基于BP网的ATM带宽动态分配设计

阐述了利用神经网络预测由连续自动回归（AR）马尔可夫模型所代表的可变位速率通信流量（VBR）；在这一理论的基础上，介绍一个BP神经网络模型，它是采用拆分组装方法来构造一个学习结果达到均方根误差全局最小点的BP神经网络，该方法能有效克服局部极小点，缩短学习时间和减小学习难度；该BP神经网络能精确地预测VBR通信流量，从而实现ATM带宽动态分配。     

基于神经网络和遗传算法的VBR通信流量预测

论文阐述了利用神经网络预测由连续自动回归(AR)马尔可夫模型所代表的可变位速率通信流量(VBR);在这一理论的基础上,介绍一个BP神经网络模型,它采用拆分,组装方法来构造一个学习结果达到均方根误差全局最小点的BP神经网络,该方法结合遗传算法能有效克服局部极小点,缩短学习时间和减小学习难度,并能够精确地预测VBR通信流量。     

一种基于模糊神经网络的VBR MPEG视频流量预测模型

针对VBR MPEG视频流的复杂特性，充分利用人工智能方法的优势，提出了一种基于模糊神经网络的视频流量预测模型，利用模糊逻辑模型达到减少预测误差的目的，采用神经网络满足网络通信的实时性要求．实验结果表明，该模型比传统AR模型显著提高了预测的准确度和可靠性．     

一种采用拆分组装构造神经网络的新途径

通过比较BP各种模式,提出了BP神经网络的拆分和组装方法,阐述了它的正确性,并采用该方法来构造成一个学习结果达到均方根误差全局最小点的BP神经网络。该方法在有效克服局部极小点这一问题上具有普遍意义。     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

用P-BP预测网络模型预测通信网络指标

结合某通信企业业务数据的特点,为其通信网络数据预测业务建立了一套通用的P BP预测网络模型。它以时间序列分析为建模依据和指导,并改变BP神经网络的学习方法,提出BP L网络用作模型中挖掘数据依赖性的工具,它的预测精度、运算速度、泛化能力明显高于BP网络。此外,P BP模型能依据历史数据自动计算最合适的预测阶数;根据业务数据特点设计的消除非平稳因素的方法,使其在平稳化的同时能很好地提高并行运算性能;用区间估计过滤异常数据,具有较强的抗干扰能力,能适应实际的工作环境。用业务数据测试该模型,得到了快速的、非常精确的预测效果和完备的预测值置信区间。     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

分段学习的双隐层BPNN对交通流量预测的研究

智能交通系统可有效解决城市道路的拥挤,交通流量的预测是智能交通系统的关键技术之一。在各种预测方法中,BP神经网络的应用最普遍,并取得了许多成果。为了进一步提高BP神经网络的预测精度,采用了基于分段学习的双隐层BP神经网络对济南市经十路的交通流量进行了预测,并与相同结构未使用分段学习方法的BP神经网络预测所得结果进行了比较。实验数据显示采用分段学习的方法比未采用该方法的所得结果平均相对误差减少了2.52%。因此分段学习的双隐层BP神经网络可应用于预测道路交通流量。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传（GA）算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法（GABP）,并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传(GA)算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法(GABP),并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

VBR MPEG视频源流量的智能集成预测模型

由于VBR视频流量的预测能力是直接关系缓冲区设计、动态带宽分配及拥塞控制等提高网络服务质量的关键因素,因此,以多媒体主要应用形式VBRMPEG视频源为研究对象,提出了一种基于模糊神经网络的视频流量智能预测模型。通过设计模糊预测器减少输出比特流的预测误差,采用神经网络减少多步预测的计算量。仿真试验表明,与标准AR模型预测结果相比,该模型显著提高了预测的准确度和可靠性,且易于推广使用。     

基于神经网络的聚氯乙烯汽提过程自适应解耦控制

聚氯乙烯汽提过程具有高度非线性和时变性等特点,是一类复杂的非线性工业过程.首先基于动态模糊神经网络建立了数据驱动的聚氯乙烯树脂（PVC）汽提过程的被控对象模型;然后采用一种神经网络分散式解耦控制器对汽提过程进行解耦,得到浆料流量-塔顶温度和蒸汽流量-塔底温度两个单变量系统;最后采用BP神经网络PID控制器对系统进行控制.仿真实验结果验证了所提出集成控制策略的有效性.     

林木固碳释氧量预测的BP神经网络模型研究

为了实现林木固碳释氧量的数字化估算,针对现有估算方法的不足,提出了基于BP神经网络的林木固碳释氧量的预测模型。基于对神经网络理论和固碳释氧量估算模型的研究,分析了林木在生长季节的CO2通量变化趋势,采用规范化方法对训练样本预处理,进行BP神经网络训练,并结合弛豫涡旋积累法和箱式法,建立了CO2通量神经网络模型。实验结果表明,所建模型具有较好的泛化性能,能够比较准确地估算出林木的固碳释氧量。     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

基于神经网络的僵尸网络检测

目前主流的僵尸网络检测方法主要利用网络流量分析技术,这往往需要数据包的内部信息,或者依赖于外部系统提供的信息或僵尸主机的恶意行为,并且大多数方法不能自动存储僵尸网络的流量特征,不具有联想记忆功能.为此提出了一种基于BP神经网络的僵尸网络检测方法,通过大量的僵尸网络和正常流量样本训练BP神经网络分类器,使其学会辨认僵尸网络的流量,自动记忆僵尸流量特征,从而有效检测出被感染的主机.该神经网络分类器以主机对为分析对象,提取2个主机间通信的流量特征,将主机对的特征向量作为输入,有效地区分出正常主机和僵尸主机.实验表明,该方法的检测率达到99%,误报率在1%以下,具有良好的性能.     

开关磁阻电机转子位置软测量建模与仿真

位置检测是开关磁阻电机调速系统中的重要环节。实时、准确的位置信息是开关磁阻电机正确运行的关键。由于其转子位置角是各相磁链与电流的高度非线性函数,传统线性及解析的方法难以精确求得。提出了基于BP神经网络的位置检测方法,采用BP神经网络建立软测量模型,通过离线和在线相结合的方法对网络进行训练,建立开关磁阻电机的电流、磁链与转子位置之间的非线性映射,从而实现SRM转子无位置传感器的检测。仿真及实验结果表明,方法能够实现电机转子位置的准确估计,进而实现开关磁阻电机的无位置传感器控制。