应用倒传递类神经网络模拟预测山棕寮地滑地位移之研究

地滑为陡坡地最具破坏之灾害形态之一,藉由实施地滑地监测与评估,可以协助政府拟订适当的管理对策。研究以台东县池上乡山棕寮地滑地为例,利用倒传递类神经网络(BPNN)具有建构高复杂且非线性关系方式预测坡面位移变化。研究所发展之倒传递类神经网络分析系应用MATLAB程序之Levenberg-Marquardt算法求解。网络输入系以直接关系位移之7个物理因子为变数,建构最佳之4层网络。根据监测资料共取12次台风暴雨事件,作为网络训练及模拟测试,并分别以6批次、8批次、10批次等3种情况网络训练对应模拟测试。研究结果显示所需监测台风暴雨事件至少8批次,即可达到13.1%预测位移误差。其误差精度可作为中危害度以上地滑地执行后续监测管理值与利用管理之参考。

基于遗传神经网络的产品配色设计

由于科技的进步和消费者意识的提高,加快了产品的生命周期,如何帮助设计师掌握消费者的感觉,提高产品创新的时效性,是一个不容忽视的问题.从感性工学的理论和知识出发,将目标产品(电话计费器)划分为色块的组合构成,以配色理论制作配色意象问卷,运用倒传递类神经网络学习的特性模拟配色意象评价模式,再通过遗传算法调适与更新的特性搜寻最符合需求意象的配色组合.研究结果显示:通过实验,依据类神经学习与遗传演算推演出的配色组合方式,最终可以架构系统而得以顺利执行,并且提供配色子代的样本作为建议.由本研究的结果可建立一个评估色彩感性的决策支持系统,藉以加快设计流程,辅助设计师以比较有效率且客观的方式进行产品色彩设计.

基于神经网络模型的输沙过程推估

以皇甫川流域为研究对象,在分析区域降雨及来水量对含沙量影响的基础上,分别构建静态倒传递神经网络及动态反馈式神经网络模型推估汛期输沙过程,并对模型推估结果与误差进行对比分析。研究结果表明:动静态模型对于流域输沙过程的推估均具有良好的模拟效果,效率系数均为0.82以上,动态反馈式神经网络模型的精度略微优于静态倒传递神经网络模型;动态网络模型推估沙峰值的效果更好,更加接近于实际观测沙峰值,推估沙峰误差最小达到了2%;静态网络模型在拟合退沙阶段的效果比动态网络模型的效果好。

基于类神经网络注塑成型翘曲和收缩值之预测

以熔融温度、模具温度、射出时间、保压压力、保压时间等5个制程参数作为控制因子。利用Moldflow来模拟塑料薄壳挡板不同的成型制程参数下的翘曲与收缩值。基于仿真所得翘曲及收缩值数据,使用田口方法结合倒传递神经网络5-14-14-2建立预测模型。再利用测试样本来验证的倒传递神经网络模型的准确性。运用所建立的倒传递神经网络模型预测其他成型制程参数的翘曲及收缩值。结果证明,田口法结合倒传递神经网络,不仅可以有效的优化倒传递神经网络,而能成功的预测翘曲及收缩值,与Moldflow仿真值相比平均误差都在±1%内。

基因算法结合类神经网络优化注塑成型参数

以熔融温度、射出时间、保压压力、保压时间、冷却时间等5个制程参数作为控制因子,利用Moldflow仿真软件对导光板模型进行模流分析,应用田口法搭配倒传递类神经网路Super PCNeuom 5.0程序,建立导光板总翘曲值、体积顶出收缩值、缩痕指数质量预测模型,再应用MATLAB基因演算程序来搜寻在控制参数水平范围内局部最佳解参数组合,使塑料产品的质量提升.

