基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型

针对传统BP神经网络存在的容易产生过拟合、网络计算耗时长等问题,提出基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型(AC-H-BPNN).该模型以粗糙集中属性核为基点,通过属性重要度的判断,对神经网络输入项进行降维约简.针对隐含层节点数难以确定的问题,将二分分割法与经验公式相结合,精准确定隐含层节点数.并以...     

基于神经网络的结构抗震可靠度预测及优化

针对结构抗震可靠度分析中存在影响因素复杂、统计资料缺乏、概率模型合理选取困难、计算繁杂等问题,利用遗传算法的全局空间寻优功能和BP网络映射能力强的优点,提出了预测结构抗震可靠度的进化神经网络模型,并利用BP网络进行对比研究.实例分析表明,利用进化神经网络预测结构抗震可靠度,可克服BP网络输入层节点数、隐含层数和隐含层节点数确定的盲目性,适应性更强,精度更高.     

高校生均用房面积的BP神经网络建模研究

针对教育部规定的高校评估指标体系中的生均教学行政用房面积指标,选取1999年至2008年辽宁省高校数据,对影响高校生均教学行政用房面积的各字段进行归一化处理,利用SAS/Enterprise Miner软件中BP神经网络算法建立网络模型。测试隐层节点数和学习率对网络预测的影响,以修正样本数据最小误判率作为模型的判别标准,最终得出输入节点为10、输出节点为1、隐层节点数为17、学习速率为0.2的神经网络模型,此时修正样本数据的RMSE（均方根误差）最小,网络模型预测结果最好.     

电弧炉冶炼终点预报模型的建立与应用

针对超高功率电弧炉炼钢过程的复杂性、非线性和不确定性,建立了基于BP算法的神经网络预报模型。该模型以物料信息和目标温度为输入节点,对达到目标温度时所需的电耗进行预报,通过对模型网络结构的调整,提高了预报的命中率。仿真研究表明,当隐含层节点数为3,训练函数为traingdm时,预报值在±6%内的命中率为83%。     

基于神经网络的多聚脯氨酸二型结构预测

使用“机器学习方法”对稀有的多聚脯氨酸二型(PPⅡ)的二级结构进行预测，在预处理蛋白质序列的基础上，使用生物信息学中常用的BP神经网络预测PPⅡ二级结构．通过对不同输入窗口长度与不同隐层节点数的神经网络进行训练和测试，得出在输入窗口长度为13个氨基酸残基和隐节点数为15时预测效果最好，此时的预测精度可达73．8％．     

基于WOA优化Elman神经网络的露天矿边坡位移预测

露天矿边坡变形、失稳严重威胁矿山安全生产。为提高露天矿边坡变形预测精度及可靠性,采用鲸鱼算法(WOA)优化Elman神经网络的预测模型,对露天矿边坡位移进行预测。根据Elman神经网络的特点,通过优选输入层节点数、隐含层节点数、传递函数参数,构建最优的Elman神经网络拓扑结构,并通过WOA优化Elman神经网络的权重和阈值,增强Elman神经网络的训练速度及全局寻优能力。以抚顺西露天矿边坡监测数据为例,利用该预测模型进行动态预测,并与经典的BP、Elman神经网络进行比较。结果表明：WOA-Elman模型预测结果的最大相对误差和平均绝对误差分别为0.018%和0.146 mm,模型收敛速度快,稳定性强,为矿区边坡变形预测提供了一种有效途径。     

BP神经网络结构设计的频谱取值模型研究

提出BP神经网络隐层节点数频谱取值法(Frequency SpectrumRule 简称FSRule)的新概念,并建立了FS取值模型,实践证明:FS模型可快速准确地计算隐层节点数,较好地解决人工神经网络结构设计的难题.     

