基于BP神经网络的武汉城市圈物流需求预测

利用Matlab 7.0的BP神经网络模拟武汉城市圈的物流需求量与各经济、非经济因素的关系,以此来预测武汉城市圈未来的物流需求量.以武汉市近几年的数据为例,论证了该方法的可行性.     

基于BP神经网络的住宅需求预测研究

影响住宅需求的因素众多、错综复杂,因此住宅需求预测问题是一个非常复杂的非线性问题。分析了住宅需求的影响因素,建立了住宅市场需求的BP神经网络预测模型。根据14组大连市有关统计数据,借助M atlab6.5软件进行预测,结果表明应用BP神经网络对住宅需求进行预测,具有可行性和高效性。     

一种基于神经网络识别误差动态特性的自适应模糊控制器

在神经网络与模糊控制相结合的基础上,设计了一种基于神经网络识别动态特性的自适应模糊控制器。该控制器基于误差知识的控制,从系统误差的动态过程观点描述了误差特性,采用了神经网络实现误差知识的自适应获取,仿真结果表明,其控制性能明显优于普通的模糊控制器。     

基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统，将传统ＰＩＤ工程整定法与神经网络相结合，采用直接自适应控制方法，使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制，更有效地改善控制品质。     

自适应神经网络智能控制研究

本文提出神经网络实现自适应智能控制，具有算法及结构简单的特点，在实际控制中有一定适用性。     

基于神经网络的自适应控制

在常规模型参考自适应控制器基础上采用神经网络作为辨识器和控制器，组成模型参考神经网络自适应控制系统。利用神经网络的优点弥补传统自适应方法的不足，使系统具有更强的鲁棒性。仿真结果表明，该系统比传统模型参考自适应系统具有更好的稳定性和更快的响应速度。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息; RBF 网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

灰色BP神经网络在河南煤炭需求预测中的应用

在灰色GM（1,1）模型的基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省煤炭消费总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。实例结果证明该组合模型具有较好的预测精度,预测结果是可信的。     

基于自适应遗传算法的神经网络字符识别

为了增强传统自适应遗传算法在进化初期的鲁棒性及避免早熟收敛,给出了一种改进算法,并利用这一算法来调整BP模型的网络权值与阈值,最后将新算法应用于字符的识别．仿真结果表明,新算法比BP算法具有更强的识别能力．     

基于递阶对角神经网络的大坝变形预报模型

针对大坝工作条件复杂,影响因素繁多,致使现有监控模型预报精度偏差过大问题,基于递阶对角神经网络能够逼近任意非线性函数的特点,使用串并联模型辨识器,采用动态BP学习算法,以水压、温度和时效因子为输入量,坝体位移为输出量,结合工程实例提出了大坝变形监测的递阶对角神经网络模型,并将该模型用于坝体变形数据的拟合分析及其预测预报.研究表明,该网络不仅收敛速度快,提高了算法的效率,而且对实测数据具有较好的拟合效果,提高了预报精度,在大坝安全预测分析中具有有效性和优越性.     

基于神经网络校正的电力负荷灰色预测

针对电力负荷预测残差序列具有复杂的非线性状态的特点,运用神经网络模型,对电力负荷的灰色预测残差进行校正;同时对神经网络隐含层的神经元个数进行调整,使得网络模型结构优化,模型参数确定更为合理,进一步提高了预测精度。     

基于递归小脑神经网络的模糊自适应控制

为解决一类不确定非线性系统控制问题,提出了小脑神经网络模糊自适应算法.将系统分为标称模型、参数不确定部分以及包含建模误差、干扰及未建模动态等在内的混合干扰项,用模糊自适应控制实时逼近系统各个不确定参数,用鲁棒控制消除混合干扰,并设计了递归小脑模型关节控制器作为观测器来对混合干扰的上界进行实时逼近.李亚普诺夫理论证明了控制算法可使系统一致有界稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性,研究结论对复杂非线性系统的有效控制提供了依据.     

基于VPBF网络的直接自适应逆控制方法

神经网络技术在非线性系统自适应控制器的设计中已得到广泛应用,但常见的神经网络存在着各种各样的缺点。为了改进自适应逆控制方法,同时克服一般神经网络的缺点,构造了一种结构简单的改进型VPBF网络,并将其引入自适应逆控制。利用该网络结构选择和参数选择上的优势,离线确定网络的初始规模和权值,在线学习非线性系统的逆,实现了一种非线性系统的直接自适应逆控制策略。仿真结果显示该控制系统能有效地克服扰动,有良好的鲁棒性能。     

基于改进广义回归神经网络的网络安全态势预测

针对网络安全态势精确预测,提出一种基于改进广义回归神经网络的预测方法,以改善网络安全态势预测精度.利用滑动时间窗口方法将各个离散时间监测点的网络安全态势值构造成部分线性相关的多元回归数据序列,以其做为样本集输入到改进广义回归神经网络加以训练,进而得到网络安全态势预测模型.在改进广义回归神经网络训练过程中,利用粒子群算法...     

居民出行产生量BP神经网络预测方法

居民出行产生量预测是交通需求分析的重要内容之一,预测结果是确定各类城市交通设施发展规模及布局规划的重要依据.通过分析人工神经网络的作用机理和居民出行产生量的影响因素,建立了居民出行产生量预测的四层BP神经网络模型,以土地利用作为输入神经元,以交通区居民出行产生量作为输出单元,以赣州市城市综合交通规划交通调查数据对模型进行了标定与检验,并与出行次数法和回归分析法进行了比较,结果表明BP神经网络模型具有较高的预测精度.