遗传混沌算子网络的风速序列预测研究

为提高风速序列的预测性能,提出一种改进的遗传混沌算子网络预测方法.混沌算子网络由输入层、中间层和输出层3层组成,网络的输入层与中间层的连接权值采用线性衰减的方式设计,中间层混沌算子单元的激励函数为混沌映射函数,采用遗传算法优化网络的权值和混沌算子控制参数.利用差分方法对被预测序列进行平稳化预处理,结合相空间重构理论利用平稳化后的数据构造网络的训练样本.仿真实验结果表明:该方法能够实现风速序列的多步预测分析,其预测性能优于传统预测方法,尤其随着预测步长的增加,该方法具有相对稳定的预测性能.     

基于混沌神经网络的仿生鼻的研究及其应用

根据生物嗅觉信息获取的原理,构造了装有传感器阵列的仿生鼻鼻流道和控制装置,实现在嗅觉区域主动控制气体流量和气味分子浓度,提高了嗅觉灵敏度.针对人工嗅觉系统目前广泛采用的模式识别算法———人工神经网络BP算法存在的网络学习算法收敛缓慢的难题,使用更接近生物嗅觉的混沌优化神经网络算法,采用混沌算法对BP神经网络误差修正进行改进.对标准BP算法和混沌优化算法进行仿真比较,验证了混沌优化神经网络算法的优越性.最后用研究的仿生鼻对白酒进行了实验研究,最高识别率达100%.     

基于小波分析与神经网络集成方法的轴承故障诊断研究

鉴于小波分析与BP神经网络在故障诊断中各自存在的局限性,提出基于小波-BP神经网络的轴承故障模式识别技术.采用具有良好时频局部特性的小波基函数替代传统BP网络的激励函数,从而构造小波-BP神经网络,并且对其进行训练,获得模式识别网络,再用新数据进行网络检验,仿真结果表明该方法实用有效.     

BP人工神经网络模型的进一步改进及其应用

针对BP网络存在的缺点 ,有多种改进方法 .本文在文献 [3]的基础上 ,从算法和网络结构设计方面又进行了综合改进 ,不仅加快了网络的收敛速度 ,而且优化了网络的拓扑结构 ,从而增强了BP神经网络的适应能力 .将新改进的BP网络用于成都市消费预测 ,取得令人满意的效果 .     

基于混沌小波网络的交通流预测算法研究

实时准确的交通流量预测是实现智能交通诱导及控制的前提与关键,也是智能化交通管理的客观需要.结合交通流预测的特点,提出了一种基于小波网络的路段交通流预测方法,把混沌优化算法引入小波网络的拓扑构造,结合提出的相似时段的预测思想,给出了一种基于混沌优化算法的小波网络交通流量预测模型.实验结果表明,引入相似时段的预测思想可以有效提高交通流的预测精度,基于混沌优化算法的小波网络在交通流预测的精度和收敛速度方面明显优于常规BP网络     

基于混沌分析的BP神经网络模型及其在负荷预测中的应用

结合混沌分析理论和BP神经网络，提出在混沌相空间建立BP神经网络模型。运用混沌方法构成训练样本及确定神经网络的网络结构，用神经网络拟合相空间相点演化的非线性关系。并利用该模型对具混沌特性的电力系统日负荷时间序列进行短期预测，对比了标准BP网络模型和混沌线性回归模型的预测结果，结果表明基于混沌分析的BP神经网络模型的预测精度较高。     

改进的Elman神经网络在短期电力负荷预测中的应用

为了提高Elman神经网络进行短期负荷预测时的精度,解决预测过程中易陷入局部最优解等问题,采用非线性阻尼最小二乘法对学习算法进行优化,并对激励函数进行改进,建立双隐含层Elman神经网络模型。Matlab仿真结果表明,改进后的模型对短期电力负荷进行预测的精度高于传统BP神经网络模型,达到了短期负荷预测所要求的误差范围,说明该方法和模型是可行有效的。     

