基于误差反传小波神经网络的船舶横摇时间序列预报

结合小波分析和神经网络的特点,建立了应用于船舶横摇运动时间序列预报的误差反传小波神经网络结构并给出了算法。作者利用多输入、单输出小波神经网络预报模型进行了仿真,取得了良好的仿真效果。此方法不仅可应用于横摇运动时间序列预报,亦可用于纵摇、艏摇的时间序列预报。

神经网络中误差反传算法的分析与改进

分析了ＢＰ网络存在的主要问题及其产生原因，提出了改进算法ＢＰＧ，以共轭梯度方向代替梯度方向进行搜索，并在学习过程中采用不精确的一维搜索、限幅和条件轮回等措施．计算机仿真结果表明：改进的ＢＰＧ算法优于原ＢＰ算法．

基于遗传算法-误差反传神经网络的变风量空调系统空调箱故障诊断

本文针对变风量空调系统空调箱常见的8种软硬故障,提出了基于遗传算法(Genetic Algorithm,GA)结合误差反传(Back Propagation,BP)神经网络的故障诊断方法。通过变风量空调系统硬件在环仿真平台获取了不同故障工况下的数据;在BP神经网络模型的基础上,利用遗传算法对其权值和阈值进行优化,建立了GA-BP神经网络故障诊断优化模型;分析比较了BP模型和GA-BP优化模型的故障诊断性能。结果表明:GA-BP优化模型可以有效分离出8种故障,较BP模型有更好的故障诊断性能,准确率提高至90.7%;在相同神经元个数的情况下,GA-BP优化模型的故障诊断准确率更加稳定。

人工神经网络在配煤过程状态建模中的应用研究

本文详细介绍了人工神经网络应用于状态建模的方法．对神经网络应用中的一些难点提出了切实可行且有效的解决措施，并举例作了应用示范．同时还介绍了神经网络方法应用于优化动力配煤的情况，并就神经网络方法在优化动力配煤中的进一步应用作了展望．

人工神经网络应用于光谱分析：校正与辨识

将人工神经网络（ＡＮＮ）用于光谱分析校正与定量分辨中。采用三层节点模型和反向传播学习算法对模拟与实测数据处理结果表明，人工神经网络对光谱分析校正与定量辨识是可行的，从而为光谱辨识与多元校正提供了一条新途径。

人工神经网络模型及其在农业和生态学研究中的应用

对于一些复杂的农业生态系统,人们对其生态过程了解较少,且这些系统的不确定性和模糊性较大,用传统的方法难以模拟这些系统的行为,神经网络模型因为能较精确地模拟这些系统的行为,而引起生态学者们的广泛兴趣。该文着重介绍了误差逆传神经网络模型的结构、算法及其在农业和生态学中的应用研究。误差逆传神经网络模型一般采用三层神经网络模型结构,三层的神经网络模型能模拟任意复杂程度的连续函数,而且因为它的结构小而不容易产生与训练数据的过度吻合。误差逆传神经网络模型算法的主要特征是:利用当前的输入误差对权值进行调整。在生态学和农业研究中,误差逆传神经网络模型通常作为非线性函数模拟器用于预测作物产量、生物生产量、生物与环境之间的关系等。已有的研究表明:误差逆传神经网络模型的模拟精度要远远高于多元线性方程,类似于非线性方程,而在样本量足够的情况下,有一定的外推能力。但是误差逆传神经网络模型需要大量的样本量来保证所求取参数的可靠性,但这在实际研究中很难做到,因而限制了误差逆传神经网络模型的应用。近年来人们提出了强制训练停止、复合模型等多种技术来提高误差逆传神经网络模型的外推能力,也提出了Garson算法、敏感性分析以及随机化检验等技术对误差逆传神经网络模型的机理进行解释。误差逆传神经网络模型的真正优势在于模拟人们了解较少或不确定性和模糊性较大系统的行为,这些是传统模型所无法实现的,因而是对传统机理模型的重要补充。

