BP神经网络算法预测及其在飞参数据分析中的应用

针对飞机喘振参数受随机因素影响的特点,提出了用人工神经网络中BP网络对飞机发动机喘振预测.通过对喘振数据及机组实际振动数据的预测结果检验,证明该神经网络预测有利于飞机发动机喘振状态的预测精度.     

BP神经网络及其在数据分类中的应用

BP神经网络模型是一种典型的前向型神经网络,具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力,是目前应用最为广泛的一种神经网络模型。本文介绍了BP神经网络的实现以及其在数据挖掘分类方面的应用。     

无线传感器网络中缺失数据的估计

针对无线传感器网络中经常存在的感知数据缺失的问题,提出一个分布式算法SC,其中包括2种缺失数据估计的方法,即SRS和CNI。算法SC根据当前节点的子节点数对SRS和CNI进行动态选择。理论分析表明,SC不增加额外的通信能量消耗。模拟实验结果表明,SC对缺失数据的估计具有较好的准确性,对于不同的拓扑结构有较好的适应性。     

缺失数据下基于带约束粒子滤波的状态估计

实际工业过程具有强非线性非高斯噪声等特点,粒子滤波是一种常用的状态估计方法。带约束粒子滤波通过极大后验概率密度函数原则,将超出约束区域的状态估计值映射到约束区域,保证了状态估计的有效性。本文针对检测值部分缺失和全部缺失两种情况,提出一种缺失数据下的带约束粒子滤波算法。该算法基于贝叶斯原理,分别从先验粒子权值的计算以及状态估计值的映射两方面考虑了缺失数据的影响。仿真例子验证了该算法的有效性。     

神经网络在状态估计中的应用

本文提出了一种基于神经网络的状态估计方法,避开了依靠数学模型的传统途径,为在那些建模困难的场合实现状态估计提供了可能,仿真结果令人满意．     

BP神经网络在巡逻机器人多传感器数据融合中的应用

针对传统危化品仓库固定式监控器中监控范围小、报警准确率低的特点,研究了一款危化品仓库巡逻机器人,采用以拉依达准则改善BP神经网络融合性能的多传感器数据融合方法,通过采集泄露危化品浓度、仓库内环境温度和湿度等数据,在对数据进行拉依达去噪、归一化后利用BP神经网络进行融合输出.样机试验结果表明,该方法可有效提升危化品仓库巡逻机器人对空间环境的把握度,大幅度提高报警的准确性和可靠性,同时具备良好的传感器扩展性.     

基于BP神经网络的矿山地下水位预测研究

采用BP神经网络技术,将矿区的降雨量、排水量及前期水位三个因素作为输入层,矿山地下水位作为输出层,建立矿山地下水位预测模型.文章详细介绍了BP神经网络实现矿山地下水位预测的基本算法,将研究区矿山的长期观测孔实测水位作为实验数据并作出误差分析.最终成果能够达到矿山地下水位预测目的,并为分析地下水降落漏斗趋势提供有力依据.     

基于PCA的BP神经网络异常数据识别在信息安全中的应用

为了探究基于PCA的BP神经网络异常数据识别在信息安全中的应用,以MATLAB软件为仿真平台,通过PCA和BP神经网络对KDDCUP99数据集中3种11类攻击进行了仿真实验.研究成果表明主成分分析法的降维算法能大大提升异常数据识别效率;BP神经网络又大大提高了信息安全系统的泛化能力和鲁棒性;仿真结果进一步证明这种将PC...     

基于神经网络的飞参数据特征选择方法

针对飞参数据中存在的大量冗余和不相关,提出了一种基于神经网络的飞参数据特征选择方法.为克服传统算法收敛速度慢、易陷入局部极小等缺陷,神经网络的训练采用粒子群优化算法和Levenberg-Marquardt优化算法相结合的方式.神经网络训练结束后,先利用网络权值信息对飞参数据特征的相对重要度进行排序,然后根据重要度次序对飞参数据特征进行选择.实验结果表明该方法能快速有效地删除冗余飞参数据特征,同时提高网络的泛化能力.     

