神经网络分类器的快速构造算法

使用ＢＰ算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法，先构造决策树，然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长，它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果，本文的算法比用ＢＰ算法训练多层网络要快，而其分类精度不低于用ＢＰ算法训练的多层神经网。     

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法---级联算法（Cascade Correlation Algorithm,简称CC算法）及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。     

基于神经网络的河道浅滩演变预测模型

河道浅滩演变是一个复杂的非线性动力学过程, 作者借助神经网络处理非线性问题的优势, 在分析影响河道浅滩演变因素的基础上, 建立了预测河道浅淮演变的BP网络模型, 并对模型中的输入因子和样本的提取进行了探讨. 以闽江竹岐至侯官河段为实例,用“试控法”给出了BP网络模型的建模方案, 用正交设计原理选取相应的训练样本集, 利用该样本集对网络进行学习和训练, 并用训练好的BP网络模型预测浅滩上年内最小水深和年平均淤积厚度. 计算结果表明: 模型预测结果与实际值吻合良好. 这为河道浅滩演变预测研究提供了新方法.     

A Method of Combined SHPB Technique and BP Neural Network to Study Impact Response of Materials

Abstract:  A new method combining the split Hopkinson pressure bar (SHPB) technique with the back-propagation (BP) neural network program is proposed. By this method, the treated strain wave signals become smooth with less noises induced by the transverse inertia. Moreover, the dynamic rate-dependent constitutive behaviour of materials can be identified, without any pre-assumption of a constitutive model. It is found that by taking the experimentally measured data of strain, strain rate and time as 'input' and the corresponding data of stress as 'output' of the BP neural network, the dynamic constitutive behaviour with internal damage or phase transformation evolution is easy to be identified, where the time could represent either the internal damage evolution or phase transformation process accompanied with the deformation process. It is emphasised that the data learnt by the BP neural network must include both loading and unloading processes, if the whole loading and unloading response is to be correctly predicted. The comparisons between the predictions and experimental results are in good agreement for both polyamide (PA) polymer (as an example of nonlinear viscoelastic materials) and Ti–Ni alloy (as an example of superelastic materials with stress-induced phase transformation).     

BP神经网络在致密砂岩储层识别中的应用

川西须家河组地层岩性复杂,属于超致密低孔渗储层,所以储层识别是该地层天然气勘探中所面临的关键问题和难点之一。针对常规储层识别准确率不高的状况,提出利用BP神经网络进行储层的气水干层识别,利用模糊聚类和产层测试结果标定建模样本,采取随机抽样形成建模集与测试集,建立BP神经网络模型对23口井的储层进行气水干层预测,正确率达77.9%以上,明显提高了该地区的测井解释精度,并提供了一种准确率较高的储层预测方法。     

改进的BP神经网络在大坝安全监控中的应用

针对经典BP神经网络运行中存在的缺陷，提出了改进的BP神经网络，不仅解决了经典BP网络易陷入局部最小的弊端，而且应用的0.618分割选取法能使网络快速找到较优隐含层节点数，初始权值的自相关修正进一步提高了网络的稳定性。实际应用证明，改进的BP神经网络有效提高了网络质量，适合大型网络的构建与训练。     

BP网络模型对人脸朝向的识别

研究BP神经网络模型,通过计算机模拟人脑建立神经元网络,使用一部分人脸朝向信息作为训练的实例集,训练稳健后,可以推广应用判断其他人脸的朝向信息,以实现计算机自动识别人脸朝向。先对图片进行归一化等预处理,再应用主成分分析提取特征信息,每幅提取出的特征信息都是8个数据的列向量,构建一个8个输入、17个隐含、3个输出的三层BP网络模型。将训练实例集的特征向量代入训练,调整参数后保证其性能和收敛速度。最后通过大量实验验证,计算机识别的误判率仅为6.7%,模型可靠。     

基于车型识别的BP算法Matlab实现

车型识别具有广阔的应用前景,BP神经网络在车型识别中能够提高车型的识别率。在任何车型大致都可以抽象成一个"工"字型情况下,提取其中的顶长比、前后比和顶高比这三项相对参数作为BP神经网络的输入参数。采用三层3-8-3的BP神经网络,并用14对输入参数离线训练,再用4对新数据进行检验,均得到了预想的期望值。     

基于BP神经网络的加药控制系统研究

浮选是最重要的选矿方法之一,煤矿浮选工艺自动加药控制问题是影响浮选效果的重要因素;传统加药控制主要是由加药工根据生产经验来控制,为了解决浮选精度低这一问题,文中提出采用BP神经网络作为加药控制系统加药量的预测模型,并采用动量项方法对其进行优化,通过仿真得出动量项法网络和测试样误差曲线,说明带动量项改进的神经网络更容易满足网络精度的要求,并且该方法能够有效地降低误差、减小浪费。