类神经无线网络入侵检测风险的研究

无线网络安全期待突破技术瓶颈,为了有效辨识伪造或是有问题的无线接入点(AP),文章提出基于频谱分析仪的类神经无线网络的入侵检测机制。该机制采用频谱分析仪测量无线电磁波的信号,提取信号值,再用sniffer分析AP流量,最后,对于AP的使用行为进行分析,将采集到的数据通过NeuroSolutions软件依据倒传递的类神经网络进行仿真。

基于模糊关联与BP网络的客户感性知识挖掘

通过建立Web问卷调查系统获取用户对产品造型特征的感性反映信息,并对用户感性评价信息予以模糊表征,进行多维模糊关联法则挖掘,进而产生客户感性信息与产品造型特征关联规则高频项目集.利用BP神经网络的学习能力对不同时段关联规则进行训练、预测和整合,从而实现客户感性知识挖掘,为产品设计辅助与企划决策支持提供新思路.

感性工学在产品配色设计中的应用研究

在感性工学的研究领域中,类神经网络被认为是颇具潜力的分析工具。为了降低产品配色的意象偏差,基于配色理论设计问卷,配合类神经遗传模拟消费者的意象评价,提供符合产品形态的配色建议,并在此基础上提出了计算机辅助配色设计系统的框架和实现方法。

计算机智能技术在切削参数优化中的应用

切削参数的选择和优化是提高机械零件加工精度和稳定性的重要保证。本文以汽车轴承支架轴承孔的精镗切削为例,选择对零件切削精度影响较大的五种参数,采用田口实验及计算机智能技术中的倒传递神经网络和遗传算法等方法的综合运用,对切削参数进行优化,迅速有效地找出最佳切削参数组合,从而提升零件质量和加工过程的稳定性,为提高机械加工企业的市场竞争力开辟了一种新的思路和途径。

计算机智能技术在切削参数优化中的应用

切削参数的选择和优化是提高机械零件加工精度和稳定性的重要保证。本文以汽车轴承支架轴承孔的精镗切削为例,选择对零件切削精度影响较大的五种参数,采用田口实验及计算机智能技术中的倒传递神经网络和遗传算法等方法的综合运用,对切削参数进行优化,迅速有效地找出最佳切削参数组合,从而提升零件质量和加工过程的稳定性,为提高机械加工企业的市场竞争力开辟了一种新的思路和途径。

气候变化对元江流域水文过程的影响

为探讨气候变化对元江流域水文气象的可能影响,并为防洪减灾提供参考依据,本研究基于CMIP6(Coupled Model Intercomparison Project Phase 6)的5个GCMs(Global Climate Model)模型,通过M-BCSD(Monthly Bias-Corrected Spatial Disaggregation)降尺度方法,获得元江流域2041-2100年在SSP126、SSP245、SSP370、SSP585四种路径下的月降雨和月气温,并利用交叉验证于倒传递神经网络(Back-Propagation Neural Network,BPNN)预测气候变化对流域出口断面径流的影响。研究结果表明:M-BCSD方法在元江流域适用性好;建立的BPNN可有效预测元江流域月径流;总体而言,元江流域在2041-2100年的年均降雨量、温度和径流都增加,最大增幅分别为24.6%、20.4%、10.2%,就季节尺度而言,春季径流减少而秋季径流增加,月尺度下,4月径流减少而11月径流增加;不同路径情景下未来水文气象要素变化一致,仅幅度有所差别。

水文模型在不同时间尺度的适用性研究

为了探讨人工神经网络和概念性水文模型在不同流域模拟日及月尺度径流的适用性,分别在长春岭和元江流域构建径流预报模型,日尺度用倒传递神经网络(back-propagation neural network, BPNN)和新安江模型,月尺度用BPNN模型和ABCD水量平衡模型,并以线性插值方法提高径流序列自相关性来提升模型模拟的精度,采用流量过程曲线图和纳什效率系数进行定性和定量评价。研究结果表明:(1)ABCD水量平衡模型适用于流域的月尺度径流模拟,该模型参数少、易优化,对数据要求低,而新安江模型对较小流域的适用性较差;(2)BPNN模型适用于径流时间序列自相关性高的日尺度径流模拟;(3)通过线性插值方法可有效增加数据量,并提高BPNN模型模拟的精度。

