BP和RBF网络的结构动力响应预测对比

主动控制中存在时滞效应,在线实时预测结构响应,可以解决这个问题。不同的神经网络对结构响应的预测效果是不同的,针对BP网络和RBF网络的不同特点,对它们的预测效果做了对比研究。仿真结果表明,RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证。     

基于BP和RBF神经网络的煤与瓦斯突出模型研究

煤与瓦斯突出是一种复杂的非线性地质危害,建立适当的多指标非线性模型是预测的重点.通过采用两个均具有非线性、自主学习、自组织以及并行处理能力的BP及RBF人工神经网络,分别对煤与瓦斯的突出预测问题进行了建模比较.通过对山西某煤矿的实测数据在MATLAB环境下进行了仿真研究及测试,研究了两者在预测准确度和收敛速度方面的区别.仿真结果表明:RBF神经网络预测结果更快速且准确可靠,在煤与瓦斯突出预测方面具有实际应用价值.     

BP和RBF神经网络在字母识别中的比较

将BP和RBF2种神经网络应用于英文字母识别,为2种网络建立识别模型．利用标准字符库进行测试,并在测试中加入干扰,进行仿真实验,观察这2种网络的泛化能力以及识别准确性,比较这2种网络及其改进方案,提出这2种改进方案中分别需要注意的地方．指出当用于字母识别时,RBF网络的性能优于BP网络及其改进型算法．     

基于BP神经网络模型的温度预测方法

车间里特定高温环境下对多点的温度监测数据是风机是否工作的重要参数。为了能更好地保护风机,提出一种基于BP神经网络来分析预测温度变化趋势的方法,达到了减少风机工作时间,延长风机寿命的效果。     

云模型RBF神经网络的数据中心温度预测

数据中心温度预测在提高能量利用效率、降低机房空调耗电量方面具有重要意义。RBF神经网络广泛用于温度预测领域,考虑到传统RBF神经网络无法对影响温度的众多因子进行确定和选择,本文提出了一种将云模型和RBF神经网络结合的新模型。通过高维云变换确定RBF隐含层神经元,使RBF神经网络充分表达影响温度各因子的不确定性,进一步优化RBF神经网络结构。实验结果表明,该模型能较好地实现对数据中心温度的预测。     

RBF神经网络用于系统的预测最优控制

为了实现系统的预测最优化控制,问题的关键是如何准确而迅速地对未来一段时间内的系统状态进行预测,然后利用此预测结果及优化指标来控制有关系统变量,人们对此进行了许多研究,但尚有其不足之处。为此,提出压缩预测变量集规模等办法来增加ＲＢＦ神经网络有效预测时间长度,在此基础上利用稳态最优解和优化指标来控制有关量。此方法被用于某化工过程,结果能使系统运行更为平稳,并使有关量达到了预测的优化指标。     

基于BP神经网络的交通流量预测设计

在研究交通流量特性的基础上,以交通流量控制为最终目标,建立了基于BP（Back Propagation）神经网络的交通流量预测模型。以某市某三叉口路段为例进行仿真模拟,结果表明预测系统能较准确地预测出交通流量状况。     

基于BP神经网络的宏观经济季度预测

运用BP神经网络预测技术对季节性宏观经济数据进行了预测,筛选出效果优良的模型,提出了对于季节性时间序列一般的神经网络建模步骤。     

基于BP神经网络的宏观经济季度预测

运用BP神经网络预测技术对季节性宏观经济数据进行了预测,筛选出效果优良的模型,提出了对于季节性时间序列一般的神经网络建模步骤.     

基于遗传算法的BP神经网络服装销售预测方法

针对服装企业产品销售的复杂性以及特殊性,提出一种有效的神经网络学习模型. 在对服装销售影响因子分析的基础上建立销售预测网络模型,利用遗传算法对后向传播神经网络的各连接权值进行优化计算. 方法综合了后向传播神经网格和遗传算法两者的优势,既具有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.     

基于BP神经网络的充填料浆流变参数预测分析

为了合理分析充填料浆在长距离管道中的输送阻力,基于流变参数对输配管网设计的重要性,在全面评估不同因素对流变性能影响的程度后,采用BP神经网络原理,建立起干料中水泥含量X1、料浆浓度X2、料浆坍落度X3、料浆容重X4对流变参数(屈服应力Y1、粘性系数Y2)影响的函数模型.此BP网络为4-Hn-2结构,隐层和输出层分别用tansig、purelin函数传递,利用Levenberg-Marquardt优化算法trainlm训练网格.计算结果表明:该模型在预测充填料浆屈服应力Y1和粘性系数Y2中适应性较强,误差也在可控范围之内,可为充填管网布设及输配系统沿程阻力分析提供可靠依据.     

BP神经网络算法在图像预测物体重量中的应用

本采用误差反向传播算法(BP)通过图像预测物体重量,先对图像进行特征提取,再用BP算法进行训练,建立了图像识别重量模型。利用水杯图像相关资料建立了数据库,由水杯图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知水杯重量。由实例表明,该方法在测物体重量中是可行的,误差较小,为物体重量预测提供了一种新思路和新方法。     

基于神经网络的轧制力预报模型

采用了BP神经网络对热轧无缝钢管穿孔过程中轧制力进行预测,在BP算法学习过程中引入了附加动量法和自适应学习速率,结合Levenberg-Marquardt优化方法,加快了学习时的收敛速度,试验证明,取得了良好的学习和测试效果。研究结果可为斜轧穿孔工具设计和工艺调整提供一定的理论依据,对解决生产中出现的实际问题、开发新产品和新工艺提供有效的指导。     

基于BP神经网络的动态交通流量预测

本文通过对BP神经网络和影响交通流量因素的分析,采用Windrow-Hoff学习算法、Kolmogorov定理和trainlm训练方法,实现对长春市开运街和湖西路路段动态交通流量的预测.     

基于RBF与BP神经网络的建筑电气系统故障诊断比较研究

建筑电气系统的故障自诊断一直是国内外故障诊断领域的空白,其主要原因是建筑电气系统庞大、复杂,子系统多,难于建立数学模型.利用神经网络不依赖模型和收敛速度快的优势和特性,可以很好地解决该问题.由于神经网络在建筑电气故障领域的基础研究和应用非常少,通过对经典的RBF和PB神经网络故障诊断方法进行对比研究,为后续研究打下基础.通过利用建筑电气系统试验平台的数据进行实验,结果表明在两种神经网络未经优化的情况下,RBF网络在建筑电气故障诊断的应用上要优于BP网络.基于RBF网络的建筑电气故障诊断方法在工程上将有广阔的应用前景.     

基于模糊BP网络模型的农业水分盈亏预测

以各生长期有效降水和敏感性系数为依据选取聚类指标,利用模糊迭代聚类方法对多年降水资料进行聚类分析,在此基础上建立了遗传程序BP网络模型,最后对未来农业水分盈亏变化趋势进行预测.实例计算结果表明:该方法性能良好,可望成为农业水分盈亏变化趋势预测的有效辅助手段.     

基于RBF神经网络的机械加工误差质量模型

针对机械加工过程中产生误差的复杂性,用传统的数学建模方法难以实现加工误差和工艺参数、系统刚度和加工过程变量之间的关系模型.采用RBF神经网络建立加工误差的质量模型,并通过实验仿真,取得了较好的仿真效果.证明了RBF网络模型具有很强的逼近能力,可用于各种质量建模,达到减少加工误差、指导生产的目的.