概率积分法预计参数选取的神经网络模型

在综合分析概率积分法参数与地质采矿条件之间关系的基础上,采用人工神经网络方法建立了概率积分法参数选取的模型．模型采用改进的BP优化算法,运用我国典型的地表移动观测站资料作为学习训练样本和测试样本。对网络模型的计算结果与实测值进行了对比分析．分析结果表明：用人工神经网络方法求算概率积分法参数结果更接近于实际．对提高开采沉陷预计精度具有积极意义．     

一种基于BP神经网络的彩色打印机标定模型

彩色打印机打印色彩色度值与输入的数字图像象素值之间存在着非常复杂的非线性关系,按传统方法建立的打印机标定模型往往不能很好地反映打印机的特性。在研究中,利用BP神经网络理论,提出并建立了按色相角范围对实验数据分类的打印机标定模型。由于BP网络良好的非线性模拟和逼近特性,标定模型达到了较高的精度,欲打印色彩色度值与标定后实际打印色彩色度值之间的色差平均值远远小于人眼可以识别色差的阈值,标定精度要求适用于以彩色打印机作为输出设备色彩管理系统的色域匹配环节。     

传感器的神经网络建模

针对传感器受温度影响的复杂的非线性输入输出特性，利用人工神经网络的方法，建立了与之相适应的人工神经网络模型，该模型可同时实现温度补偿和非线性校正．     

液液旋流油水分离器的神经网络模型

采用人工神经网络方法,建立了液液旋流油水分离器的ＢＰ网络模型,该模型能根据物性参数比较准确地预测旋流油水分离器的结构参数和操作参数。     

引入记忆-遗忘机制的人工神经网络模型

针对如何提高人工神经网络在模式识别分类速度和更好地模拟人脑学习、认知事物过程的问题,提出一种改进的人工神经网络模型。将人脑的记忆-遗忘机制引入到人工神经网络中,同时在网络中加入了粗分类模块。在网络运行过程中,固定周期内对已学模式按照记忆强度进行排序。此方法可以有效地提高网络的识别速度。实验证明改进后的人工神经网络减少了网络计算量,节省了识别时间,提高了网络的工作效率。     

人工神经网络光度法同时测定锗、锡

用6 mol/L的盐酸控制溶液的酸度,在十二烷基磺酸钠的存在下,锗和锡均与苯芴酮发生高灵敏显色反应,生成稳定的三元络合物,最大吸收波长分别为510 nm和514 nm,吸收光谱严重重叠.利用BP神经网络算法无须分离同时测定锗和锡,研究了测定的最佳条件,通过对模拟样的测定验证了应用该方法可取得满意的结果,并且已把该方法应用于锗和锡的分离研究中.     

地下工程围岩稳定性分类的人工神经网络模型

本文基于人工神经网络的一典型模型──误差反传模型,根据《水利隧洞设计规范》及国内外围岩分类经验用插值法构造学习样本,建立了地下工程围岩稳定性分类的神经网络模型。研究表明,该模型具有较好的分类能力及较高的分辨率,可望成为地下工程围岩稳定性分类的有效手段。     

工程系统可靠度优化的人工神经网络

提出一种人工神经元模型,构造了相应的神经网络,讨论了它的训练方法;应用这种神经网络轩求解了工程系统可靠度的最优分配问题,给出了土建工程系统可靠度优化的工程计算实例。     

人工神经网络及其在智能 CAPP 系统中的应用

目的　认识和把握人工神经网络在计算机辅助工艺过程设计 (CAPP)中的应用及发展前景 .方法　在论述人工神经网络模型的特点和性质的基础上 ,对人工神经网络在智能 CAPP系统中的应用原理和方法作了初步的理论分析和研究 .结果　人工神经网络在 CAPP系统具有很大的使用价值和广阔的应用前景 .结论　这种初步的研究及其以后相关人员的工作 ,将为 CAPP领域应用神经网络技术开辟新的途径 ,从而在一定程度上解决目前 CAPP系统中存在的问题     

