神经网络传播模型的设计与应用

传播模型是网络规划的基础之一,其对路径损耗的准确预测能力从一定程度上决定了网络规划的质量。在工程中得到广泛应用的经典传播模型在预测本地无线环境引起的路径损耗方面存在不够准确的缺点。提出了一种以人工神经网络为核心的自适应传播模型,通过利用现网路测数据对神经网络进行训练,充分利用神经网络所具备的高度非线性映射能力和自适应性,使其具备根据本地无线环境特征准确预测传播损耗的能力。实验表明,基于神经网络的传播模型对本地无线环境引起的路径损耗预测的准确性比经典模型更好,并且其适用性也较强。     

基于GA-BP神经网络的茶叶蔗糖量检测模型研究

采用近红外光谱技术结合反向传播人工神经网络算法建立了茶叶中蔗糖含量的检测模型,并通过引入遗传算法改进了模型预测质量.预测模型采用120个茶叶掺蔗糖样品的傅里叶变换漫反射光谱数据建立.对另外42个样品的预测结果表明,基于传统的反向传播人工神经网络算法模型的相关系数为0.738 0,预测均方根误差为3.075 4,正确识别率为83.3％;增加遗传算法后相关系数提高到0.941 9,预测均方根误差为1.3176,正确率为88.1％,训练误差减小一个量级以上.实验结果表明,反向传播人工神经网络模型可用来检测茶叶中的蔗糖含量,同时,引入遗传算法优化了神经网络的初始权值和阈值,使预测误差更小.     

Okumura-Hata传播预测模型的可视化仿真研究

对大尺度传播预测模型的可视化计算问题进行了研究。应用先进仿真技术,通过对图形建模型波涛及的多种资源如算法、参数有结果数据等进行可视化处理,构造出Okumura-Hata传播预测模型的可视化计算环境。与基于传高级程序设计语言（如C、Fortran)的数值预测方法相比,该方法不仅实现了Okumura-Hata模型的图形建模和可视化预测,而且无需算法编程及调试,为蜂窝和陆地移动无线通信径损耗预测提供一个全面的图形化解决方案。     

短期负荷综合预测模型新算法

本文结合马尔科夫校正算法对灰色理论模型加以改进,提出了一种改进灰色-马尔科夫的预测模型。将该模型运用到短期负荷预测中,并与指数平滑模型、人工神经网络模型的预测结果进行比较,结果表明运用改进后的灰色—马尔科夫预测模型可以大大提高预测精度。笔者在这三种预测方法的基础上,应用时变权系数法建立综合预测模型,对待预测日进行短期负荷预测。     

基于BP神经网络的光纤激光切割切口粗糙度预测

为了研究工艺参量对光纤激光切割切口质量的影响,进行了切割T4003不锈钢试验,分析了工艺参量与切口质量之间的关系。采用基于误差反向传播算法的人工神经网络,建立了激光功率、切割速率、辅助气体压力等工艺参量与切口粗糙度之间的预测模型。对切割试验采集的训练样本进行了网络训练,并利用测试样本对训练模型进行验证。结果表明,随着激光功率增加,切口粗糙度增大;随着切割速率和辅助气体压力增加,切口粗糙度减小。神经网络预测模型精度较高,网络训练效果良好,预测值与试验样本值间的最大相对误差为2.4%。训练后检验精度较高,检验样本最大相对误差仅为6.23%。该模型可有效预测激光切割切口表面粗糙度,同时为合理选择及优化工艺参量,提高激光切割质量提供试验依据。     

用于微蜂窝电波传播预测的二维射线跟踪模型

提出了一种有效的微蜂窝电波传播预测模型，该模型基于射线跟踪法和UTD理论，并使用辐射源树的方法。该模型能用于由任意形状的建筑物和街道所组成的复杂传播环境中，只要这些建筑物和街道能用向量描述。由于该模型是从镜像法得到的，因此它和镜像法一样具有较高的计算效率；另外它能够找到从发射机到接收机之间的所有传播路径，因此有较高的精度。把该模型预测结果与测量结果以及另外一个模型预测结果进行了比较，结果表明该模型是一个较好的模型。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

基于BP神经网络的电视节目收视率预测模型

电视节目收视率预测是一种典型非线性预测,收视率在短时间内相对稳定。人工神经网络具有良好的容错性、自适应学习能力以及非线性映射能力,采用人工神经网络做收视率预测精度较高。基于BP神经网络建立了预测模型,并采用软件仿真的方式对预测过程以及预测结果进行分析,实验结果表明采用BP神经网络预测电视节目收视率是可行的。     

海面电波传播损耗模型研究与仿真

研究了海面电波传播损耗预测模型,指出对该类传播损耗预测的仿真模型宜采用Longley-Rice模型,并对模型作了适应性修正和补充以适应海上编队通信链路的仿真.还推导了Okumura-Hata模型和Longley-Rice模型电波传输损耗预测的具体算法,数值仿真结果显示本文提出的方法预测结果与实测数据相符,最后给出对1 km以内和飞机飞行高度在10 km以上时的修正和补充方法.     

