基于小波神经网络的城市地铁施工变形预测

结合小波分析和神经网络,建立了小波神经网络预测模型和改进的小波神经网络模型,并将其应用到某地铁施工变形预测中。3种预测模型(传统的神经网络、小波神经网络和改进的小波神经网络)的对比分析表明,改进的小波神经网络模型精度高,具有很好的应用前景。     

柔性电子神经网络计算机开发系统设计

介绍了一种柔性神经网络计算机及其开发系统的概念和思想。该系统对用户来讲既是神经网络模拟系统，又是神经网络计算机的开发系统。作为神经网络模型的模拟系统，它可模拟多种网络系统；作为开发系统，其下层可设计不同的神经网络硬件装置；随后提出了其软件系统的设计方案。     

基于BP神经网络的时延水温控制系统设计

神经网络具有自组织、自学习、自适应的特点,近年来随着计算机技术的发展,为其网络优异的函数逼近性能和分类性能应用于工程提供了硬件基础,神经网络由于其大多结构简单,算法易于理解和使用,有利于工程人员应用解决实际问题。本文介绍了BP神经网络在时延控制对象中的建模,建立了一个基于BP神经网络的预测模型,在Matlab中对几种使用神经网络模型的控制方案进行了研究和比较。     

神经网络集成在结构损伤识别中的应用

将神经网络集成引入到结构损伤识别领域中,并利用灰色聚类技术对获得的全部个体神经网络模型进行聚类,将得到的差异较大的部分神经网络进行集成,以提高神经网络间的差异性和增强网络的泛化能力。损伤识别实验结果表明,基于灰色聚类的神经网络集成方法不仅可行,而且其损伤识别效果优于传统的神经网络模型。     

基于改进的自组织映射神经网络的 调制方式识别分类器

为了提高调制方式识别分类器算法的正确识别概率和缩短识别时间,使其有自适应能力,利用自组织映射神经网络自组织、自适应的特点,提出采用自组织映射神经网络作为调制方式中的分类器,以自适应于信噪比的变化。对其学习规则和竞争传递函数进行改进,使每次获胜的输出神经元为2个。这样能减少输出神经元个数,加快神经网络的收敛速率,以较短的时间识别接收信号的调制方式。仿真结果表明改进的自组织映射神经网络的识别概率高于其它的神经网络。并且由于其结构简单,便于工程实现。     

神经网络在软测量技术中的应用

软测量技术是通过数学模型来估计工程上难以检测的变量值。由于神经网络方法能够描述高度非线性的输入输出关系,因此,基于神经网络的软测量技术已经成为很有吸引力的研究领域,它将辅助变量作为神经网络的输入,将主导变量作为其输出,通过训练网络来实现主导变量在线估计。对基于神经网络的软测量技术进行了综述并详细介绍了神经网络软仪表的结构和方法,给出了神经网络软仪表的系统开发框架,讨论了它在过程控制中的应用,对其发展作了简要的展望。     

基于全息人工神经网络的建模与预测方法

从时间序列建模与预报的角度讨论了动态神经网络,首次提出了一种新的实现非线性动态时间序列预报的动态网络结构－全息神经网络,给出了其数学模型和拓扑结构,并将其应用到机械设备振动烈度值的预测上,取得了令人满意的效果,结果表明,全息神经网络弥补了原有神经网络有一些缺陷,具有较高的理论和实用价值。     

基于PReLUs-Softplus非线性激励函数的卷积神经网络

针对卷积神经网络表达能力和识别效果受卷积层激励函数影响的问题,提出了一种新型非线性激励函数PRe LUs-Softplus,并将其应用于神经网络卷积层.对新型神经网络和采用传统激励函数的神经网络在MNIST和CIFAR-10标准数据库上进行了图像识别对比实验,结果表明,相比于采用传统激励函数的神经网络,使用PRe LUs-Softplus激励函数的卷积神经网络在不同的池化方式下图像识别计算收敛速度更快,显著降低了识别的错误率.     

