基于 RDRNN 的变阻尼半主动结构控制遗传算法

提出了基于ＲＤＲＮＮ的变阻尼半主动结构控制遗传算法应用多输入多输出动态递归神经网络模型ＲＤＲＮＮ预测结构的响应并利用遗传控制算法进行变阻尼控制力寻优，实现了结构振动的变阻尼半主动最优控制。ＲＤＲＮＮ模型针对结构控制中结构状态变量、控制变量和外界荷载对结构的响应有不同的影响，采用分支输入递归处理，不但结构响应预测，精度好，而且神经网络的训练效率也高；基于ＲＤＲＮＮ给出的预测结果，遗传控制算法直接在控     

基于BP 神经网络的棉织物透气性能预测

为了研究棉织物结构参数与透气率之间的关系,选取20种纯棉平纹织物作为样本,测试织物结构及透气率,采用三层BP神经网络方法,建立织物结构参数与织物透气率之间的关系模型,重新采集5种织物对建立的网络模型进行验证。结果表明:BP神经网络可用于棉织物的透气率预测,以织物经密、织物纬密、经纱表观直径、纬纱表观直径、平方米重量、厚度、总紧度为输入变量,隐层神经元数为4,得到织物透气率模型的预测值与实测值的相关系数为0.877 6,预测误差范围为10.33%-24.76%,平均误差为17.60%,表明BP神经网络模型在一定程度上能够预测棉织物的透气率。     

模糊神经网络在机载相机稳像中的应用

针对解决微型飞行器空中拍摄的图像抖动问题,采用自组织递归区间二型模糊神经网络的函数逼近及泛化能力对微型飞行器上的相机振动规律进行模拟,预测机载相机的振动矢量.该自组织递归区间二型模糊神经网络的初始规则数为零,所有规则都是通过结构和参数同时在线学习来产生,网络结构学习采用的是在线区间二型模糊群集,提高自组织递归区间二型模糊神经网络的稳定性及计算精度.仿真结果表明：将自组织递归区间二型模糊神经网络与双BP神经网络进行对比,利用自组织递归区间二型模糊神经网络对微型飞行器相机振动矢量进行预测的精度高.     

神经网络用于系统辨识的一种最小二乘法

讨论了用多层前向神经网络建立非线性系统模型的机理,然后通过对多层前向神经网络特点的分析,给出了一种基于线性最小二乘法的神经元网络训练方案。在该方案中,通过梯度法获取隐层神经元的输入,使用线性最小二乘法训练各神经元的权值和阈值。仿真结果表明该方案具有精度高、收敛速度快等特点。     

二维神经元模型研究

神经元是神经网络的中枢，经过对一维神经元结构的分析，针对经元对输入信号的不同整合过程，提出了采用二元函数作为传输函数来建立二维神经元模型的思想方法，介绍了输入二维神经元和多输入二维神经元的结构。论证了二维神经元感知机的结构设计、学习规则和敛散性，并给出了学习算法。对于算法上的约束条件给出了说明，利用此算法设计单层二维神经元网络，解决了线性不可分的异或问题。对于传输函数的设计及其对算法稳定性的影响需要从理论上进一步论证。     

基于减法聚类的自适应模糊神经网络的短期负荷预测

论述了基于减法聚类的自适应模糊神经网络（ANFIS：adaptive neuro—fuzzy inference system）的短期负荷预测方法．利用减法聚类的方法确定了自适应模糊神经网络的结构,再结合最小二乘估计法和反向传播算法对参数进行训练．向训练好的自适应模糊神经网络输人相关的影响因素数据进行预测．预测结果显示,自适应模糊神经网络能比人工神经网络获得更高的预测精度和耗费更少的训练时间,所以有更好的使用价值．     

基于组合输入ES-GA-BP的中欧班列货运量预测

中欧班列是推动“一带一路”倡议的重要支撑，科学合理地预测班列需求，对中欧班列运输方案的制定具有重要意义．以中欧班列铁路货运量预测为对象，统筹考虑中欧班列货运量的波动性和影响因素，提出一种基于组合输入指数平滑-遗传算法-反向传播（ES-GA-BP）神经网络的货运量预测方法．分析中欧班列货运现状，选取相关性高的影响因素作为神经网络输入；采用指数平滑法对波动较大的中欧班列货运量历史数据进行单项拟合预测，以优化神经网络输入；利用遗传算法优化反向传播神经网络参数，进一步提高预测精度；以“湘欧快线”国际运输通道货运集装箱数量预测为实例，验证方法的有效性．结果表明，组合输入ES-GA-BP方法适于解决波动较大的货运量预测问题，预测精度较好，有助于制定合理的中欧班列运输方案．     