多块神经网络误差反传的新概念

连接型网络的误差反传学习通常只是改变网络的权系数，所学的知识仅存储子所用网络内部神经元的连接之中，而神经元的作用函数在学习过程中保持不变．人脑中的神经无处理信息的方式对变化的信息环境应该具有相应的自适应性，这样的观点用于连接型网络的学习便意味着，在学习过程中，不仅网络内部神经元的连接，表示神经无处理信息方式的作用函数也应该可以变化，参与学习．本文对具有上述功能的多块神经网络以矢量一矩阵的形式给出了一般性的描述，并介绍了相应的误差反传学习算法．多块神经网络及其学习算法的矢量一矩阵描述有助于网络的稳定性分析和学习算法的收敛性分析．

人工神经网络在岩溶水资源评价中的应用

本文通过采用并加以改进的误差反向传播人工神经网络(BPN)算法,使网络收剑速度加快和避免局部极小。在此基础上建立了岩溶水模拟模型,同时以济南为例对模型进行了应用验证。拟合结果表明,该方法对于岩溶水资源评价具有较大的适用性。

人工神经网络在双向板弹性内力计算中的应用

将人工神经网络技术应用于结构内力分析。介绍了前馈型BP神经网络的模型及其算法 ,在分析双向板弹性内力时 ,建立了一个三层的BP网络 ,将该网络进行训练后计算四边简支双向板跨中弹性最大弯矩。在分析时 ,为了增强网络的推广能力 ,还以权值的修正量作为参考的收敛标准 ;同时 ,为了加快学习速率而不导致振荡 ,还采用了增加动量系数的方法来修改反传中的学习速率。BP网络的分析程序采用Matlab编制。

人工神经网络模型在水稻群体分蘖动态模拟中外推能力的测试

研究利用人工神经网络模型 ,以水稻群体分蘖动态为例 ,采用交互验证和独立验证的方式 ,对水稻生长 BP网络模型进行了训练与模拟 ,其结果与水稻群体分蘖的积温统计模型、基本动力学模型和复合分蘖模型进行了比较。研究结果表明 ,神经网络模型具有一定的外推能力 ,但其外推能力依赖于大量的训练样本。神经网络模型具有较好的拟合能力 ,是因为有较多的模型参数 ,因此对神经网络模型的训练需要大量的参数来保证其参数不致过度吻合。具有外推能力神经网络模型的最少训练样本数应大于 6 .75倍于神经网络参数数目 ,小于 13.5倍于神经网络参数数目。因此在应用神经网络模型时 ,如果神经网络模型包括较多的输入变量时 ,可考虑采用主成分分析、对应分析等技术对输入变量进行信息综合 ,相应地减少网络模型的参数。另一方面 ,当训练样本不足时 ,最好只用神经网络模型对同一系统的情况进行模拟 ,应谨慎使用神经网络模型进行外推。神经网络模型给作物模拟研究的科学工作者提供了一个“傻瓜”式工具 ,对数学建模不熟悉的农业研究人员 ,人工神经网络可以替代数学建模进行仿真实验 ;对于精通数学建模的研究人员来说 。

弹性反传神经网络法预测烷基苯的疏水性常数

介绍了应用人工神经网络预测烷基苯分子疏水性常数的方法。该法同传统方法相比 ,具有操作简便 ,适用范围广的特点。基于误差反传神经网络 ,建立了分子连接性指数 (χ)、范德华表面积 (Aw)和疏水性常数 (logP)之间的数学模型。应用该模型对烷基苯分子的疏水性常数进行预测 ,其平均相对偏差为 0 6 7%。并且通过与标准误差反传算法和自适应学习算法相比较 ,发现弹性反传算法具有训练速度快 。

GBP人工神经网络在变压器故障诊断中的应用

人工神经网络在电力变压器故障诊断中得到应用．本文利用广义误差反传（ＧＢＰ）人工神经网络建立了相应的故障诊断神经网络模型，对变压器的故障诊断进行了新的探索．这种方法能克服普通反向传播算法所存在的容易陷入局部极小点，对初值要求较高等缺点．实例诊断结果证明，这是一种比较理想的方法．