基于人工神经网络的加权负荷预报

针对矿区电力负荷系统的特点，提出了基于人工神经网络的加权负荷预报．仿真结果表明，其预报精度符合要求．     

利用BP神经网络描述作物-水模型

研究了利用BP神经网络描述作物－水模型的方法，将各生育阶段的耗水量作为输入，将作物单产作出输出，构建了具有1个隐含单元层的BP神经网络结构，利用北京永乐店试验站1998－1999年度的冬小麦灌溉试验资料进行了样本进行训练和检验，得到了作物－水模型的人工神经网络模型。结果表明，作物－水模型的人工神经网络模型具有较高的拟合精度和预测精度。     

人工神经网络硬件化途径与神经计算机研究

讨论了人工神经网络硬件化实现的途径和意义，提出对通用神经计算机性能的原则要求．在此原则指引下研制的小型神经计算机（预言神１号），具有灵活性强，使用方便，每秒模拟２×１０７次神经联结计算，并且有在计算过程中随时变更网络拓扑结构和神经元非线性函数的功能，文中讨论了它的适用范围和性能价格比问题．     

基于人工神经网络的非线性回归预测模型的研究

将人工神经网络引入回归分析过程,探讨了回归分析神经网络的结构和学习算法,研究了基于人工神经网络的模型变量的选择观测样本的采集和使用等,进行了仿真实验,仿真结果初步显示了神经网络方法能够较好地解决传统的回归方法所面临的困难,并具有较高的模型度。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

一类基于对象正向模型的神经网络自适应控制器的设计

提出了一种基于对象正向模型的神经网络自适应控制器 ,该方法只须辨识对象的正向模型 ,将神经网络与优化方法相结合 ,对控制量进行优化迭代求解。仿真结果表明 ,该算法能精确跟踪设定输出 ,响应速度快 ,超调量小 ,无稳定误差 ,控制效果好     

考虑前期影响雨量的NLPM-AMN模型

建立了一种考虑前期影响雨量和采用人工神经网络的非线性扰动模型。模型结构与NLPM-API模型相似,不同之处在于采用人工神经网络模拟输入扰动项与输出扰动项之间的相互关系。采用牧马河和鲇鱼山水库流域的日降雨径流资料对模型进行了率定和校核。结果表明,所建模型与线性扰动模型、NLPM-AMN模型和NLPM-API模型相比,两个流域在率定期的模型效率系数增长幅度分别为10.84%,1.54%,10.6%和21.59%,0.67%,10.11%;在检验期的模型效率系数增长幅度分别为5.56%,0.97%,4.41%和11.86%,1.76%,7.97%。所有的评价指标均优于其他模型。     

人工神经网络在预测服装及面料舒适性方面的探讨

服装市场的激烈竞争要求服装厂商能对面料以及还未出品的成衣的舒适性做出快速判断。对服装及面料舒适性的预测离不开舒适性模型的建立,通过分析其他建模方法存在的弊端引出人工神经网络的建模方法,其模糊判别的特点适用于舒适性模型建立的要求。叙述了此种技术在舒适性研究中应用的现状,并在技术上对舒适性神经网络的构建进行了探讨。     

回归分析人工神经网络

为避免每次训练都必须随机生成样本序列的问题,提出网络动态拓扑的概念,对各种前向式网络进行统一表述;提出正、反序训练方法,并给出解的唯一性证明,同时,网络连接权在初始化时不再需要随机生成。回归分析人工神经网络有效解决了两次随机过程对训练结果造成的不利影响,在稳定性和可信性上对人工神经网络的应用提供了理论依据和技术支持。     

人工神经网络在弹簧设计中的应用

提出的神经网络应用方法,只要对多组已有弹簧设计方案的结果进行学习训练,就能得到同类弹簧快速设计的神经网络模型,通过实例的检验,证实了该设计方法的正确性和有效性．     

输入量的选取对人工神经元网络估计负荷模型精度的影响

电力系统负荷模型的准确性对电力系统的分析与控制起着重要的作用。人工神经元网络模型能较好地模拟实际负荷的动态特性，但其模拟的精度很大程度上取决于输入量的选取。本文选取三组不同的输入量，采用误差反向传播算法（ＢＰ算法）进行训练．并对其精度作了比较，从而提出用人工神经元网络估计负荷模型时所应选取的输入量。