基于改进自适应遗传算法的BP神经网络模型研究

针对自适应遗传算法容易陷入局部最优值的问题,提出了改进的自适应遗传算法,并将改进的自适应遗传算法应用于神经网络权值学习和训练中。提高网络的处理能力。     

基于神经网络的级联软件可靠性模型

针对一般经典软件可靠性模型适用范围的局限性问题和预测精度问题,提出了一种新的级联模型.将4个经典软件可靠性模型的输出作为误差背向传播(error back propagation,BP)神经网络的输入,级联组合成一个软件可靠性模型,称之为级联软件可靠性模型.通过对一组经典的实际软件故障数据SYS1进行实验,将级联软件可靠性模型与4个经典软件可靠性模型预测的结果进行对比,结果表明级联软件可靠性模型的预测精度要远远高于4个经典软件可靠性模型,而且具有更好的通用性.     

基于BP神经网络的教学质量分析评估模型研究

教学质量分析评估是一个比较复杂的,多因素、多变量、模糊的非线性过程,BP神经网络的原理可用于教学质量分析评估.文章中给出基于BP神经网络的教学质量分析评估模型结构,以及学习算法,并在Matlah中得以实现.结果表明,BP神经网络用于教学质量分析评估,既克服了在评估过程中的主观因素,又得到了满意的评估结果,具有广泛的适用性.     

遗忘神经网络模型及其BP算法

为解决跨时间数据训练神经网络时的数据选择问题，提出在神经网络的训练模型中引入遗忘系数，从而建立了一种改进的前馈神经网络模型——遗忘神经网络模型。介绍了该模型的基本原理，并给出了其BP算法。     

改进算法的BP神经网络水质评价模型

在分析BP神经网络算法的基础上,提出了水环境质量评价的改进BP神经网络模型,并编制了相应的程序.将模型运用于流域水质综合评价中,结果表明改进的BP神经网络模型通过变步长法和加入动量项的方法不仅可以减少训练的次数,避免网络训练陷入平坦区,还可以提高网络的精度,减小全局误差.相应所开发的评价系统简单易用,具有广泛的应用前景.     

基于改进AHP-BP神经网络的幼儿发展评价模型

现有的幼儿健康发展评估方案有着评估周期长、个人主观意识强以及评价指标单一等缺陷,对幼儿的长期发展以及学前教育的信息化有着诸多方面的限制和影响.因此,本文引入了改进的AHP-BPNN评估方法,根据幼儿发展的生理和心理特性,利用AHP层次分析方法建立科学的、多维化的评价体系,同时对各项评价指标初始化;利用改进的BPNN对评价指标权重进行分析和优化,得到最优的参数解.通过对沈阳某幼儿园214名幼儿90天的连续实践观察表明,本文所提的方法大大减少了教师的主观性评价,使评价体系更加科学、合理和完善,对幼儿健康发展给出了全面性的指导.     

基于BP神经网络的VVP水动力系数预报

将BP神经网络应用于全方位推进器周期螺距状态推力系数和转矩系数预报.针对BP神经网络在训练中存在的学习速度慢、易于陷入局部最小等缺点,采用变学习率的BP算法加以改进.对全方位推进器周期螺距状态推力系数和转矩系数进行预报,结果表明,预报值的精度明显高于由近似公式计算所得的值,采用BP神经网络对全方位推进器周期螺距状态的推...     

基于改进遗传神经网络的入侵检测模型

本文针对目前基于BP神经网络的入侵检测已陷入局部极值和收敛速度慢等问题,提出一种基于改进的遗传算法和BP神经网络的混合入侵检测方法。仿真实验结果表明,此方法比单独使用BP神经网络的检测方法收敛速度更快,误差更小。     

基于灰色BP神经网络模型的煤矿地下水位预测研究

针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型.分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确.     

