人工神经网络在电力营销系统中的应用与实现

在电力行业信息化发展背景下,收集与存储大量电力数据,可为电力企业营销决策制定提供依据。该文提出采用人工神经网络构建电力营销系统BP神经网络模型,通过智能决策树分类算法预处理模型数据,得到最优化的模型数据,并改进神经网络隐含层节点数目算法,结合应用分时段预测方法及共轭梯度算法分别进行网络训练及网络结构优化,为网络收敛速度加快提供保障,得出相对准确的电力营销年度电量预测结论,说明电力营销系统中人工神经网络具有较高的应用价值。

无刷直流电机免疫反馈自适应学习人工神经网络控制

针对BP神经网络收敛速度较慢、学习时间较长的缺陷,提出了基于免疫反馈规则的神经网络控制器用于无刷直流电机的转速控制中.该规则根据免疫系统中的T细胞的生物免疫反馈机理而总结出来,包括决定应答速度的激活环节和决定稳定效果的抑制环节.将免疫反馈规则应用于BP神经网络训练中学习速率的自适应调节,加快了神经网络的收敛速度,缩短了学习时间.无刷直流电机控制系统采用双闭环控制,内环为电流环,外环为速度环.MATLAB仿真和实验表明,采用该方法的系统超调量小、速度响应快,而且速度响应受电机参数变化影响小,各种外界干扰也得到了很好的抑制,具有较高的控制精度和较好的动、静态性能.

基于BP人工神经网络的含蜡原油触变应力计算

含蜡原油的流变性对其管道输送有着重要的影响.当原油温度逐渐接近凝点时,原油表现为非牛顿流体,其流变性表现出异常复杂的触变性.利用人工神经网络较强的非线性逼近、良好的自适应和预测性能,采用误差反向传播算法(即BP算法)对含蜡原油的触变剪切应力进行了计算,计算结果与实验结果和采用R-G模型方程计算的结果进行了对比.结果表明,BP网络计算的精度高于R-G模型方程计算的精度,BP网络和R-G模型的计算结果与实验结果的最大相对误差分别为5.0%和12.7%.

对BP人工神经网络在农产品的灰色仿真评估上应用的探讨

基于已有的农产品商品性状综合评价体系,提出了人工神经网络(ANN)农产品商品性状评价模型,进行了其网络在番茄商品加工性状评价的具体应用,并将其评价结果与已有的评判结果进行比较。结果表明,7个品系中只有品系YH02-7、YH02-11、YH02-8、YH02-5与专家排序相差一个位次,其他均相同。说明建立的模型实用、可操作性强,评价结果可靠,具有较好的应用前景,为全面评价农产品商品性状提出了新的思路和方法。

基于BP人工神经网络的发动机生产作业环境综合评价模型

针对输入与输出之间高度非线性映射的发动机生产作业环境综合评价问题,文章应用误差反向传播(error back propagation,BP)人工神经网络构建综合评价模型。通过分析发动机生产作业环境的特点、主要影响因素及其危害,建立发动机生产作业环境评价指标体系,并确定每个单项指标的分级标准;将温度、湿度、气流速度、油雾、噪声以及照度6个指标作为模型输入,舒适度等级作为模型输出,建立3层BP神经网络模型;并应用贝叶斯正则化和动量梯度下降法较好地解决了传统BP人工神经网络训练高精度和预测低精度的过拟合现象。实验结果表明,基于该模型的评价结果符合实际情况,对作业环境改善具有指导意义。

人工神经网络中BP算法及其改进的思考

神经网络 ,是指为了模拟动物神经细胞群学习特性的结构和功能而构成的一种信息处理系统或计算机系统 ,拥有很强的适用于复杂环境和多目标控制要求的能力。BP算法是神经网络中重要的、应用广泛的学习算法。本文介绍BP算法的原理。并分析了对BP算法进行改进的多种方法。

人工神经网络在成矿预测中的应用

成矿预测正从定性描述性预测向定量成矿预测转变,数理统计方法和技术逐渐引入地学研究。传统统计方法多假想包含地学现象的空间为均质,假定在一个尺度上的地学关系在另一个尺度上也是相同的,而在实际应用中这样的地质条件是不可能存在的。而非线性科学正具有不满足线性叠加原理的性质,因此将非线性科学如人工神经网络与成矿预测相结合是未来矿产资源预测的发展方向。采用Kohonen聚类模型和BP预测模型相结合的方法,对包古图金矿区1444个矿点的地球化学数据进行聚类分析并建立成矿预测模型,预测正确率为85.2%。该方法性能良好,具有一定的实际意义,为解决成矿预测提供了一种新的手段。

基于人工神经网络的百度地图坐标解密方法

提出了一种针对百度地图坐标加密算法的解密方法,利用百度开放的坐标转换接口获取多组GPS和百度地图坐标对,基于BP神经网络拟合出逆转换函数,利用训练后的BP网络来预测新的百度坐标所对应的GPS坐标。实验结果证明,该方法得到的GPS坐标与实际的GPS坐标较为接近,因而可以达到较为理想的解密结果。

基于人工神经网络的病症诊断原型系统

知识获取是目前专家系统和知识库系统的“瓶颈”问题。解决这个问题的关键在于知识的自动获取方法的实现,也就是希望能够达到智能获取。这里以知识库系统理论为基础,在中医医案的研究中,实现对病症推断的自动获取,探讨知识获取实现的方法,研究人工神经网络的BP算法的应用。