切削参数的两阶段优化系统

以汽车轴承支架轴承孔的精镗切削为例,综合运用田口方法、灰色关联度分析、倒传递神经网络和粒子群算法等相关技术,对切削参数进行两阶段优化,迅速有效地找出最佳切削参数组合,不仅保证加工精度符合多目标要求,而且提升产品的稳定性。通过分析和验证表明,该方法实用有效,为提高机械加工企业的市场竞争力开辟了一种新的思路和途径。

基于GISANN的宁德地质灾害风险评价系统研究

将GIS技术和神经网络集成应用于宁德地质灾害危险性评价中,发挥GIS强大的空间信息可视化管理分析功能及神经网络的非线性描述和分析功能,建立GISANN模型.旨在实现地质灾害危险性评价的可视化管理,为宁德国土资源开发、环境保护、地质灾害防治工程等提供科学决策依据,增强政府自然灾害应急救助能力,为和谐社会建设和可持续发展提供科学支撑.

BPNN的AdaBoost垃圾邮件过滤算法

本研究以倒传递类神经网络为基础,使用AdaBoost (Adaptive Boosting)方法建构一垃圾邮件检测模型,对垃圾邮件进行识别检测。本模型将BPNN作为弱分类器,使用AdaBoost算法反复训练BPNN预测输出,得到由多个BPNN组成的强分类器。结果显示,BPNN_AdaBoost模型的准确率优于BPNN模型,取得良好的分类效果。

创新TANSAFOA-BPNN经营绩效预测模型研究

随着大数据与人工智能技术的迭代更新，越来越多的产业纷纷转向智能化、专业化与知识化的经济模式，现代服务业便是其中之一。在全球竞争激烈的经济环境中，现代服务业的经营绩效发展在产业结构的转型中起到非常关键的作用。本文主要提出一种改进的果蝇演算法（TANSAFOA）优化预测模型，提升模型的预测能力，强化我国现代服务业的可持续发展。研究结果显示，本文提出的 TANSAFOA 能有效改善果蝇演算法的缺点并确实可以优化模型的预测能力。本方法可以作为现代服务业发展的共性关键技术。

基于BPNN的AdaBoost垃圾邮件过滤算法研究

垃圾邮件泛滥成灾,影响了网络的正常运行及人们的生活质量。文中以BPNN作为弱分类器,使用Ada Boost算法,将多个BPNN弱分类器组成一强分类器BPNN_AdaBoost。结果显示,BPNN_AdaBoost模型的准确率优于BPNN模型。该实验证明强分类器分类的准确率明显高于弱分类器的准确率6%以上,其中误判率与漏判率皆降低,表明BPNN_AdaBoost分类模型取得良好的效果。

应用逻辑回归进行企业经营效率之预测

企业经营效率不仅是管理者重视的问题,更是投资人作为投资依据的重要参考指标。一般而言,在进行企业经营效率分析时,大多实行企业财务预警的模式进行。本文提出另一种预测企业经营效率的方法,由公开的企业财务报表数据来分析企业的经营效率。本文首先搜集台湾上市上柜传统产业之287家私人企业财务比率数据及财务报表作为样本数据。而财务报表的资产总额以及员工人数视为投入项,每股营收视为产出项进行数据包络分析,计算出各企业的技术效率值,以此数据划分为经营效率良好及经营效率不良之企业。然后将数据分为训练数据及测试数据,以建构决策树分类预测模型,并与倒传递类神经网络及逻辑回归模型进行分类能力之比较。研究结果显示,逻辑回归模型之分类能力显著优于倒传递类神经网络及决策树模型。