基于BP神经网络的磁通门传感器温度误差补偿

三轴磁通门传感器受温度影响明显,严重影响其测量准确度,需要研究补偿方法,提高测量准确性.在不同磁场环境下,利用无磁高低温试验箱对传感器输出值温度特性进行了测试,并采用BP神经网络的方法进行温度补偿.分别阐述了设备操作过程及数据处理方式.采集传感器在不同温度下的测量数据样本;将BP神经网络应用于温度误差模型的非线性辨识,训练出了有效的温度补偿网络;在不同外加激励磁场下分别进行补偿;对BP神经网络、径向基神经网络和曲线拟合的逼近效果进行了对比.结果表明,传感器温度误差从195.6 nT,203.2 nT,213.6 nT分别补偿到17.18 nT,18.89 nT,18.04 nT.温度误差明显减少,证明了BP神经网络在磁通门传感器校正中的良好性能;经过对比,证明了BP神经网络具有更高的逼近精度.

基于正交实验的BP神经网络预测研究

用不同的L9(34)正交实验方案结果作为训练学习样本集 ,对BP神经网络预测应用过程的策略进行了探讨 ,结果表明 :完备的正交实验样本集是基本训练学习单元 ,在完备的正交实验样本集上添加或减少样本数量 ,所预测的结果是不可靠的 ;在同一类型、同一实验的条件下 ,完备的信息量大的正交实验样本集 ,能以很高的精度预测完备的信息量小的正交实验样本集 ;提出了一条新的实验设计思路———通过实验得出一个完备的正交实验样本集 ,通过计算机用BP神经网络就可以把与已知样本集有相同影响因素和水平的所有样本的值以相当高的精度预测出来 。

BP神经网络学习算法的改进及其应用

针对标准BP算法的不足给出了典型的改进算法。对两个BP网络的应用实例利用MAT LAB语言编制了仿真程序 ,并对几种算法的学习收敛速度进行了比较。结果表明改进算法的学习收敛速度大大地优于标准BP算法。

基于MATLAB神经网络工具箱的BP网络设计

本文介绍了MATLAB神经网络工具箱及其常用的工具箱函数;在说明BP网络的模型结构和算法的基础上,讨论了BP网络的训练过程及其设计原则,并用一个典型的两层结构的神经网络实现了具有函数逼近功能的BP网络设计。

BP神经网络在GPS导航中的应用

Kalman滤波常用于GPS动态数据的处理,由于系统存在的不确定性和非先验性,导致滤波产生较大的估计误差,甚至发散。介绍了BP神经网络算法及其非线性逼近能力,并基于BP神经网络的非线性逼近性能设计了BP神经网络进行GPS导航的新算法。实测数据计算结果表明该算法能够真实地反映载体运动轨迹,其导航解具有良好的精度和可靠性。

一种融合KPCA和BP神经网络的用水总量预测方法

为提高用水总量预测的准确性,针对现有方法中存在的非线性多维用水因子选取不合理的问题,提出一种融合KPCA(核主成分分析)和BP神经网络的用水总量预测方法。使用皮尔逊相关系数对用水因子进行相关性分析,选择与用水总量最相关的多个因子作为数据输入,利用KPCA对预测因子进行降维处理,解决数据间的非线性特征,再采用BP神经网络建立用水总量预测模型,网络的权值和阈值采用思维进化学习算法进行调优。采用国家统计局2007-2016年度开放统计用水数据进行实验,结果表明:融合KPCA和BP的用水总量预测方法相对预测误差小于5%,预测用水精度有明显提升,可以较好预测未来用水总量,为高维非线性数据的预测提供新的优化思路。

基于扇形特征和BP神经网络算法的字符识别

目的根据字符的扇形特征提取方法,BP神经网络算法,寻求一种识别率较高的字符识别方法.方法将待识别的文件进行图像预处理,然后对处理后的单字符使用扇形算法提取出32个特征量,组成特征向量,采用BP神经网络对特征向量进行训练和识别,最后应用选择性阈值最小距离方法对输出结果进行判断,减少误识别率.结果通过使用扇形特征提取方法、BP神经网络和选择性阈值最小距离方法,达到了较好的字符识别效果,实验结果表明该方法识别精度较高,训练时间较短.结论保持一定数量以上的训练样本和训练次数,可进一步提高字符识别的正确率.采用扇形特征和BP神经网络算法可应用于字符识别.