ANN在聚丙烯酸酯乳液性质预测中的应用

在MATLAB中的图形用户界面下,用人工神经网络(ANN)对聚丙烯酸酯乳液的硬度、附着力和耐冲击性3种性能进行了预测。选用三层的误差反向传递网络(BP网络),讨论了隐含层节点数,训练目标goal值和传递函数等相关参数对预测结果的影响。在隐含层节点数分别为19、16和20,传递函数为logsig函数和purelin函数,训练目标值goal为1.0×10-5的条件下,对17个样品进行了预测。结果表明:硬度预测值与实验值相对误差的绝对值的平均值为5.90%,附着力预测准确率为100%,耐冲击性预测准确率为100%。     

基于可变基函数和GentleAdaBoost的小波神经网络研究

针对传统小波神经网络(wavelet neural network, WNN)受隐含层节点数影响大、网络误差易陷入局部极小、预测结果不稳定的问题,提出使用GentleAdaBoost和小波神经网络相结合的方法,提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、小波基函数构造出不同类型的小波神经网络弱预测器序列并对样本数据进行反复训练;最后使用GentleAdaBoost算法将得到的多个小波神经网络弱预测器组成新的强预测器并进行回归预测。对UCI数据库中数据集进行仿真实验,结果表明,本方法比传统小波神经网络预测平均误差减少40％以上,有效地提高了神经网络预测精度,为小波神经网络应用提供借鉴。     

基于非均匀特性的长丝纱拉伸断裂模型及强度预测

针对纤维的随机性特征,本文基于长丝纱组分强力的离散性,建立了长丝纱断裂过程的纵向应力分布的几何模型;同时,根据长丝纱的结构特点,建立了长丝纱的断裂过程模型和强度预测模型,并对模型进行模拟和强力预测分析,分析结果表明,平均应力分配法则中,单丝的断裂顺序比较随机,没有产生明显的应力集中现象,所以得到的强力值较大;局部应力分配法则预测得到的长丝纱强力值偏小,而平均应力分配法则得到的强力与测量值较为接近,但用这2个方法得到的预测强力都随着捻度的增加而增加,且速率由快至缓,在高捻区域,随着捻度的增加长丝纱的局部应力分配法则有望接近实测值,这2种应力分布法则所预测的结果都符合二参数Weibull分布。该研究为将来短纤维纱的性能预测奠定了理论基础。     

基于差分进化的BP神经网络在纱线质量预测中的应用

为了提高BP神经网络在纱线质量预测上的精度,采用差分进化算法训练BP神经网络,利用差分进化算法的全局寻优能力优化BP神经网络的权值和阈值,建立了反映纱线质量的重要指标——单纱强度和条干CV%的神经网络预测模型.对真实数据的测试表明该算法效果良好,提高了BP神经网络算法的预测精度,能够为企业的纱线质量预测提供有效支持.     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,索力值是衡量索力学状态的重要指标.目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素.为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证,并生成模拟数据;然后,以索长、线密度、抗弯刚度、1阶频率、2阶频率、3阶频率为输入参数,以索力...     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

Combined Transmission Interference Spectrum of No Core Fiber and BP Neural Network for Concentration Sensing Research

To investigate wavelength response of the no core fiber(NCF)interference spectrum to concentration, a three-layer back propagation(BP) neural network model was established to optimize the concentration sensing data. In this method,the measured wavelength and the corresponding concentration were trained by a BP neural network, so that the accuracy of the measurement system was optimized. The wavelength was used as the training set and got into the input layer of the three layer BP network model which is used as the input value of the network, and the corresponding actual concentration value was used as the output value of the network, and the optimal network structure was trained. This paper discovers a preferable correlation between the predicted value and the actual value, where the former is approximately equal to the latter. The correlation coefficients of the measured and predicted values for a sucrose concentration were 1.000 89 and 1.003 94; similarly, correlations of 0.999 51 and 1.018 8 for a glucose concentration were observed. The results demonstrate that the BP neural network can improve the prediction accuracy of the nonlinear relationship between the interference spectral data and the concentration in NCF sensing systems.     

