基于神经网络的舰船运动短期预测

船舶在海上航行过程中受海风及海浪等因素的影响,使其产生六自由度的随机复杂运动。这对武器控制、舰载机着舰等操作起着相当的影响。该文分析了舰船运动姿态的时间序列特性,按照动力学系统反演原理,建立基于时间序列的非线性预测映射,根据在理论上三层感知器神经网络能够无限逼近任意非线性函数的特点,建立了用于时序分析的三层感知器模型,给出了时序反向传播算法。并进行了算例计算,从结果分析看,神经网络预测精度要稍高于时间序列分析法,为舰船运动短期预测提供了一种新的方法。     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

基于神经网络方法的水声信号预测

由于海洋环境的复杂性和水声信道复杂的时变、空变特性，使得舰船辐射噪声是一种非平稳、非高斯过程。如能提前预测敌方舰船的辐射噪声，并有效地对敌进行水下对抗，先敌使用武器攻击，是克敌制胜的前提，也是我海军目前各型潜艇和水面舰艇急需解决的关键技术。文章根据水声信号的特点建立了预测模型和网络结构参数的设计。并分别采用BP神经网络和RBF神经网络对仿真信号和实际舰船水声信号进行预测。结果表明，利用神经网络预测水声信号达到了一定的效果，为今后进一步开展水声信号预测研究奠定了基础。     

基于BP人工神经网络的雾霾天气预测研究

在雾霾天气准确预测的研究中,为更好的反映长春市空气质量状况,对长春市的PM2.5含量实测数据与同期的气象资料进行了分析.为科学准确地预测雾霾天气,根据BP人工神经网络可以逼近任意非线性函数的特点,提出了采用BP人工神经网络的雾霾天气预测系统.以长春市的PM2.5实时监测数据为时间序列数据样本,应用C++语言进行编程实现.最后建立了基于时间序列的BP神经网络雾霾天气预测模型.仿真结果表明,该模型能够较准确的预测雾霾天气.提高了预测的有效性和实用性.     

Legender神经网络建模及股票预测

基于多项式逼近理论,将一组Legender正交多项式做为隐含层神经元的传递函数,再以其加权和函数做为神经网络输出,从而构成一种新型的三层多输入Legender神经网络模型;采用BP学习算法,通过对历史观测样本数据的训练,调整该神经网络的权值,建立非线性时间序列辨识模型,以此预测股票价格的变化.仿真实验表明,Legender神经网络具有优良的逼近任意非线性系统的特性,且学习收敛速度很快;深发展A股预测结果为：训练次数200,最大相对误差5.41%;深证成指预测结果为：训练次数120,最大相对误差4.17%.     

基于时间序列和神经网络相结合的股票预测研究

股票市场是反映了经济运行的睛雨表,是市场经济融资的重要手段,对股票市场进行合理预测对金融市场的建设具有重要意义。时间序列预测方法体现了股价运行的长期趋势,股价短期技术调整是非线性关系,可以用神经网络分析。两者相结合的预测方法既考虑了长期行为又考虑了短期的资金行为,预测结果也更为准确。     

量子神经网络在交通运输能力预测中的应用

针对BP神经网络在道路交通运输能力预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通能力预测模型.通过对以往数据的发展变化趋势进行分析建立现有数据与时间之间的对应关系,然后再利用这组数据,最后对预测的结果进行分析,预测结果表明:该预测模型能够较好地适应道路交通运输能力数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高。     

A Glossary of Basic Neural Network Terminology for Regression Problems

Complex jargon represents an impediment to newcomers to the field of neural networks. This document presents a glossary of some of the basic terminology that may be encountered in the literature, with an emphasis on the use of multilayer perceptrons and radial basis functions for regression problems.     

基于稀疏表达和RBF神经网络的交通流预测方法

准确的交通流预测被认为是智能交通系统（ITS）中一个重要的元素.针对以往仅靠人工经验在预测节点的邻近范围内进行时空关联选取,提出了一种基于稀疏表达的时空关联挖掘的方法,并应用于RBF（Radial Basis Function）神经网络进行交通流预测.它的优势在于可以基于全局的交通网数据自动地挖掘出与目标节点的传感器相关的时空关联传感器,此方法具有良好的自适应性,能应用到大的交通网中进行交通流预测.相比于从邻近范围选取时空关联传感器来进行预测的方法,拥有更好的预测性能.     