基于BP神经网络的多传感器数据融合技术优化

传统的数据融合算法要求获得比较精确的对象数学模型,对于复杂的难于建立模型的场合无法适用。为解决上述问题,提出了一种基于BP神经网络算法的多传感器数据融合方法,对对象的先验要求不高,具有较强的自适应能力。仿真结果表明,采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度,效果良好。     

基于神经网络的北京市水体水华短期预报系统

采用算法改进型的BP神经网络,选择叶绿素含量、磷、氮磷比、电导率和水温五个参数作为模型输入,以预测1日、3日和5日后的叶绿素含量为目标,构建了北京市长河水系水华短期预报系统。该系统三个周期的预测精度分别达到了97.2%、94%、88.3%,并且具有较好的泛化能力。相比于其它智能算法,BP神经网络结构简单、方便实用,仍然具有很强的应用性。     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

粗糙集和神经网络方法在数据挖掘中的应用

提出了一种基于神经网络和粗集的数据挖掘新方法。首先利用粗集理论对原始数据进行一致性属性约简,然后使用神经网络对数据进行学习,并同时完成属性的不一致约简,最后再由粗集对神经网络中的知识进行规则抽取。该方法充分融合了粗集理论强大的属性约简、规则生成能力和神经网络优良的分类、容错能力。实验表明,该方法快速有效,生成规则简单准确,具有良好的鲁棒性。     

基于降维BP神经网络的高维数据分类研究

为确保高维数据的神经网络分类精度,提出了先降维后分类的方法。采用主成分分析（PCA）法实现高维数据的降维。通过分析传统BP算法,提出分两步来更新网络权值的扰动BP学习方法。采用MATLAB对降维分类算法的分类精度和误差收敛速度进行分析。仿真结果显示：先降维再采用扰动BP网络进行高维数据分类可大大提高数据的分类精度和训练速度。     

基于遗传算法的BP神经网络技术的应用

针对BP网络的不足,提出了基于遗传算法的神经网络技术。将两者有机的融合在一起,充分利用了GA算法的全局搜索能力和BP算法的局部搜索能力,加快了收敛速度,提高了收敛精度,将其应用于高速公路动态称重系统的神经网络控制器的训练中,取得了较好的效果。     

基于遗传算法的BP神经网络在企业资信评估中的应用

提出了一种新的企业资信评估方法.通过把神经网络和遗传算法有机地结合起来,既克服了传统BP网络训练时间长、易陷入局部极值的缺点,又利用遗传算法提高了网络全局收敛的效率.该模型采用C#.NET SQL server 2000实现.实验结果表明,基于遗传算法的BP神经网络系统对企业资信评估有着良好的性能.     

应用BP神经网络预测油页岩含油率

根据测井资料计算油页岩含油率多采用△logR法或改进的△logR法,这些方法中参数获取过程中易产生诸多误差,且这些方法是建立在油页岩含油率与特征测井曲线值是线性关系的基础上的,而在实际非均质性地层中,测井对油页岩含油率参数的响应在本质上必然是非线性的。基于此,运用BP神经网络来预测柴达木盆地北部地区侏罗纪油页岩含油率。首先分析研究区段测井数据的数理统计分布特征,在优选学习样本的基础上再采用一种基于LM（ Levenberg-Marquardt）算法的BP神经网络进行含油率预测,最后得出一组由40个连接权值与11个阈值组成的含油率参数解释模型,油页岩含油率预测值与岩心实验室分析值吻合很好,均方误差能控制在0.1918。因此,运用此模型可以预测相同地质背景条件下的油页岩含油率。     

粗糙BP网络在葡萄病害分类中的应用

粗糙集无需提供问题所需处理的数据集合之外的任何先验信息,是一种通过知识约简,消除冗余数据的软计算方法;BP神经网络是一种通过自身的学习机制自动形成所要求的决策区域技术.综合了粗糙集和BP神经网络的各自优势,构建了一种新颖的葡萄病害分类模型.测试结果表明,所建模型对葡萄病害分类是行之有效的.