应用神经网络评估叠合结构的耐久性

由于叠合结构在预制和现浇两阶段受力截面高度不同，在荷载的作用下叠合结构产生的裂缝宽度，挠度，曲率总是大于钢筋混凝土和预应务混凝土在相同条件生的相应数值。而且在实际操作中，只明按照结构规范简单地将荷载征的两阶段结果叠加，导致误差很大，很难准确地进行叠合结构的耐久性评估。为此，作者提出了应用神经网络技术对叠合结构进行耐久性评估新方法，该方法以叠合结构的裂缝宽度，挠度作为结构耐久性评估的网络输入，对网络采用动量法和自适应学习率调整的方法，从而较好地解决了数据空间分布不均对网络收敛速度及精度伯影响因素。计算结果与试验结果较好吻合，真实地反映了叠合结构二次受力的实际情况，能准确地预测出叠合结构的裂缝宽度，挠度，且避免了实际操作中人为因素，环境因素的影响，是一种有效的评估方法。     

基于代数多项式模型的用电量预测研究

针对电网布局与建设等要求,需要根据地区提供的历史数据对该地区未来的用电量进行比较合理的预测。为此,构建基于递推最小二乘法算法的多项式预测模型,并提出基于代数多项式神经网络预测方法。该方法以多项式拟合模型构建神经网络拓扑结构,以模型参数作为神经网络权值,以往年每个季度的用电量数据作为参考值,使用递推最小二乘法对神经网络权值进行训练以获得多项式模型参数。仿真结果表明,该方法不仅具有良好的拟合效果,而且也具有良好的预测功能,在电力系统用电量预测中具有较大的应用价值。     

BP神经网络预测方法的改进及其在隧道长期沉降预测中的应用

对已有的BP神经网络预测方法做了进一步的改进,通过对比选取了最优的网络训练模式和传递函数;利用反复训练和统计学原理推导了适用于确定单个隐含层神经元个数的解析式,并提出了与其相适应的归一化方法、最优归一区间和最优隐层神经元个数的取值范围;指出当输入神经元大于3个时,采用具有双隐含层结构的BP神经网络进行预测的效果远好于单个隐含层结构.对隧道结构整体沉降进行了预测,效果满意,为合理选择后续施工工艺提供了依据.     

信息优化的模糊神经网络在建模中的应用研究

提出采用信息聚类－扩散的模糊神经网络（ＩＣＥＦＮ）来对小样本建立模型的理论．利用信息扩散将分类小样本信息扩散至周围信息点，从而解决神经网络在小样本上无法建模的缺陷．同时，还采用了因素程度空间来扩展输入＼输出结点，减少隐结点数，使网络进一步符合实际系统．该方法用于降水量预测，取得了满意的仿真结果．     

神经网络-标称系统混合模型的离散变结构控制

提出将神经网络和标称系统混合建模方法引入到柔性结构主动控制当中，在混合模型的基础上，利用离散变结构控制（VSC）对柔性结构振动进行控制．离散变结构控制的滑模面是以标称系统为基础，由最优化二次型价值函数确定，并通过黎卡提方程求解．利用标称模型和神经网络混合建模方法来减小系统的不确定性，达到减弱变结构控制在实际控制系统中的抖动问题．神经网络采用多层前馈网络（MFNN），来对不确定部分进行建模．仿真结果表明系统振动受到了有效的控制，说明提出的神经网络变结构控制（NNVSC）方法非常有效。     

利用区域映射模型研究样本集的空间分布

针对样本集在神经网络中所起到的重要作用，用大量的仿真试验研究了区域映射模型输出与输入空间的拓扑相似性．结果表明，区域映射模型可实现从高维空间到二维空间具有拓扑相似性的映射，因此，可以作为研究样本集空间分布的新的可视化工具，同时为样本集的组织和筛选提供了新的手段．仿真试验也直观地揭示了隐层单元数和权值在神经网络中所起的作用，即隐层单元数用来调节投影的角度，权值则用来调整样本空间的输出图像在输出空间中的位置．     