基于自适应递阶遗传算法的洪水预报模型

基于递阶结构的遗传算法可以同时对BP神经网络进行结构优化和权重求解。采用收缩解空间的方法可以有效提高算法的收敛速度和精度。采用先进行自适应递阶遗传算法获得最优网络结构及参数,再用BP算法对网络进行训练,并应用于洪水预报模型,可以获得较高的精度。     

基于TEEN协议和BP神经网络的WSN数据融合模型

针对无线传感网感知数据中含有大量无效或冗余数据的现象,本文提出了一种基于TEEN协议和BP(Back Propagation, BP)神经网络的数据融合模型。该模型利用三层BP神经网络描述簇结构,通过TEEN阈值过滤非必要信息,在簇结构信息传输过程中运用神经网络功能函数处理大量感知数据,从中提取感知数据的特征值并转发至汇聚节点。实验仿真表明,该模型无论在数据通信量、使用寿命及网络消耗上都优于TEEN协议,在降低网络通信量和网络能耗的同时提升了网络的使用寿命,大大提升了数据采集的效率和性能。     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

免疫人工鱼群神经网络的经济预测模型

针对BP神经网络在经济预测存在的问题,提出了一种新的经济预测模型──免疫人工鱼群神经网络（IAFSA-NN）。通过免疫人工鱼群算法（IAFSA）训练神经网络,能显著提高网络的学习精度、收敛速度、泛化能力、还能在一定程度上克服BP神经网络的缺陷。以广东省湛江市的经济数据进行建模,给出了IAFSA训练神经网络的基本原理和步骤,构建了一个免疫人工鱼群神经网络的GDP预测模型,并运用MATLAB7.0进行仿真。实证表明,该模型预测结果优于BP网络预测方法,更接近实际数据,IAFSA神经网络用于经济预测是有效可行的。     

基于BP神经网络的城市水灾灾情预测模型

洪灾灾情预测是保险公司财产保险防灾减损工作的重要内容,它有效地预测出受灾的地区和强度,对于财产保险的费率制定、有效预防、及时施救和防灾预案编制有举足轻重的指导意义。采用了BP神经网络进行灾情预测,在学习过程中结合了聚类,采用了S函数输出限幅,引入了惯性因子,加快了学习的收敛速度,提高了预测的精度。     

Artificial neural network based predictive method for flood disaster

Most of flood disaster predictions belong to ill-structured problems, while artificial neural network (ANN) has several characteristics that are suitable for solving them. In this paper, a neural network based predictive method for flood disaster problem is proposed in which the neural network model and its basic designing principles are described, and an example of flood disaster area in China from 1949 to 1994 is used for demonstration.     

基于模型参考和神经网络的传感器动态补偿器的设计

为了改善传感器的动态响应特性,提出了一种动态补偿器的设计方法.该方法在传感器后接一基于模型参考自适应方法的动态补偿器,并利用BP神经网络算法不断在线辨识补偿器参数,使其始终工作在最佳参数下,实现动态性能的在线补偿.试验表明,对动态品质较差的双孔悬臂梁式压力传感器进行在线补偿,其到达稳态值的调节时间由0.1 s缩短为0.015 s,动态性能得以较好的改善.该方法为提高传感器性能开辟了新途径.     

基于双时间序列神经网络的短期电网负荷预测

短期电网负荷预测是电网安全运行和经济调度的基础。现有预测方法存在对节假日预测不准确,不利于系统化等问题。根据短期负荷周期性变化的特点,创造性地提出双时间序列神经网络模型。同时为了克服实际温度数据缺失问题,提出一种新的温度量化方法。在广东省某地区的实际应用表明,该方法对于普通日和特殊日都取得了有较好的预测精度。     

基于神经网络的恒温控制系统的研究与设计

由于恒温控制的数学模型很难建立,针对这一难题提出了基于神经网络的PID控制器,侧重介绍了BP神经网络PID控制器算法的基本知识以及控制器的设计原理,通过实验仿真证明了神经网络PID控制器的控制效果比传统的PID控制在静态特性和动态特性方面都有所提高,而且具有较好的鲁棒性,该控制器在工业控制中将会发挥越来越大的作用.