Long-term Sector-wise Electrical Energy Forecasting Using Artificial Neural Network and Biogeography-based Optimization

This article presents a hybrid model involving artificial neural networks and biogeography-based optimization for long-term forecasting of India's sector-wise electrical energy demand. It involves socio-economic indicators, such as population and per capita gross domestic product, and uses two artificial neural networks, which are trained through a biogeography-based optimization algorithm with a goal of perfect mapping of the input–output data in the non-linear space through obtaining the global best weight parameters. The biogeography-based optimization based training of the artificial neural network improves the forecasting accuracy and avoids trapping in local optima besides enhancing the convergence to the lowest mean squared error at the minimum number of iterations than existing approaches. The model requires an input and the year of the forecast and predicts the sector-wise energy demand. Forecasts up to the year 2025 are compared with those of the regression model, the artificial neural network model trained by back-propagation, and the artificial neural network model trained by harmony search algorithm to exhibit its effectiveness.     

COX2抑制剂活性预测中的拟合方法比较

在COX2抑制剂活性预测问题中,传统的多元线性回归方法对非线性拟合问题存在较大局限性,以98种三环系COX2抑制剂分子集合中的数据分析预测为例,考察反向传播（BP）网络与支持向量回归（SVR）方法的性能,证明BP网络与SVR方法在COX2抑制剂活性预测方面的性能均优于广泛采用的多元线性回归方法,具有良好的应用潜力。而且SVR方法可以克服BP网络过拟合的问题,更适于小样本高参量的问题。     

基于BP神经网络的换档品质评价方法

换档品质评价方法的研究是应现代车辆自动变速技术发展需要而提出的前沿研究课题,其评价过程可视为一个非线性动态系统。BP神经网络的非线性系统辨识,能够逼近任意一个非线性函数。通过确定换档品质评定指标,利用BP网络训练获得的数据样本,从而建立主观、客观评价标准之间的联系;利用Matlab/Simulink完成换档品质评价方法的客观描述并进行仿真。通过与实验结果对比,证明这种方法能够有效真实地评价换档品质并与传统主观评价方法具有很好的一致性。     

小型冲压设备智能安全保护装置的研究

为建立一个能够智能识别冲压作业中人手和坯料的安全保护装置,使其满足冲压作业的安全性和进料的连续性要求,研究了人手温度和坯料温度分布的不同特点,提出了采用神经网络理论对人手和坯料进行分类识别,利用误差反向传播算法和支持向量机进行了仿真分类实验;重点讨论了安全装置的整体结构,主要控制模块的设计与实现,然后在BP快速算法的基础上采用C8051F206单片机进行冲压控制的新方法.     

A fuzzy neural network model for predicting clothing thermal comfort

This paper presents a Fuzzy Neural Network (FNN) based local to overall thermal sensation model for prediction of clothing thermal function in functional textile design system. Unlike previous experimental and regression analysis approaches, this model depends on direct factors of human thermal response — body core and skin temperatures. First the local sensation is predicted by a FNN network using local body part skin temperatures, their change rates, and core temperature as inputs; then the overall sensation is predicted. This is also performed by a FNN network. The FNN networks are developed on the basis of the Feed-Forward Back-Propagation (FFBP) network; the advantage of using fuzzy logic here is to reduce the requirement of training data. The simulation result shows a good correlation between predicted and the traditional experimental data.     

自适应神经网络在负荷动态建模中的应用

人工神经网络(ANN)具有的自适应、自学习、非线性重构等特点，使之成为解决电力系统负荷建模的有效途径。该文利用模糊理论对典型BP神经网络(TBP)的学习速度因子和权值惯性因子进行修正，采用自构形学习算法对网络拓扑2个方面进行改进，提出自适应神经网络(ABP)。结合现场试验和仿真数据，对TBP和ABP在负荷建模的速度和精度2方面进行了比较。同时，就负荷建模问题对自适应神经网络模型阶次和隐层神经元个数等因素进行了探讨。     

基于改进蚁群的BP神经网络WSN数据融合算法

为了保证无线传感器网络（WSN）在深井中能有效地工作,提出了一种改进蚁群的反向传播（BP）神经网络WSN数据融合算法（IFA-IACOBP）.通过规划蚂蚁运动方向和引入节点剩余能量对蚁群算法启发因子进行改进,优化蚂蚁下一跳节点选择概率,利用改进后的蚁群算法对BP神经网络进行优化,引入井下WSN数据融合,数据经两级融合处理后,能去除大部分冗余信息.仿真实验结果表明,IFA-IACOBP算法能有效减少网络数据通信量,提高数据实时性,降低网络能耗,延长网络寿命.     

坡面产流模式的神经网络模拟

坡面产流是土壤本身特性与外界影响因素相互作用的结果，它们之间具有明显的非线性输入输出关系。在分析坡面产流和神经网络模型具有某些相似的基础上，利用径流站观测资料，建立了小流域坡面产流量的三层前向网络模型(BP算法)，并显示了具有较好的模拟预测效果。     

结合灰色理论的人工神经网络方法 在水质预测中的应用

针对现阶段水质监测中存在的水质变化响应滞后问题,提出了采用灰色预测法、人工神经网络(BP神经网络、径向基神经网络、广义回归神经网络)以及两者组合的方法对水质动态预测进行研究。以太湖流域嘉兴斜路港监测断面为例,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。结果表明,对年内预测,通过广义回归神经网络的动态预测值平均相对误差为0.61%,后验差检验比值小于0.65,小误差概率大于0.7;采用灰色结合广义回归神经网络的方法对水质pH值进行预测,平均相对误差仅有0.85%,后验差检验比值小于0.65,小误差概率等于1。研究结果还表明,对年际预测,灰色结合BP神经网络和灰色结合径向基函数神经网络的动态预测值平均相对误差分别为0.57%和0.80%,其后验差比值都小于0.5,小概率误差都为0.9,大于0.8。