船舶设计任务动态调度预测

在船舶设计过程中经常会出现随机新设计任务,为船舶设计任务调度方案的制订带来一定的困难。基于反向传播(Back Propagation, BP)算法,引入动量-自适应学习率反向传播(Momentum and Self-Adaptive Learning Rate Back Propagation, MSBP)算法预测随机新设计任务是否可加入制订的船舶设计任务调度方案,以解决扰动情况下的船舶设计任务动态调度(Dynamic Scheduling of Ship Design Tasks, DSSDT)问题。为减小求解空间和训练难度,选择对调度结果具有重大影响的属性作为MSBP算法的特征值。基于抽取的特征值构建MSBP算法模型,并采用大量数据完成对模型的训练。对比试验结果表明,MSBP算法的准确性优于未改进的BP算法,某项随机新设计任务的可调度性与其优先级最为密切。

动态自适应学习率优化的卷积神经网络轴承故障诊断方法

滚动轴承的工作转速和载荷很多时候是变化的,基于先验知识的诊断方法很难取得令人满意的分类效果。针对这一问题,提出了基于Nesterov动量的自适应卷积神经网络,用于轴承故障诊断。首先,将网络中传统动量规则替换为Nesterov动量,改善传统方法容易错过最优解问题。其次,为了改善网络泛化能力,设计了一种根据误差变化率动态调整学习率的自适应学习率规则。最后,将采集到的原始数据直接输入到提出的网络中训练故障诊断模型,并利用测试数据对模型进行评测。实验结果表明,提出的优化方法改善了神经网络的收敛性,提高了轴承故障分类精度。

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果。实验结果表明:优化后的PSO-BP神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的ROP预测。

基于改进BP神经网络的全社会用电量预测模型研究

采用引入附加动量和自适应学习率的BP（Back Propagation）神经网络来构建全社会用电量预测模型,此模型有效地解决了标准BP神经网络容易陷入局部极小点和收敛速度慢的问题,并且能够很好地解决全社会用电量与其影响因素之间复杂的非线性关系.利用MATLAB7.0对该模型进行了设计,并用设计好的模型对1986～2005年的全社会用电量及GDP数据进行了仿真,仿真结果表明该模型收敛速度快、拟合效果好、泛化能力强、预测精度高.运用该模型对2006年全社会用电量进行了预测,预测结果表明该模型具有一定的实用价值.

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。

基于改进神经网络的SMT回流焊温度曲线预测

在实际生产中,SMT回流焊工艺通常以实验方法预测温度曲线,其高成本低效率是目前亟待解决的问题.针对温度曲线输入参数与曲线多重特征值间的非线性映射关系,提出基于BP神经网络技术的温度曲线预测模型.针对训练中出现的不足,改进了误差计算方法和权值调整方式,消除了预测样本次序对网络的影响,提高了网络训练速度.利用MAPE评估方法将网络预测结果与某公司实际生产数据进行对比,结果显示预测值满足企业生产误差精度要求,因此所建立的神经网络可以有效地进行温度曲线预测,为企业回流焊生产工艺规划提供指导.

降雨径流模拟神经网络模型及应用

针对水文系统的非线性,构建了基于遗传算法和人工神经网络的降雨径流模拟神经网络模型(GA-BP模型).采用附加动量法和自适应学习速率对BP神经网络进行改进,遗传算法用于优化神经网络的初始权重.以大别山及皖南山区月潭流域为例,将GA-BP模型、BP模型以及新安江模型应用于水文日径流过程模拟,进行应用比较以及分析GA-BP模型在水文径流模拟过程中的难点及其可行性.结果表明,GA-BP模型优化了网络结构,加快了算法收敛速率;可以用于降雨径流过程模拟,也为今后类似研究提供一种模拟技术.在实际应用中可以根据流域资料情况选择合适的模型进行水文模拟作业.

BP神经网络在图像字符识别中的改进和应用

传统BP神经网络算法虽然具有良好的学习能力和容错能力,但是收敛速度慢,易陷入局部极小点等缺点制约了它的进一步发展和应用.针对这些不足,采用自适应学习率结合附加动量因子的方法可以有效缩短训练时间,加快收敛速度,同时抑制寻优算法陷入局部极小点.将该算法应用于图像字符识别系统中,通过一系列实验优化系统参数之后给出系统识别结果,表明该系统识别具有较高的准确性和鲁棒性.

基于改进BP神经网络的数字识别

针对BP(Back Propagation)神经网络易陷入局部极小、收敛速度慢的缺点,提出了一种新的BP神经网络改进算法。与标准BP算法比较,该系统通过结合附加动量法和自适应学习速率形成新的BP改进算法。附加动量法虽然可以使BP算法避免陷入局部极小,但是对初始值的选取比较敏感,而且选取合适的学习速率比较困难。而自适应学习速率法可以自动把学习速率调整到一个合适的数值,也可以加快网络的收敛速度,但不能避免陷入局部极小。通过将两者结合起来形成新的改进算法,既可以避免陷入局部极小又可以加快网络的收敛速度。并在此基础上设计一个基于BP神经网络的数字识别系统,此系统可以作为核心部分应用到诸如票据等数字识别中去。实验结果表明,该方法成功的避免了BP算法陷入局部极小,而且收敛速度比标准BP算法提高了17.5倍。

