算法优化的BP神经网络模型。该网络模型借助BP神经网络的非线性映射和学习联想能力和小生境遗传算法的搜索能力,利用小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,来对BP神经网络的初始权值和阈值进行优化,同时使用BP算法来训练该模型,从而有效地解决了网络初值不合理的问题,提高了网络收敛速度、稳定性。实验证明：与传统方法相比,该模型具有很强的可行性和有效性。     

一种快速的演化学习神经网络模型

神经网络的学习算法一直是人们研究的重点,各种算法都有自己的优点和不足。演化学习具有全局优化性能好,实验样本数要求少等优点,但也存在一些问题,如演化学习的速度较慢、模型的稳定性较差等。笔者在多年的神经网络的研究过程中,对传统的演化学习算法作了一些改进,该文利用梯度下降计算改进演化算法,极大地提高了模型的学习速度,对那些需要及时优化工艺参数的生产过程,该种模型有很好的应用前景。     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

基于交变粒子群BP网络的电力系统短期负荷预测

短期负荷预测是电力系统正常运行的关键环节,合理的发电计划依靠准确的负荷预测,因此提出交变粒子群算法来优化BP网络模型以预测电力短期负荷。针对 依靠先前的经验 来确定BP神经网络的权值缺少理论依据的问题,采用交变粒子算法优化BP神经网络权值,以减少通过神经网络预测模型求解电力短期负荷预测带来的误差。实验证明,经过优化的BP神经网络预测模型比传统的BP神经网络预测模型的误差更小,更加接近实际电力负荷。     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。     

基于量子遗传算法优化神经网络的入侵检测

针对入侵检测的效率及准确性问题,提出一种基于量子遗传算法优化神经网络的入侵智能检测模型,该模型基于量子遗传算法的全局搜索和神经网络局部精确搜索特性,将量子遗传算法和BP算法有机结合。利用改进的量子遗传算法优化BP神经网络的权重和阈值,使BP神经网络能快速准确地识别入侵,增强计算机网络安全。运用Matlab软件对该模型进行仿真。实验结果表明,与其他同类方法相比,该方法的检测率更高、误报率更低。     

一种基于BP神经网络的数字识别新方法

针对标准BP神经网络收敛速度慢、易陷入局部极小点的缺点,提出了一种新的BP神经网络改进算法。该算法通过变步长法和牛顿法来改进BP算法,加快了网络的收敛速度,且收敛速度快于其他的改进算法。在此基础上将BP神经网络应用于数字识别中,为其网络建立识别模型。利用仿真实验观察BP网络的泛化能力以及识别准确性,比较BP算法及其改进方案,提出改进方案中分别需要注意的地方。     

基于改进遗传算法优化BP神经网络的土壤湿度预测模型

我国是农业大国,在进行农业生产过程中,对土壤的湿度进行精准预测具有非常重要的意义.针对传统BP(back propagation)神经网络在预测过程中会出现局部最小化以及收敛速度慢的问题,本文将改进的遗传算法(genetic algorithm)应用到传统BP神经网络模型当中,提出了一种自适应遗传算法优化BP神经网络的土壤湿度预测方法.通过Matlab仿真软件建立改进遗传算法优化BP神经网络的预测模型,并且对哈尔滨地区玉米地的土壤湿度进行实验.结果表明,该模型的精度高于未优化的BP神经网络.该模型能够大量减少湿度传感器的使用,为农业生产减少了成本.     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

改进神经网络煤矿安全评价模型仿真研究

研究煤矿安全评价准确性问题。煤矿生产安全问题一直是国内外研究的热点,针对传统的安全评价算法难以评价出煤矿安全生产中出现的情况,评价预测准确率低等问题,提出了基于BP神经网络算法煤矿安全评价模型。采用BP神经网络的特点是可以逼近任意的非线性函数,但是BP神经网络并非完美的神经网络,采用遗传算法优化BP神经网络可以克服其缺点,将改进的算法应用于煤矿系统安全评价之中,仿真结果表明,基于改进的BP神经网络煤矿安全评价模型方法有效性和实用性,能够正确评价安全生产状态。     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。