用多模神经网络预测蛋白质二级结构

提出了一个由7个BP神经网络组合成的多模神经网络的预测模型,同时给多模神经网络引进了较多的生物进化信息(Evolutionary information),即一方面引入了“profile”编码,这种编码被认为携带了较多的生物信息;另一方面引入了氨基酸之间的“距离”概念．它体现了输入层临近氨基酸的相互联系和影响．对从36个蛋白质提取的4000个氨基酸的进行了预测研究．结果表明,与文献[1]的预测结果相比,本文的多模神经网络把蛋白质二级结构预测的平均精度从66．1502％提高到68．8903％．     

基于两种BP神经网络的精纺毛纱性能预测模型的比较

在较大输入层样本数、较多输入层节点数的条件下,尝试使用单隐层BP神经网络模型与双隐层BP神经网络模型分别对精纺毛纱的条干不匀率与断裂强力进行预测,分析比较单、双隐层模型的预测性能.结果表明:隐含层节点数为9的双隐层BP神经网络模型预测性能最佳,相关系数值为0.920 5;对精纺纱的断裂强力进行预测时,隐含层节点数为8的双隐层BP神经网络模型预测性能最好,相关系数值为0.917 1.因此,在输入层样本数较大、输入层节点数较多的条件下,双隐层BP神经网络模型更适合对精纺毛纱的性能进行预测.     

基于模糊神经网络系统的结构主动控制

目的 应用自适应模糊神经网络对多维地震动下结构的振动进行主动控制．方法 用这种自适应模糊神经网络作为主动控制器，以结构的位移和加速度作为输入，计算出主动控制力．结果 将计算的主动控制力输入到结构的动力方程中，结构的位移响应有了较大幅度地减少．同被动控制相比有较大提高．结论 自适应模糊神经网络是一种适用于对结构进行主动控制的智能算法。该控制系统无需引入结构的运动模型和精确参数；对复杂的结构易于建模；同被动控制相比其适应力强，消振迅速而且效果良好．     

改进粒子群算法优化RBF的交通流预测研究

为了实时准确地预测交通流量,本文采用一种改进的粒子群算法对径向基函数(radical basis function,RBF)神经网络进行优化,RBF神经网络隐层中心向量由最近邻聚类确定,使用适度值择优的原理对离子群算法进行改进,将改进的粒子群算法用于最近邻聚类半径的优化,合理确定了粒子群的隐层结构。同时,运用Matlab仿真软件建立新的RBF模型,并对交通流进行预测和分析。仿真结果表明,粒子群优化RBF的相对平均误差为3.94,改进粒子群优化RBF相对平均误差为2.67,通过误差对比,改进的RBF神经网络算法具有更好的预测效果,在预测速度和精度上均优于粒子群优化RBF神经网络交通流预测算法。该研究应用前景广阔。     

一种高效二进前馈神经网络学习算法

为解决二进前馈神经网络(BFNN)缺乏高效实用学习算法的问题,提出一种新的融合自适应调节结构和权值的BFNN学习算法.该算法借鉴并改进了极限学习机(ELM)方法,可以高效地训练单隐层的BFNN来解决分类问题.为了满足网络的训练精度,算法可以自动增加隐层神经元个数和调节网络隐层及输出层神经元权值;同时为了提高网络的泛化精度,算法通过建立二进神经元敏感性作为度量隐层神经元重要性的尺度,自动地裁剪重要性小的神经元,并对裁剪损失的信息进行补偿.实验结果验证了该算法在处理离散分类问题时的可行性和有效性.     

基于自适应神经网络模糊系统的交通事故损失预测

自适应神经网络模糊系统在建立对象输入和输出关系时，与传统的数学方法不同，它是基于数据的建模．本文利用这一系统特性，建立了道路交通事故损失与交通事故次数、死亡人数和受伤人数之间的关系，提出了自适应神经网络模糊系统预测道路交通事故损失的方法，为交通事故的预测开辟了新的途径．     

应用最小二乘支持向量机预测煤的发热量

为解决现有的煤发热量预测神经网络法的过学习与局部极小点问题,通过对煤热量数据的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于最小二乘支持向量机(LS-SVM)的煤发热量预测数学模型。在算例分析中与BP神经网络、RBF神经网络预测法进行对比,发现该方法比BP和RBF神经网络具有更高的预测精度,且具有收敛速度快、泛化能力强等优点,为燃煤发热量的预测提供了一种有效的方法。