利用人工神经网络预测电离层F_2层骚扰

利用人工神经网络技术 ,提出预报离散随机的电离层骚扰事件的新方案 .本文重点讨论了预报电离层骚扰的人工神经网络的构造 ,采用模糊理论和模式识别的思想构造了网络的输入层和输出层 .将与电离层骚扰相关的日面现象如太阳耀斑、黑子等的日面位置、强度等参量作为网络的输入 ,该方案预报结果检验中 ,使传统方法难以预报的小型和中型电离层 (骚扰达到 80 %以上 )的预报准确率有所提高 .最后还提出了利用人工神经网络识别单一型别骚扰事件的方案 ,预报准确率在 95%以上。

基于高维小波神经网络的热连轧板材质量模型研究

热连轧板材的生产要经过多道工序,影响板材质量的因素众多,且与板材质量之间是极其复杂的非线性关系.本文采用LVQ(Learning Vector Quantization,学习矢量量化)神经网络对热连轧板材的生产样本数据聚类,然后按照热连轧板材的生产工序构建基于双输入层高维小波神经网络的热连轧板材质量模型,将板材炼制的输入参数置于网络的第一输入层,将板材轧制参数置于网络的第二输入层.仿真结果表明,改进的模型拟合命中率达到92.3%,测试命中率达到84.5%,可以满足企业生产的需要.

基于加工工序的高维多输入层神经网络及应用

提出一种新的神经网络——高维多输入层神经网络,给出了这种神经网络的结构图及其学习算法.这种神经网络可看作是BP神经网络将一部分输入结点移至其某些隐层上的结果,因此具有较少的连接权;又因为这种神经网络可以依照生产流程安排除第一层以外各输入层的位置,只要位置安排合适,这种神经网络可达到比BP神经网络好的效果.文章将这神经网络按加工工序用于热轧产品质量的建模中,并将结果与BP神经网络的结果进行比较,事实表明,由于连接权值的减少,这种神经网络具有较快的学习速度,在同样的时间内可以达到比BP神经网络更好的学习效果.