基于BP神经网络与遗传算法的强光爆震弹装药优化研究

为降低强光爆震弹在使用中潜在的安全威胁,以非致命效应为出发点,采用均匀设计法进行了配方设计,基于BP神经网络建立了装药性能预测模型,采用神经网络与遗传算法相结合的方法进行了装药优化.通过声光效应试验对优化结果进行了验证,得到了最优配方:KClO4/Al/CS/环氧树脂/石墨=48/32/15/2/3.结果表明,通过装药配方的优化,提高了闪光爆震弹的综合性能,为防暴弹的性能改进提供了新的思路和方法.

基于BP神经网络与遗传算法的强光爆震弹装药优化

为降低强光爆震弹在使用中潜在的安全威胁,以非致命效应为出发点,采用均匀设计法进行了配方设计,基于BP神经网络,建立了装药性能预测模型,并采用神经网络与遗传算法相结合的方法进行了装药优化。通过声光效应试验对优化结果进行了验证,得到了最优配方:w_(KClO_4)/w_(Al)/w_(CS)/w_(环氧树脂)/w_(石墨)=48/32/15/2/3。结果表明,通过装药配方的优化,提高了闪光爆震弹的综合性能,为防暴弹的性能改进提供了新的思路和方法。

一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法 ,分析了网络的拓扑结构 ,给出了网络的参数估计方法 .采用遗忘因子法训练网络的权值 ,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子 ,分析并给出两种小波元的个数选择方法 .该算法用于非线性函数逼近时优于同等规模的 BP神经网络 .仿真研究表明 ,该方法具有收敛速度快 ,逼近精度高等优点 ,在为非线性系统建模提供一种新方法的同时 。

万家寨水库上游的冰情特征分析及预报

[目的]研究黄河万家寨水库上游至托克托县喇嘛湾河段冰情特征及预报方法,为防凌实践提供重要依据。[方法]通过对1998—2015年度冰情分析,研究了该河段的封、开河过程及二者之间的联系,以野外观测为基础,分别对封、开河时间历时与气温、流量、冰厚、封河天数进行了相关性分析,选取了与封、开河时间相关性系数较高的影响因子,利用BP神经网络模型对万家寨上游河段的封河历时、开河历时、开河日期进行了预报。[结果]通过与实际观测日期对比,该预报方法合格率达到93%。[结论]神经网络模型对于黄河万家寨水库上游段封河历时、开河历时、开河日期预报的适用性较强,更适合解决受复杂因素影响的问题。

基于振型差值曲率与神经网络的海洋平台结构损伤识别研究

利用神经网络进行复杂结构损伤识别时,会遇到网络规模过大以致难以收敛的问题。为此,提出了一种基于振型差值曲率与神经网络的结构损伤识别两步法。第一步,利用振型差值曲率得到损伤的大致区域。第二步,在第一步选定的区域内,利用BP神经网络确定损伤构件的准确位置。四层海洋平台数值模拟和实验结果验证了该方法的有效性。

用EOF展开和人工神经网络方法预测ENSO的研究

本文利用ＥＯＦ展开技术和人工神经网络方法进行了预测ＥＮＳＯ的研究，研究结果表明，二种方法的结合对预测ＥＮＳＯ有较好的效果，但预报效果依赖于预报时效，依赖于预报因子的合理选取。

电力系统负荷建模与预测的新方法

对电力系统辨识及参数预测中新兴方法的应用作了介绍 ,重点探讨了前向BP神经元网络在电力系统辨识及负荷预测中的应用 .主要对电力系统动态负荷建模及中、短期负荷预测中所取得的国内外成果进行探讨 .同时 ,对灰色理论模型进行电力系统长期预测的结果与传统方法进行对比分析 .从而归纳出电力系统动态负荷及中期、短期、长期负荷预测的较理想方法 .