基于自适应学习速率的模糊神经网络控制器

针对模糊神经网络控制器中很难确定一个最佳学习速率的问题,将带有动量因子的自适应学习速率BP算法引入模糊神经网络控制器中。采用模糊推理自适应调节学习速率,同时引入动量因子,提高系统的收敛速度,并基于Lyapunov定理给出了系统稳定的证明过程。针对同一数学模型,用Matlab编程仿真3种方法的实验结果表明:优化后的模糊神经网络控制器较普通模糊神经网络控制器和模糊控制器具有更优越的控制性能。

全国私人车辆拥有量的BP神经网络模型预测与分析——基于附加动量与自适应学习速率相结合的BP方法

私人车辆拥有量的变化趋势与社会经济发展密切相关,研究与预测私人车辆拥有量变动对了解社会经济发展具有重要的意义。文章以1985—2013年全国私人车辆拥有量的发展情况为研究对象,利用附加动量法与自适应学习速率相结合的BP神经网络模型对全国私人车辆拥有量进行研究与预测,结果表明利用该模型对私人车辆拥有量进行预测的精度较高、效果好。

BP网络学习参数模糊自适应算法的实现

前馈神经网络BP算法的改进方案中,对网络训练(学习)过程中学习率和惯性系数进行模糊自适应调节,以提高收敛速度,是一项很有效的措施。文中具体分析了如何根据设计者的先验知识确定模糊规则和隶属函数,并以三比特异或函数(或称奇偶分类)的实现为例,验证了这种算法的改进、加速了BP网络的学习过程。

改进的BP网络及其在电路故障诊断中的应用

BP神经网络在模拟电路故障诊断中的应用是一个十分热门的研究课题,但BP网络自身的学习收敛速度慢、容易陷于局部极小等缺陷则限制了其应用。提出了一种改进型的BP网络诊断模拟电路故障的方法,详细介绍了自适应学习率动量法,对模拟电路故障进行诊断和分析研究。最后,给出了仿真实例,验证了自适应学习率动量法加快了样本学习收敛速度,具有更好的实时性和诊断效率。

基于改进BP神经网络的水位流量关系拟合

水文测站需要精确的水位流量关系,这是一种非线性关系,用传统方法进行关系拟合会产生较大误差。利用神经网络对非线性系统处理的强大能力,基于附加动量、自适应学习率以及数值优化的改进BP神经网络方法,对水位流量关系进行了高精度函数逼近。首先,对改进BP神经网络算法进行了详细描述和分析;而后,通过实测水文数据的仿真计算研究,与现有最小二乘法、遗传算法等多种方法进行了对比,并进行水位流量关系曲线的绘制。仿真结果表明,相比目前已有的算法,采用改进BP算法可以达到更高的拟合精度,是一种有效的方法,能够满足水文测站对水位流量关系曲线拟合的要求。

基于改进BP神经网络的网络流量预测

为了提高网络流量的预测精度,克服BP神经网络预测过程中存在收敛速度慢、易陷入局部极小值的缺点,提出改进BP神经网络的网络流量预测模型。该模型引入动量因子和自适应学习速率来改进BP神经网络。仿真结果表明,改进BP神经网络预测的结果误差更小,精确度更高。

基于自适应BP网络的涌潮波速计算模型

运用BP网络附加动量法和自适应学习速率法,建立神经网络模型,模拟计算涌潮波速。根据部分试验数据对网络进行训练,确定相关参数,建立涌潮波速计算模型,同时利用其余部分试验数据对模型进行检验,模拟结果与试验数据吻合较好,相关程度高,表明神经网络模型用于计算涌潮波速是合适的。

应用人工神经网络计算孤立波爬高

运用附加动量法和自适应学习速率对具有一层隐含层的 BP 网络进行改进，并由此建立神经网络模型来计算孤立波的爬高。将试验值分别与 Synolakis 公式以及本文结果进行比较，证实神经网络模型计算方法对于计算孤立波的爬高是合适的。

CO2焊熔池附近区域图像灰度值与工艺参数的关系研究

CO_2焊在熔滴短路过渡过程中熔池附近区域的金属飞溅、光照强度变化剧烈,严重影响焊缝特征提取的实时性和可靠性。采用正交试验法和改进的BP神经网络,建立了焊接工艺参数与CO_2焊熔池附近区域图像灰度值的映射关系。结果表明:BP神经网络模型的训练结果与试验结果的误差很小,满足精度要求。该模型能很好地反映熔池附近区域图像灰度值与焊接工艺参数的关系。

基于改进BP神经网络砾石土-滤层渗透破坏判别研究

针对BP人工神经网络具有易陷入局部极小、学习过程中常常发生振荡等缺陷,提出了在BP算法中引入动量因子,并采用自适应调整学习率的梯度下降算法,建立了砾石土渗透破坏判别的改进BP神经网络模型。根据砾石土渗透破坏的实测资料,分别对BP神经网络判别结果和改进的BP神经网络判别结果进行比较,结果表明后者比前者判别能力更佳。

基于BP神经网络的企业信用评级模型

通过科学的方法对企业信用进行分析、评级和判断,给出定性与定量相结合的指标体系,建立基于BP神经网络的两类企业信用评级模型.针对局部收敛的缺点,用自适应学习率和附加动量项改进信用评级,并运用该模型对我国2004年100家ST和非ST上市公司进行评级,得出对训练样本和测试样本的评级准确率,表明神经网络技术作为智能化科学方法,非常适合企业信用评级,但也存在网络稳定性差等不足.