人工神经网络在预测深基坑周边地表沉降变形中的应用研究

深基坑开挖引起的周边地表变形预测是一个复杂非线性问题,引起地表沉降的影响因素很多,各因素之间呈高度的非线性关系。传统的基坑用边地表沉降变形预测方法存在着一定的局限性,其预测精度有待提高,而人工神经网络是一种多元非线性动力学系统,可以灵活方便地对多成因的复杂未知系统进行高度建模,实现全面考虑各种主要影响因素的深基坑周边地表沉降变形预测。本文介绍了误差反向传播(BP)网络模型的结构、学习过程及其算法的改进,径向基函数(RBF)网络模型的结构及其学习过程;分析了影响深基坑开挖周边土体沉降变形的主要影响因素;以25个基坑工程的地表沉降实测资料为训练样本,建立了11个输入影响因素的BP神经网络模型和RBF神经网络模型,通过对样本的学习训练过程及对5个检验样本的预测精度,说明了人工神经网络用于预测基坑周边地表沉降的可行性和准确性。

人工神经网络在聚氨酯配方设计中的应用研究

应用人工神经网络技术,采用Matlab软件设计BP网络模型,建立聚氨酯配方技术参数与拉伸强度的复杂的非线性关系,从而能够预测指定的聚氨酯配方技术参数所对应的拉伸强度值。结果证明,神经网络技术能够应用于聚氨酯配方设计,所建立的神经网络模型能较正确地反映聚氨酯配方技术参数与其拉伸强度之间的规律性。模型对拉伸强度的预测误差基本上可控制在4.60以内,对实验具有明显的指导作用。

基于人工神经网络的绿色营销绩效评价方法研究

本文界定了绿色营销绩效的基本内涵 ,描述影响绿色营销绩效的诸因素 ,阐述了人工神经网络应用于绿色营销绩效评价的理论依据和基本思路 ,构建了绿色营销绩效评价的反向误差传播(BP)模型 ,提出了基于该模型的绿色营销绩效评价框架 。

基于人工神经网络的数字识别技术

文章介绍了一种利用BP神经网络进行数字识别的方法。首先,对数字进行特征提取,获得采样数据,再对样本数据进行学习和训练,形成良好的网络,然后对与训练数字有所区别的数字进行检测,达到了一定的准确度,表明了该方法在实际应用中具有可行性。本文共分为五部分,第一部分对神经网络的基本原理进行了简单介绍,第二部分讲述了反向传播算法的基本原理,第三部分讲述了数字识别的基本原理,第四部分讲述了基于人工神经网络的数字识别的实例,第五部分对上述内容作了简要小结。

人工神经网络光度法同时测定水中Fe(II)、Fe(III)

应用径向基函数人工神经网络(RBF)和误差反向传播神经网络(BP),采用磺基水杨酸-邻菲罗啉双显色剂光度法同时分析了水中Fe(II)和Fe(III)。实验证明,RBF算法在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法。该技术和光度法结合有望成为多组分分析的有效选择方法之一。

基于人工神经网络的企业生存风险识别方法研究

本文从企业生存风险内涵出发 ,区别了企业生存的点风险和线风险 ,定义了企业生存风险识别的三种理论模式 ,建立了企业生存风险识别的多层次指标体系 ,分析了企业生存风险识别的实质 ,阐述了人工神经网络应用于企业生存风险识别的理论依据和基本思路 ,构建了企业生存风险识别的反向误差传播 (BP)模型 ,提出了基于反向误差传播 (BP)模型的企业生存风险识别框架 ,以期为企业生存风险的识别与防范提供参考。

人工神经网络在煤与瓦斯突出预测中的应用

由于煤与瓦斯突出发生机理的复杂性,传统预测方法的应用受到很大的限制,而人工神经网络理论以其高度非线性映射的特性为解决这一问题提供了新的途径。以突出预测指标为基础,利用多层反向传播神经网络(BP网络)模型实现对突出危险性的预测。实例分析表明,模型精度很高,可用于工作面煤与瓦斯突出危险性的预测。

人工神经网络在工业控制领域中的应用

将BP神经网络引入到对焊缝成形信息进行预测,并在此基础上设计逆向神经网络模型,通过控制焊接工艺参数,达到实现预期焊缝形状的目的。通过比较发现神经网络的预测精度较高,同时其反向控制系统可以对焊接工艺参数予以实时监控,实现预期控制目标。由此得出结论:神经网络在工业控制领域的应用范围广阔,前景可观。

人工神经网络及其在盐田水体遥感图像分类中的研究

卫星遥感技术的发展为盐业生产资源监测提供了有效的手段。文章首先介绍了遥感图像分类的原理及其常用方法,接着就人工神经网络基本概念和常用算法进行阐述,并着重介绍了反向传播网络(BP网络),最后以天津塘沽盐场区域为研究对象,用BP网络进行了盐田水体识别实验。

人工神经网络的方法及应用初探

人工神经网络是人们受生物系统中发生的自学习过程的启发而建立的一门学科。人工神经元和神经网络就是在试图模仿生物的相应工作机理,把自学习看作是一种自主的过程。生物神经的学习是通过调整突触的权基发生的。人工神经网络也是通过调整网络的权值和阀值来学习的。应用数学的方法可以获得人工神经网络权值和阀值的调整规律。