多层前传神经网的广义误差反传训练与模式分类

本文以天然留兰香的组分构成与其品质的关系为例,讨论人工神经元方法用于复杂信息模式分类的问题。提出一种广义的误差反传训练策略,将网络的训练范围从联接权扩大到神经元模型。这种新的训练方法(GBP)能提高多层前传网络的学习效率,加快收敛的速率。实际运行的结果表明,所需训练时间仅为普通误差反传(BP)训练方法的1/15,并能达到较高的预报精度。

减小点焊质量神经网络监测模型误差的措施

点焊过程监测信息与质量参数之间关系也含有较大的非线性 ,用线性模型去描述这样的关系将导致模型误差的增加。为了更好地描述点焊过程监测信息与质量参数之间的复杂关系 ,文中将神经网络理论用于点焊过程模型化。在建立点焊质量神经网络监测模型的过程中 ,发现 ,训练过程中的”假饱和”现象是减小网络模型误差的主要障碍。为此 ,分析了各种减小网络模型误差的可能途径 ,提出了相应的改善措施 ,并通过试验证明 ,所提出的观点是正确的。

融合遗传算法和BP神经网络对基坑地表沉降预测的应用研究

随着基坑开挖的范围和深度越来越大,如何保证在基坑开挖过程中地表的沉降安全至关重要。本文利用遗传算法对BP神经网络预测模型进行权值和阈值优化,对基坑地表沉降监测时间序列进行预测处理,同时将预测结果与遗传算法和神经网络预测模型进行了定量性的比较和分析,结果表明融合模型比BP神经网络能够更加快速精确的预测基坑地表的沉降趋势,与此同时,本文将地下水的沉降时间序列和基坑地表的沉降进行了相关性分析,结果表明,地下水的沉降对基坑地表的沉降的影响较大,为基坑地表沉降预测提供了技术支持和参考。

建立点焊质量神经网络监测模型时作用函数的选取

多层前向神经网络是最常用、最流行的神经网络模型 ,其逼近能力和训练算法是其应用的关键。误差反传算法 (BP)以诸多的优点而成为多层前向神经网络训练的首选算法 ,但却存在收敛速度慢的缺点。研究发现 ,“假饱和”是导致BP算法收敛缓慢的主要原因之一 ,也是减小点焊质量监测模型误差的主要障碍。为了减少BP算法学习过程中出现“假饱和”的可能性、加快学习速度 。

自适应动量项BP神经网络盲均衡算法

为了消除数字信号在传输过程中产生的码间串扰,使得接收端能够正确解调,对信道畸变进行有效补偿,在基于动量项BP神经网络盲均衡算法的基础上,提出一种能够自适应调节BP神经网络动量项的盲均衡算法。该算法根据盲均衡过程中误差函数的变化情况,自适应调节BP神经网络的动量项,充分发挥动量项在避免网络训练陷于较浅的局部极小点的优势。仿真实验结果表明,该算法在稳定性及收敛性能上均优于固定动量BP神经网络盲均衡算法。

扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进。对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型。用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析。最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比。结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力。

前向神经网络参数估计中的进化规划

人工神经网络在很多领域有着成功的应用。神经网络参数估计有许多训练算法，BP算法是前向多层神经网络的典型算法，但BP算法有时会陷入局部最小解。进化规划是一种随机优化技术，它可以发现全局最优解。文章介绍了进化规划在前向多层神经网络参数估计中的应用，结合具体例子给出了算法实现的具体操作步骤和实验结果。实验数据表明采用进化规划得到的网络参数是最优的，神经网络的性能优于基于BP算法的神经网络性能。

基于模糊神经网络的数据挖掘方法研究

提出一种用模糊神经网络来进行数据挖掘的方法。把输入量进行模糊分类后,对神经网络进行训练,用误差反传的算法对神经网络的权值进行修正,并提出利用阀值来筛选规则,来得到有效的规则。最后通过一项实例来验证方法的有效性。