基于T-S模糊神经网络的汽车故障诊断的研究

该文根据模糊神经网络的特性结合汽车故障诊断的技术,根据监控排放标准,采用个人手持式故障诊断仪获取数据流,T-S模糊逻辑与神经网络结合,训练模糊神经网络,进行故障诊断。使用误差反馈算法和模糊理论训练神经网络,根据训练完成的T-S模型对汽车防抱死系统故障进行诊断。体现了其诊断的准确性强和适用性广的特性。     

基于神经网络的油墨转移率预测

利用神经网络根据油墨转移率影响因素的数据来预测其具体数值. 通过对比径向基神经网络、Elman神经网络和BP神经网络最后选择径向基神经网络作为预测网络的模型. 根据各影响因素间的相互关联和各自对油墨转移率影响的大小关系确定影响油墨转移率的主要因素. 以主要影响因素为试验条件,运用正交试验法和均匀试验法合理设计分组试验,将试验结果作为神经网络的样本数据. 利用样本数据对网络进行训练,最终使网络能够预测出不同影响因素下油墨转移率的数值. 将径向基神经网络预测结果和Elman神经网络、BP神经网络的预测值对比分析,以此证明径向基神经网络的预测值具有较高的精确度.     

多媒体网络培训系统的设计与开发

介绍了多媒体网络培训系统的性能和开发背景,阐述了系统总体设计思路、开发平台、开发工具及教学、考试系统的具体实现,提供了一个全新的多媒体网络培训平台.     

基于神经网络的桥梁结构损伤识别分析

阐述了利用神经网络进行桥梁损伤识别的可行性、优越性;重点讨论了适合桥梁损伤识别的训练函数特性、数据处理和样本集的构成;利用Traindx和Trainlm神经网络训练函数编写了桥梁结构损伤识别神经网络程序,该程序具有较强的容错性,在结构检测数据带有较大误差时,也能识别出损伤位置;通过算例分析了网络中不同的训练函数、检测误差、隐层神经元个数对识别性能的影响,并得出利用Trainlm函数训练神经网络更理想,神经元越多识别效果越好的结论.     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理,针对3类交通标志,即禁止标志、警告标志和指示标志,提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成,前层网络由单个BP网络完成交通标志的粗分工作,后层由3个BP网络将粗分结果分别进行细分,完成识别任务。此设计结构与传统的单层分类器相比,在训练速度和识别正确率方面都有较大的提高;显然,这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时,增加新的训练样本时,只要对相应网络进行训练即可,而不必对整个网络进行重新训练。实验结果表明,基于神经网络的交通标志自动识别方法,具有很好的识别效果。     

改进的RBF网络训练方法在故障诊断中的应用

目前已有的几种RBF网络训练方法对于含有随机噪声的复杂样本训练速度过慢且分类性能不稳定,依据相对熵最小原理,提出了一种改进的RBF网络训练方法--输出-输入聚类法.利用此方法对旋转机械故障样本进行训练,并与其它方法进行了比较,结果表明,此训练方法用时短,网络结构简单,受噪声影响小.将所创建网络应用于故障诊断,实例表明,此方法训练的网络诊断结果准确,在故障诊断中具有良好的应用前景.     

新型动态模糊神经控制器及其混合学习算法研究

介绍了一种基于动态模糊神经控制器的控制系统,通过在模糊神经网络控制器的第2层引入动态递归环节,使其具有动态映射能力,并提出了动态模糊神经控制器的混合学习算法,即先采用免疫遗传算法的“粗”学习,再采用BP梯度算法的“细”学习,通过对锅炉主汽温控制的仿真表明了该网络结构和训练方法是可行的和有效的。     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

构建学习型职工教育培训网络平台的研究与实践

由于职工教育培训具有学习时间不固定,专业差异、文化水平差异比较大等特点,传统的教育培训教学方法已不能满足需求,构建一个学习型职工教育培训网络平台对企事业单位人力资源健康发展、充分挖掘和利用有限的教育培训资源和全面提高职工教育培训质量都有着不可忽视的积极作用。本文针对职工教育培训的特点,先对基础信息进行分类编码,然后引入“混合式学习”思想,构建学习型职工教育培训网络平台,探索如何提高教育培训的有效性。     

一种优选神经网络训练样本的混合聚类算法

神经网络训练集中含有大量相似样本不但增加了网络的训练时间还对网络泛化能力存在较大影响,合理的选择样本集训练神经网络模型影响着建模的效率。根据实际应用中神经网络学习样本具有的内在特征和规律性,提出了一种基于自组织映射（SOM）神经网络的K-均值聚类算法优选神经网络样本,算法的主要思想是通过对样本数据的聚类分析,剔除孤立样本后挑选出具有代表性的样本训练神经网络。实验结果表明,相对随机选择法而言,本算法能够有效地减少训练样本的数目,提高建模效率。     

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.