BP网络模型的改进方法综述

介绍了BP网络模型、BP算法、BP算法存在的问题及其原因、针对BP算法三个主要问题（隐层数及隐层节点个数的难以确定、收敛速度较慢,易陷入局部极小点）的改进方法进行了探讨,提出了动量法、遗传算法、混沌法等方法。     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

人工神经网络应用于时间序列预测的探讨

介绍了时间序列方法和适用场合,突出了基于神经网络的时间序列信息预测方法的重要性,进一步研究了BP神经网络技术,包括BP网络模型结构、BP网络学习过程、BP算法,并概括了BP算法存在的不足和改进方向。     

基于神经网络的打浆度软测量技术研究

针对制浆造纸自动控制中打浆度的测量问题，提出采用基于神经网络的软测量技术进行打浆度测量，用BP算法建立了打浆度软测量的神经网络模型，给出了神经网络建模的具体实现方法．仿真结果表明，基于神经网络的软测量方法用于纸浆浓度的测量是可行和有效的．     

具有混沌机制的模糊神经网络非线性系统建模研究

针对常规的BP算法收敛速度慢及容易陷入局部极小的缺点,在该算法中引入具有混沌机制的非线性自反馈项,给出了混沌BP算法,并利用其训练和学习模糊神经网络中的权值,从而构成一种引入型模糊混沌神经网络;最后,用提出的引入型模糊混沌神经网络对非线性系统进行仿真研究,仿真结果表明,所设计的引入型模糊混沌神经具有与混沌动力学特性同样复杂的动态特性,其对非线性系统具有很好的建模能力.     

神经网络权值的混沌优化方法研究

研究了混沌优化方法中混沌变量的初值设定和载波过程中放大倍数等参数调整的实用方法。在此基础上,为了克服ＢＰ网络收敛速度慢和易陷入局部极小点的不足,提出了基于混沌优化的ＢＰ网络学习算法,该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明,把混沌优化方法用于神经网络权值优化,方法简单可行,搜索速度快,是一种有效的新途径。     

双通带数字滤波器优化设计研究

提出了一种基于BP算法的正弦基函数神经网络模型及算法的收敛条件,研究了该神经网络算法与FIR线性相位滤波器幅频特性的关系,给出了高阶双通带滤波器的优化设计实例.计算机仿真结果表明,该神经网络算法不仅是有效的,而且是高效的.与传统的窗口函数法和雷米兹优化设计方法相比,其优化设计方法不需要计算矩阵的逆,因而克服了雷米兹优化设计方法求高阶矩阵逆的困难.     

混沌光学系统之前向神经网络系统辨识研究

本文以布拉格声光双稳混沌系统之系统辨识为例，研究了利用前向神经网络对混泡光学系统进行系统辨识的可能性，其计算机仿真实验结果表明，由BP算法支持的三层前向神经网络，在一定的精度范围内，确是一良好的混沌光学系统辨识器，因而可用来处理混沌光学时间序列以进行混沌光学系统的动力学重构。     

混沌光学系统之前向神经网络混沌催化混沌系统辨识研究

本文以布拉格声光双稳混池系统之系统辨识为例，研究了利用前向神经网络对混沌光学系统进行快速系统辨识的可能性，其计算机仿真实验结果表明，由静态BP算法训练的三层前向种经网络，在混优催化算法的支持下可克服BP算法训练时间沉长的缺点，在较少的训练次数内即已成为一良好的混沌光学系统辨识器，因而可用来高效率地处理混沌光学时间序列以进行混沌光学系统的动力学重构。     

混沌控制的研究进展和展望

混沌控制是非线性科学应用的新研究领域。本文介绍了十年来取得的重要进展以及研究思想,对混沌控制的不同策略进行了综述,重点阐述了OGY方法以及自适应控制方法的思想和当前的发展,对模糊逻辑以及神经元网络应用于混沌控制和建模也作了介绍。最后,简要地指出了混沌控制的研究方向。