基于标准化动量BP神经网络的GPS高程转换

采用动量BP神经网络算法拟合高程求解,训练样本的量纲存在一定的差异性,为改善不稳定性,通过对样本进行标准化处理,得到了理想的训练效果。将该方法得到的计算结果与平面拟合、二次曲面拟合及其他神经网络方法计算的结果进行对比得出:标准化动量BP神经网络算法求解高程,精度可靠且稳定。

技术创新与标准化协同耦合对我国家电业国际竞争力的影响——基于BP神经网络的实证研究

当今世界迈入了创新密集和标准主导竞争的时代,技术创新与技术标准化的协同耦合成为决定一国产业或产品国际竞争力的关键性因素。本文基于技术创新与标准化协同耦合关系影响国际竞争力的机理分析及中国家电业技术创新与标准化的协同耦合度计算,以BP神经网络为分析方法,构造技术创新、标准化及其协同耦合度与我国家电业国际竞争力间关系模拟模型。实证结果显示,技术创新与标准化间的协同耦合度对提升国际市场占有率、显性比较优势、贸易竞争优势指数的影响最为明显,充分表明二者间的协同耦合水平是影响我国家电业国际竞争力的重要因素。

基于R/S分析的BP网络方法预测气井产量

本文利用R/S分析法对气井产量进行分析,提出了历史数据的时间序列和平稳时间序列两种不同表达方式,并利用BP网络方法预测出了气井产量。为验证这种方法的有效性,分别对BP网络与BP神经网络、贝叶斯算法三种方法进行了比较。结果表明,贝叶斯算法获得的预测结果比其他两种方法更准确、更符合实际。贝叶斯算法得到的预测结果与实际值的平均误差分别为0.67%和0.33%,而采用传统BP神经网络得到的预测结果与实际值的平均误差分别为1.71%和0.96%。

基于BP神经网络的阿根廷滑柔鱼资源CPUE标准化研究

西南大西洋阿根廷滑柔鱼(Illex angentinus)是世界上重要的经济柔鱼类,也是我国远洋鱿钓的主要捕捞对象之一。单位努力量渔获量(CPUE)是渔业中广泛使用的表达种群丰度的指标,但CPUE易受到其他因素的影响,需对其进行标准化。本研究利用2012—2017年1—4月中国大陆西南大西洋阿根廷滑柔鱼鱿钓生产统计数据以及对应区域的环境数据,构建了20种误差反向传播人工神经网络(error backpropagation network,EBP)模型以标准化CPUE。模型以月份(month)、经度(Lon)、纬度(Lat)、海表面温度(SST)、95 m深层水温(PT95)、叶绿素a浓度(Chl-a)、海表面盐度(SSS)为输入因子,隐含层结点数从1~20个逐步增加,输出层为CPUE,以决定系数(R^(2))、最小均方误差(MSE)和平均相对方差(ARV)作为模型评价标准。结果显示,7-18-1结构模型为最优模型,输入层因子权重从大到小依次为SST、SSS、Month、PT95、Lon、Lat和Chl-a。研究表明,最优BP神经网络模型能较好地预测CPUE时空变化趋势,可以尝试用来作为阿根廷滑柔鱼CPUE标准化的新方法。

基于BP神经网络的企业标准化综合评价方法研究

神经网络作为解决当前大多数非线性科学和计算智能领域问题的主要工具,对解决一些定性问题定量处理发挥了重要的作用。标准化是介于社会科学和自然科学之间的一门复杂性科学,其具有非线性的典型特点,对一些指标进行量化就显得尤为困难,目前对一些单位和项目进行标准化评价,主要采用的方法是专家打分法,对相关的管理工作带来了一定的不便。本文借助于神经网络在处理非线性问题中的优势,通过标准化工作综合评价指标体系,建立了三层BP神经网络模型,并给出了相关的算法,从性能分析可以发现,该方法对于标准化工作的综合评价具有一定的先进性,对后续提升标准化工作的科学性具有一定的参考意义。

