混凝土强度预测的混沌优化神经网络模型

BP神经网络方法由于综合考虑了高强度、高性能混凝土强度的各种影响因素 ,能够实现非线性关系 ,可以用于混凝土强度预测上。为克服传统BP网络收敛速度慢、易出现麻痹现象等不足 ,本文采用自适应变步长(ABPM)算法来改进的BP神经网络 ,提出了基于混沌优化的自适应变步长 (ABPM)神经网络模型 ,并将其预测结果和训练效率进行了分析。该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面 .仿真结果表明 ,混沌优化的ABPM神经网络用于混凝土强度的预测 ,方法简单可行 ,搜索速度快 ,预测结果可靠、精度高。

人工神经网络中损失函数的研究

分析了平方差损失函数(Quadratic Cost Function)和交叉熵损失函数(Cross Entropy Cost Function)对人工神经网络收敛性的影响,解释了使用平方差损失函数造成网络训练时间较慢的主要原因,并通过仿真实验验证了交叉熵损失函数可提升网络收敛速度.

基于逐步判别法的神经网络储层流体识别技术

储层流体的识别一直是石油工业中重要的问题,也是长期困扰大家的一个难点。针对测井资料并综合利用各种数学手段,如交会图法、多参数方程、统计分析以及神经网络等方法大大提高了对储层流体识别的准确率。尤其是近些年来BP神经网络技术在储层流体识别中得到了很好的推广和利用。在使用BP神经网络时,很多人倾向选择所有的测井参数作为神经网络的输入。本文利用逐步判别法来优选测井参数作为神经网络的输入,逐步判别法可以优选判别能力强的参数,剔除对区分总体不明显的变量,这样优选测井参数的神经网络收敛速度快,预测准确率高。

BP算法的改进及其在焊接过程控制中的应用

BP算法存在着收敛速度较慢、易于陷入局部极小点的问题 ,为了解决该问题 ,对 BP算法作了大量仿真试验和深入分析后 ,发现神经网络各层间权值调节量存在较大的差异 ,从而提出了一种新的改进方法 ,充分发挥神经网络各权值对网络训练的贡献。试验结果表明 ,新算法与基本的 BP算法相比大大提高了网络收敛速度 ,用改进的算法对焊接过程进行了控制仿真 ,获得了较好的结果。

基于压缩因子的宽度学习系统的虚拟机性能预测

在基于基础设施即服务的云服务模式下,精准的虚拟机性能预测,对于用户在众多资源提供商之间进行虚拟机租用策略的制定具有十分重要的意义.针对基于宽度学习系统(Broad learning system,BLS)的预测模型存在许多降低虚拟机性能预测准确性和效率的冗余节点,通过引入压缩因子,构建基于压缩因子的宽度学习系统,使预测结果更逼近输出样本,能够减少BLS的冗余特征节点与增强节点,从而加快BLS的网络收敛速度,提高BLS的泛化性能.