基于神经网络重力固体潮信号的建模与预测

重力固体潮信号主要是由于太阳、月亮等天体轨道相对位置变化而产生的,同时受地质、水文、大气等地理条件变化的影响,所以既是一个有规律、周期性变化的信号,也包含反映地质、水文、大气等地理条件变化的异常信息。通过对重力固体潮信号的建模,可反映、预测重力固体潮信号中周期性变化的基本规律,通过对比其理论计算值,可进一步提取重力固体潮信号中的异常变化信息。基于一种具有强鲁棒性、纯随机搜索的新群体智能优化算法,改进径向基神经网络学习算法,避免学习算法进入局部最优,提高网络训练的有效性和所建网络模型的可靠性。在实验中,利用重力固体潮信号训练改进的径向基神经网络,得到了重力固体潮信号的有效径向基神经网络模型。利用上述模型预测重力固体潮信号的估计值,并与传统径向基神经网络模型、AR模型预测结果进行对比,表明改进训练算法的径向基网络模型预测的结果更加精确,说明改进训练算法在重力固体潮信号的径向基网络建模中是有效的,可推广应用于其它时间信号序列的建模与预测中。     

级联网络的软件可靠性预测

研究软件可靠性准确预测问题,软件存在动态失效性,且引起软件运行失效的原因具有随机性,不同可靠性模型预测相同软件得到的结果不一致,通用性比较差,导致预测精度低。为了提高软件可靠性预测精度,提出一种级联网络的软件可靠性预测模型。采用4种经典软件可靠性模型的输出作为BP神经网络模型的输入,利用各种单一预测模型的优点,建立一种新的级联软件可靠性模型。仿真结果表明,级联网络模型具有更高的预测精度和通用性,验证了级联网络预测模型对软件可靠性预测的有效性和良好的应用前景。     

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。     

用近邻算法预测通信量时间序列

为了对通信系统进行有效的调控,需要对通信量进行预测,而通信量具有在不同日期遵循不同规律的特点。本文采用基于实例的近邻算法进行时间序列预测,并在考虑动态长度序列、序列特征提取和近似样例的选取上做出改进,取得很好的效果。将近邻预测算法应用到广东省电话网智能管理系统(GTNIMS)中,能够为路由求解提供快速、准确的预测话务量,为更精确的求解创造了条件。     

Application of a Steerable Wavelet Transform using Neural Network for Signature Verification

This paper describes a technique for the problem of off-line signature verification using a steerable wavelet transform. The signature has been treated as a two-dimensional image and uses the wavelet as a tool of data reduction and feature selection. Feed-forward neural network based architecture is used for both training and classification, because of the generalisation, fault tolerance, and such other capabilities of the neural network. Besides, the small length of the wavelet coefficients vector, which is used as a feature vector reduces the complexity of the neural network in terms of the number of neurons and time of training. Experimental results based on 300 signatures from 30 persons are presented, which show that wavelet has great potential for off-line signature verification. Receiveed: 17 June 1998?,Received in revised form: 28 October 1998?Accepted: 26 January 1999     

基于复合天气及时间因素的神经网络气温预测

本文提出一种基于复合天气及时间因素的组合神经网络预测方法以预测气温，即根据前一段多个天气因素的值预测下一时的气温，并将时间因素作为独立神经元参与神经网络预测。经采用2000年南京站的天气数据与标准BP网络对比实验，证明本文算法更快收敛到更小误差，预测效果，尤其是短期预测，较标准BP算法更好。     

一种动态性神经网络的集成方法

提出一种动态性神经网络集成方法,该方法针对若干不同的神经网络,采用加权最近邻技术收集它们的泛化误差信息构成性能矩阵,在此基础上动态选择泛化误差较小的神经网络,经过动态平均形成集成的最终输出结果。实验表明,与其它方法相比,该方法具有令人满意的性能。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

遗传神经网络预测模型的设计及应用

分析遗传算法（ＧＡ）及ＢＰ神经网络（ＮＮ）的理论基础,提出了ＧＡ与ＮＮ结合的主要方式和步骤。讨论了基于遗传神经网络的建模思路,主要针对矿石可选性预测、选矿生产指标预报问题,建立相应的遗传神经网络模型。论述了原始数据预处理的方法和ＧＡ－ＢＰ神经网络的设计。通过实例验证,模型的预测精度达到９０％以上。     

用神经网络实现NURBS曲面重构

曲面重构问题是几何逆向工程中的首要问题,为了获得物体的几何模型(某些物体可能发生部分损坏)需要从大量的测量点构造曲面。该文采用了一个神经网络模型和相应的快速学习算法应用于曲面重建。该模型可以有效地逼近曲面并剔除输入数据点中的“坏”点。     

Handwritten Chinese Trajectories Prediction with an Improved Flat Functional-link Neural Networks and Kalman Filter

This paper introduces the application of the Flat Functional-link Neural Network （FFNN） to predict handwritten Chinese moving trajectories. To solve the prediction problem of a non-stationary time series, conventional neural networks need a lot of time and samples to train, but FFNN can solve this problem very well. Considering the structure of Chinese characters, the paper makes some improvement for FFNN and chooses the appropriate training samples, and promising experimental results have been obtained. Furthermore a comparison is performed between the predictions of the Flat NN and a Kalman filter. Experiments suggest that the improved FFNN predictor works better for the prediction of trajectories of handwritten Chinese characters.