基于神经网络的毫米波跨场景路径损耗预测研究

毫米波通信因其可以提供更高的传输速率和系统容量受到了广泛关注。无人机空地通信技术是未来通信网络的重要组成部分,路径损耗预测对于无人机的节点布局、轨迹优化和功率分配具有重要意义。针对无人机通信多场景PL预测问题,结合参数化的几何场景和多输入反向传播神经网络,提出了一种具有跨场景能力的PL迁移预测模型。该模型利用有限场景下信道数据进行网络训练,可以预测未知新场景下的PL。最后,利用射线跟踪仿真数据进行模型有效性验证,仿真结果表明,所提模型的神经网络训练收敛效果较好,在新场景下预测PL结果与RT仿真结果基本吻合,验证了该模型的跨场景迁移预测能力。     

基于人工神经网络的交通流量预测模型的研究

介绍了人工神经网络的BP算法，建立了基于Matlab神经网络工具箱的交通流量预测模型，并以实际道路交叉口为例进行2小时40分，分时段的数据采集，利用模型进行短时流量预测。     

人工神经网络在决策支持系统中的应用

在传统的决策支持系统中，加入基于神经网络的预测模块，完成了复杂的非线性预测，使决策支持系统更加的智能化、自动化。该模块采用反向传输BP神经网络模型来实现，通过网络的自适应训练和学习，找出输入和输出之间关系以求解问题。利用该系统对社会消费品零售额进行预测，结果表明该系统具有较强的实用性和通用性。     

基于神经网络的网络流量预测算法研究

网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经...     

Macrocell path loss prediction using artificial intelligence techniques

The prediction of propagation loss is a practical non-linear function approximation problem which linear regression or auto-regression models are limited in their ability to handle. However, some computational Intelligence techniques such as artificial neural networks (ANNs) and adaptive neuro-fuzzy inference systems (ANFISs) have been shown to have great ability to handle non-linear function approximation and prediction problems. In this study, the multiple layer perceptron neural network (MLP-NN), radial basis function neural network (RBF-NN) and an ANFIS network were trained using actual signal strength measurement taken at certain suburban areas of Bauchi metropolis, Nigeria. The trained networks were then used to predict propagation losses at the stated areas under differing conditions. The predictions were compared with the prediction accuracy of the popular Hata model. It was observed that ANFIS model gave a better fit in all cases having higher R² values in each case and on average is more robust than MLP and RBF models as it generalises better to a different data.     

神经网络的振动重力场训练法

误差反向传播神经网络（BP神经网络）的误差曲面是一个多极值的不规则曲面,标准BP算法是一种单调的梯度下降算法,在训练过程中会收敛到其中的某一个极值而失去寻找到具有更佳泛化能力的解的可能。本文提出一种振动重力场训练算法,通过对神经网络的权值进行正态分布的随机调整,让其以一定概率跳出当前局部最优解的收敛域,同时一直以梯度下降算法引导解向泛化误差更小的方向下降,这样可以以更高的概率得到泛化误差更小的解。面向一种衬底集成波导功分器的优化实验表明相比较于标准BP算法这种训练方法可寻找到泛化性能更好的神经网络。     

NEURAL MEMORY MODEL AND ITS PIECEWISE-LINEAR NETWORK REALIZATION

This paper studies the neural networks by means of neural functions.The memoryfunction of neural networks is investigated and its mathematical model is given.The model issynthesized by a piecewise-linear resistive network which exhibits many properties of artificialneural network such as parallelism,real-time processing capability,distribution,adaptation.Inaddition,all parameters of the network are expressed analytically by the patterns and featureswhich are memorized in the network.     

基于灰色理论和神经网络建立预测模型的研究与应用

根据综合利用灰色理论与神经网络建立预测模型的思路,给出了利用神经网络对模型残差进行修正的灰色GM(1,1)模型综合预测方法。选用我国自1994年至2005年狂犬病发病率统计数据,用灰色GM(1,1)模型对历年的疾病发病人数进行建模,并利用LM算法优化的快速BP神经网络对其残差进行修正,使得建模和预测具有更高的准确性和适应性。实验结果及仿真验证表明,加入修正过程的综合模型,其预测效果远优于单一的灰色模型。     

基于S函数的BP神经网络PID控制器及Simulink仿真

BP网络在人工神经网络中应用最为广泛,文中给出基于MATLAB语言的BP神经网络PID控制器的S函数实现,在此基础上建立BP神经网络PID控制器的Simulink仿真模型,最后给出了该仿真模型应用在非线性对象中的仿真结果.     

基于模糊神经网络智能预测模型的设计与实现

针对智能决策支持系统中经常遇到的预测类问题,根据人工神经网络和模糊逻辑系统的各自特点,设计一种模糊神经网络模型,将模糊系统用类似于神经网络的结构表示,再用相应的学习算法训练模糊系统实现模糊推理.并对此模型进行预测验证和编程实现.