基于改进BP神经网络的数显千分表非线性误差补偿

数显千分表零/部件制造和安装误差及使用磨损是影响其测量精度的主要因素。为了提高其精度,基于数显千分表的单片机嵌入式控制系统,提出采用北方苍鹰优化(Northern Goshawk Optimization,NGO)算法和贝叶斯正则化(Bayesian Regularization,BR)算法改进BP神经网络(NGO-BR-BP神经网络)的非线性测量误差软件补偿方法,并将其与基于BP神经网络、贝叶斯正则化BP神经网络的补偿模型进行了比较,论证了基于NGO-BR-BP神经网络的数显千分表非线性误差补偿模型具有较高的预测精度,且模型可靠性高、稳定性好。实验结果表明,在0~50 mm的测量范围内,所提出的方法可使最大误差降低到0.888527μm,而没有补偿前的最大误差为5.626μm。在数显千分表的嵌入式系统中植入NGO-BR-BP神经网络以提高千分表的测量精度,是可行和有效的。

基于贝叶斯正则化BP神经网络的GPS高程转换

为了改善BP神经网络在GPS高程转换过程中过拟合的现象,提出了用贝叶斯正则化算法的BP神经网络转换GPS高程的新方法,并利用区域GPS/水准数据,将新方法和未采用正则化算法的BP神经网络进行GPS高程转换的比较.结果表明:在较大区域和高程异常呈不规则的情况下,新方法不仅可以有效提高GPS高程转换的精度,而且通过贝叶斯正则化算法可以改善网络结构,抑制过拟合现象.在约10 km的GPS基线尺度上,新方法可以得到精度达0.050 m的正常高.

基于L-M贝叶斯正则化方法的BP神经网络在潜艇声纳部位自噪声预报中的应用

基于L-M贝叶斯正则化方法使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高。文中将BP神经网络和L-M贝叶斯正则化算法相结合用于潜艇声纳部位自噪声预报。分析了影响声纳部位自噪声的各种参数。利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳部位自噪声进行精确预报。

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。

基于主成分分析和贝叶斯正则化BP神经网络的GDP预测

选用财政收入、财政支出、消费品零售总额、实际利用外资、进出口总额以及全社会固定资产投资等对GDP有显著影响的6个因子,用1985～2008年中国的宏观经济数据建立了一个基于主成分分析和贝叶斯正则化BP神经网络的预测模型,并把它应用于我国GDP的预测。实证结果表明:通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。与其它常用的预测方法相比,该方法数据输入简便,收敛速度快,拟合曲线光滑,且在预测精度上有明显的优势。

基于BP神经网络的贝叶斯概率枯季径流预报研究

根据枯季径流的特点,采用多元线性回归模型模拟了先验分布和似然函数,建立了基于BP神经网络的贝叶斯概率枯季径流预报模型。与传统枯季径流预报方法相比,该方法预报精度高,能以概率分布形式定量描述预报的不确定性,为水量调度提供了科学的决策依据,实例应用表明,效果理想。

基于贝叶斯正则化BP神经网络的森林资源资产批量评估研究

将BP神经网络与批量评估方法结合应用于森林资源资产评估中,通过对森林资源资产评估价值主要影响因子进行数据处理,确定不同龄组的BP网络结构,结合TM算法,通过贝叶斯正则化修正BP神经网络的训练性能函数,建立基于BP神经网络的不同龄组森林资源资产批量评估模型。结果表明,贝叶斯正则化BP神经网络能够实现批量预估森林资源资产价值,其评估结果精度可靠,泛化能力很好,可为森林资源资产评估提供一种新的思路与方法。

基于贝叶斯正则化BP神经网络的上市公司信用评价研究

在神经网络训练中引入贝叶斯正则化以提高模型的推广能力。通过与未使用提高推广能力方法和使用提前停止法两种情况进行比较,表明基于贝叶斯正则化的BP神经网络模型在上市公司信用评价中的推广能力有显著的提高。

金属疲劳裂纹扩展速率的贝叶斯正则化BP神经网络预测

人工神经网络是进行预报裂纹扩展率的一个重要方法。文章针对不同金属的疲劳裂纹扩展速率分别建立贝叶斯正则化BP(Back Propagation)神经网络,将各材料在不同应力比R下的疲劳裂纹扩展速率试验数据分为两部分,一部分用来进行训练网络,另一部分用来测试训练好的网络,检验其泛化能力。将从文献中获取的4种不同金属材料的疲劳试验数据作为算例,来检验网络的性能。计算结果表明贝叶斯正则化BP神经网络不仅对训练样本有很好的拟合能力,而且对于未训练过的测试样本也有较好的预测能力,即有较强的泛化能力。同时,指出了建立网络时减少门槛值附近的试验样本点,可以提高网络的预测能力。研究结果表明,该方法可以方便地获得不同应力比R下的疲劳裂纹扩展速率,从而达到减少试验次数,充分利用已有数据的目的。并且可以进一步应用于其他金属的疲劳裂纹扩展速率的预报。