民用飞机进近着陆阶段灾难事故类型预测

为减少民用飞机进近着陆阶段发生灾难事故,给出了1985年至2013年灾难性事故样本,获得了3种主要事故类型和14种关键致因。提出了一种灾难事故类型的预测方法,建立了事故类型预测流程,样本事故致因作为输入层,样本事故类型作为输出层,基于BP神经网络和Elman神经网络进行多次训练和仿真。结果表明,预测的事故类型与实际情况基本吻合。针对事故致因有效判断民用飞机在进近着陆阶段潜在事故,给出纠正措施,保障航空运行安全。

住宅工程造价指数预测研究

定额计价和清单计价无法准确有效地确定工程造价,而工程造价指数能够直观反映市场价格变动对工程造价的影响。准确高效地预测工程造价指数可为工程建设的各方提供决策支持,为政府部门制定有关政策提供依据。为准确高效地预测住宅工程造价指数,结合中心逼近式GM(1,1)模型、思维进化算法(mind evolutionary algorithm,MEA)和BP神经网络的功能与优点,构建基于中心逼近式GM(1,1)的MEA-BP神经网络预测模型。首先,通过训练样本确定人工、材料、机械费用等单一造价指数与住宅工程综合造价指数的关系,然后将由中心逼近式GM(1,1)模型计算所得的未来时期工料机单一造价指数作为MEA-BP神经网络预测模型的输入变量,得到未来时期的住宅工程综合造价指数。运用MATLAB 2018a软件进行仿真试验,对住宅工程造价指数进行预测,并与BP神经网络的预测结果进行对比。通过MEA-BP与BP神经网络预测模型的对比研究发现,MEA-BP神经网络预测模型拥有更高的预测精度,可用于预测未来时期的住宅工程造价指数。

人工神经网络在结构近似重分析中的应用研究

简述传统的结构近似重分析技术的缺点与不足,介绍BP网络的原理、算法,利用BP网络能够实现从n维设计空间到m维任意非线形映射的特点,通过不同设计变量的训练样本集对BP网络进行训练,然后输出拟合值。经过分析,证明在结构近似重分析中,采用BP神经网络能很好地实现从设计变量到结构响应之间的映射。

基于神经网络连接权值的堆石体流变模型参数敏感性研究

采用适用于岩土工程问题的BP神经网络建立堆石体本构模型参数与测试指标之间的非线性映射关系,训练BP神经网络得到连接权值,采用Olden方法对连接权值进行处理,反映堆石体力学参数的敏感性程度。与常用的基于统计方法的堆石体力学参数敏感性分析方法相比,该方法能较好地反映参数与测试指标的映射关系,具有试验方案参数组合设计简单,数据处理方便的优点。以水布垭面板堆石坝的坝体最大沉降V、坝体水平向上游最大位移V上和坝体水平向下游最大位移V下作为敏感性分析的三项测试指标,对堆石体九参数幂函数流变模型进行了参数敏感性分析。结果表明,参数m对三项测试指标的敏感性相对较高,其次是参数η、c、d。参数cα、dα、cβ、dβ、λv对三项测试指标的影响相对均较小。研究成果可以为堆石体其他模型的力学参数的敏感性分析提供一定参考。

基于不同权重选取的多维贫困测度与分析

基于Alkire和Foster (A-F)提出的多维贫困指数框架理论,运用中国家庭追踪调查数据(CFPS),分别采用等权重法、变异系数法和BP神经网络法选取多维贫困指标体系中各指标权重,测度和分解我国农村地区的多维贫困指数,并采用加总误差法建立权重优劣的评判标准。研究结论表明:三种权重选取法所测度的多维贫困指数差异较大,其中多维贫困指数从大到小是按变异系数法、BP神经网络法和等权重法所测得的,说明不同的权重法对多维贫困指数具有不同强度的敏感性;同时,多维贫困指数分解结果显示,不同权重法所得各指标对多维贫困指数的贡献率不同,但按变异系数法和BP神经网络法所得指标贡献率的排名基本一致,而按等权重法所得指标贡献率排名与另外二者相差较大。此外,相较于另外两种权重法,运用BP神经网络法测度的多维贫困指数更精确。本文为测度多维贫困指数时指标权重选取提供了新思路。

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型。应用实例的计算结果表明,该模型可提高水质预测精度。