On the short-term regional prediction of foF2 based on the support vector machine

Ionospheric short-term forecasting is very important to radio communication, navigation and radar systems. In this paper, in order to improve the regional prediction accuracy of ionosphere, a model of regional prediction of the ionospheric F2 layer critical frequency in China area 1 hour in advance is set up based on the support vector machine (Support Vector Machine, referred to as SVM for short) method. In this model, the influence of solar activity, geomagnetic activity, the upper atmosphere, geographical location and other factors on the ionosphere is taken into consideration. Results of this model is compared to Back-Propagation referred to as BP for short the neural network of the same input parameters and the IRI model (International Reference Ionosphere, referred to as IRI for short). The results show that the average relative error of annual prediction of SVM in high solar activity years decreases by 2.5％ and 9.6％, respectively, compared with the neural network and the IRI models and in low solar activity decreases by 1.8％ and 7.5％, respectively. In the low latitude area, the prediction of SVM has more significant advantages over the BP neural network. In the high and low solar activity years it decreases by 3.2％ and 2.7％, respectively. During the storm time SVM also shows a relatively good prediction ability. This proves that the developed model based on SVM in the paper has more advantages over the BP neural network and IRI model.     

基于BP神经网络的教学质量评价

基于MATLAB设计神经网络评价流程,以3层BP神经网络进行教学质量评价,其中隐含层的传递函数为tansig,输出层的传递函数为purelin．为保证网络的泛化能力,在训练样本的选择上,选择比较有代表性的数据,打乱顺序,对数据进行归一化预处理;训练函数采用Levenberg—Marquardt算法,选择学习速率为0．01,网络训练误差为le^-5,训练次数1000次,步长选择为10．成功训练神经网络后,对给出的4组数据进行了预测,画出预测拟合及误差分析图形．结果表明：在设计BP神经网络模型的基础上,采用合理的样本数据,神经网络就会通过训练样本,学习到样本的有关环境本身的内在规律性,对输入给出正确的反应,以实现教师的教学质量评价．     

BP神经网络在混合原油凝点预测中的应用

通过研究BP神经网络算法和混合原油凝点测量数据,用BP神经网络建立一种混合原油的凝点预测模型。引入具有高度非线性预测能力的误差反向传播的人工神经网络方法,以单组分原油凝点及其配比作为神经网络的输入向量,以混合原油凝点为输出向量,研究混合原油凝点与单组分原油凝点及配比之间的相关性。预测结果表明,混合原油凝点预测值的最大绝对偏差为0.128℃,平均绝对偏差为0.022℃,BP神经网络的凝点预测结果准确性明显优于其它混合原油凝点预测模型。     

神经网络在图像压缩中的应用研究

探讨应用神经网络实现图像压缩和解压缩技术。神经网络结构由两组三层ＢＰ网络嵌套而成，分别为输入层、结合层、压缩层、分解层和输出层。由ＲＧＢ彩色模式的ＢＭＰ图像文件产生样本数据，采用ＢＰ算法的一种扩展型，即嵌套训练算法，对网络进行训练，得到有效的模拟结果。     

基于人工神经网络含稀土元素熔敷金属力学性能预测

为了提高焊条的力学性能并缩短焊条研发周期,在E4301型焊条药皮配方基础上加入了CeO_2和稀土元素La,并对焊条进行了力学性能试验.对试验数据进行分析后发现,加入适量的稀土元素可以改善焊条的力学性能.利用典型BP和RBF神经网络分别建立力学性能预测模型.将焊条中的CeO_2、La、Si、Mn含量与焊接速度作为预测模型的输入变量,将熔敷金属的抗拉强度、下屈服强度、断后伸长率与热影响区平均硬度作为输出变量.结果表明,将BP和RBF神经网络用于对含稀土焊条力学性能的预测是可行的,且RBF神经网络模型的预测精度和效率要高于BP神经网络模型.     

三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。