基于贝叶斯正则化BP神经网络的日光温室温度预测模型

针对日光温室温度预测模型中输入因子间存在复杂的耦合关系以及输入因子过多而导致神经网络结构规模过大等问题,选用影响日光温室温度的环境因子组成数据样本,对数据样本进行主成分分析。提取出影响日光温室内温度的前3个成分作为BP神经网络模型的输入变量,采用贝叶斯正则化算法对BP神经网络进行改进。结果表明,该方法改进的BP神经网络模型得到简化,拟合曲线光滑,具有较好的泛化能力和网络推广能力。

基于贝叶斯正则化BP神经网络的挤出温度预测模型

简要介绍贝叶斯正则化BP神经网络原理,并应用基于贝叶斯正则化训练方法的BP神经网络建立挤出温度预测模型。预测与试验结果对比表明,经过训练后的网络模型基本获取了实际挤出温度的函数形式,网络输出值与样本对应的挤出温度实际值几乎完全重合,表明该方法能达到较好的预测精度,同时具有使用简洁、快速等优点。

深圳市肠道传染病与气象及媒介因素的贝叶斯正规化BP神经网络模型

目的探讨肠道传染病与相关的主要气象指标和媒介生物密度指标的关系,建立深圳市肠道传染病发病率的BP神经网络模型,并评价其拟合效果和预测效果。方法从监测系统收集2000～2005年每月的气象资料、媒介生物监测数据以及肠道传染病疫情数据,利用Stata 8.0对与肠道传染病发病率相关的气象因素及媒介生物因素进行筛选,利用Matlab 7.0软件完成贝叶斯正规化BP神经网络模型的构建、训练及模拟。结果在各种气象因素与媒介生物密度指标中,与肠道传染病发病相关程度较高的指标分别为蟑螂密度、蝇密度、平均气温和雨量。月肠道传染病发病率的回代平均误差率和R2分别为14.9%和0.87。而进行预测时,以月份为单位的肠道传染病发病率预测平均误差率为18.4%,而以年为单位的肠道传染病发病率预测的平均误差率较低,为8.4%。结论肠道传染病伤与气象因素、媒介生物因素之间关系的贝叶斯BP神经网络模型拟合效果较好,预测准确度较高,BP神经网络在传染病发病率预测研究领域具有一定的实用价值。

基于贝叶斯正则化BP神经网络的砂土地震液化研究

砂土地震液化的影响因素具有高度的非线性关系,而神经网络在处理非线性问题上具有其独特的优越性。本文在探讨输入层模式的选择以及砂土液化影响因素的基础上,采用改进的贝叶斯正则化方法和"提前停止"算法建立了砂土地震液化预测模型,通过实例计算和模型评价,表明本模型的计算结果与规范法、改进的Seed简化法以及基于传统BP网络算法的计算结果相比具有更高的预测精度和较小的训练步长,并采用该模型对厦门集美大桥新环岛互通桥区进行砂土液化评价,证明了该模型具有较高的精度和泛化能力。

贝叶斯正则化的LMBP神经网络在电气检测系统中的应用

针对现役某型火箭布雷车上装电气系统存在较多的故障,提出了基于贝叶斯正则化的LMBP(levenberg marquardt back propagation)神经网络故障诊断算法。用基于贝叶斯正则化的LM算法来优化BP神经网络,分别结合小数据和大数据对该神经网络进行分析验证。实验结果表明,该方法收敛速度快,且预测精度高,可以用于电气系统的故障诊断和识别。

基于改进贝叶斯正则化BP神经网络的测试性评估技术研究

测试性评估是整个测试性设计工作的关键环节,能够反映设计方案的正确性、识别设计缺陷以及检验设计要求;针对当前有效评估手段的缺乏,本文提出了一种新的测试性评估方法;在建立测试性评估指标体系的基础上,利用BP网络解决非线性问题的优势,建立了评估模型,同时采用贝叶斯正则化(BR)训练方法,提高网络的泛化能力,并提出带自适应变异的质心量子粒子群(AMCQP-SO)算法,以优化BP网络初始权值和阈值,以提高评估模型结果的准确度;经实验验证,评估方法具有较高的准确性和实用性,能够更好地为装备测试性设计服务。