竞赛题隐含数据的发掘

近几年初中物理竞赛中出现一类隐含数据的问题,此类题考生得分较低,其原因是不善于发掘隐含条件,下面结合实例,谈谈这个问题.

前向神经网络隐含层节点数的一种优化算法

由于前向神经网络隐含层节点数的确定尚无理论依据,为此提出一种基于黄金分割原理的优化算法,首先确定网络隐含层节点数频繁出现的区间范围;将网络总误差作为试验结果,然后利用黄金分割法搜索其区间中的理想数值;兼顾高精度的需要,将隐含层节点数频繁出现的区间作拓展,可以求得逼近能力更强的节点数。算法分析和仿真例子表明,此优化算法是切实可行的,不仅能找到理想的隐含层节点数,而且能起到节省成本、提高搜索效率等功效。

基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型

针对传统BP神经网络存在的容易产生过拟合、网络计算耗时长等问题,提出基于属性核特征选择与隐含层节点数动态确定的BP神经网络模型(AC-H-BPNN)。该模型以粗糙集中属性核为基点,通过属性重要度的判断,对神经网络输入项进行降维约简。针对隐含层节点数难以确定的问题,将二分分割法与经验公式相结合,精准确定隐含层节点数。并以水产养殖中对虾产量为例进行分析,实验结果表明,改进后的算法能够克服局部最小值问题,且预测结果准确度较高。

基于进退法的神经网络隐含层节点数的确定方法

在BP神经网络的拓扑结构中,输入节点和输出节点个数的确定取决于问题本身,构建神经网络的关键点就在于隐含层层数以及隐含层节点数的确定。如何合理的对网络的结构进行设计以及隐含层节点数的设定至今没有严格的理论指导,只能借助学者给出的经验公式并进行多次试验得以确定。针对该问题,提出了一种"进退法"算法可快速确定隐含层节点数的最优解区间。运用Matlab进行仿真实验,结果表明该算法在合理有效的基础上极大地提高了网络的运行效率。

半光滑方程系统的隐函数的广义雅可比的计算

本文主要讨论了在半光滑方程系统隐函数存在条件下,给出其广义雅可比的计算表达式,并证明了这个结论.

基于Matlab的时序数据两种建模和预测方法比较

利用Matlab工具箱,对时序数据进行了两种不同形式的建模和预测。一是利用系统辨识方法来建立AR模型,利用所建模型进行预测；二是利用单隐层BP神经网络,对数据进行非线性拟合和预测。通过可视化,比较了两种方法的优劣。

基于BP神经网络的刀片切割竹枝性能研究

为探究竹枝切割时的刀片切割性能影响因素,支持后续打枝装置的设计,开展竹枝切割刀片性能研究试验,通过单因素试验研究,利用切割阻力作为衡量标准,探究刀片切割性能与关键参数(刀片的滑动角、楔角和滑动速度)之间的相互关系。试验结果显示,随着刀片滑动角和楔角的减小,刀片切割性能呈现明显改善。同时,随着刀片滑动速度的增加,切割性能也呈现相应提升趋势。在多组实验中,采用不同的刀片滑切角度、楔角和滑切速度参数,对不同直径尺寸的竹枝进行切割,并收集了切割阻力的数据构成数据集,构建一个3层BP神经网络模型,研究了刀片切割性能与滑切角度、楔角以及滑切速度之间的关联,并应用相关模型进行了拟合和预测。在BP神经网络中,当隐含层节点数设定为9时,成功建立了刀片切割阻力模型,精准地预测了刀片切割过程中的阻力变化,对刀片切割竹枝性能研究具有一定参考价值。

分析题目特点 找出隐含条件

对较难的问题,尤其是各种竞赛题,我们不能通过已知条件直接得到答案,往往要从已知条件出发找出隐含条件,从原始数据中算出隐含数据,以达到解题目的。现就刚刚结束的第七届华罗庚金杯少年数学邀请赛中几道题来谈谈。

基于可视化工具VTK的几何体构建技术

VTK(Visualization Toolkit)是面向对象的可视化工具包,主要针对的是2D,3D图像的处理和系统的可视化,它开放源代码、支持多平台,同时提供了强大的图像处理功能,近年来被从事可视化研究人员广泛采用.尝试采用VTK工具包,在主观简单、规则几何体基础上,组合构建复杂几何体.介绍了VTK的框架和机制,结合该算法中隐含数,实现几何体的构建.

基于差分的玫瑰线像素级绘制算法

基于光栅扫描特性的图形绘制中，极坐标表示的曲线由于函数中含有高次三角函数运算，步长选择和迭代的求取较困难，为此给出了极坐标曲线玫瑰线的一种有效的像素级绘制算法。利用玫瑰线在直角坐标系中的隐函数形式和曲线各阶差分的递推计算，算法在玫瑰线的点迭代过程中避免了三角函数运算，只用到整数加减运算，效率高，生成的曲线在坐标轴方向最大偏差不大于半个像素单位。

基于差分的玫瑰线像素级绘制算法

基于光栅扫描特性的图形绘制中,极坐标表示的曲线由于函数中含有高次三角函数运算,在步长选择和迭代的求取上较困难,为此给出了极坐标曲线玫瑰线的一种有效的像素级绘制算法。该算法利用玫瑰线在直角坐标系中的隐函数形式和曲线各阶差分的递推计算,在玫瑰线的点迭代过程中避免了三角函数运算,只用到整数加减运算,故效率高,生成的曲线在坐标轴方向最大偏差不大于半个像素单位。

基于和声搜索算法的极限学习机网络优化

极限学习机(ELM)因其运算速度快、误差小等优点而得到广泛的应用,但由于随机给定输入权值和阈值可能导致隐含层节点无效,因此,ELM通常需要增加隐含层节点数来提高预测精度,从而导致网络泛化能力不佳。为了解决上述问题,提出一种和声搜索算法的极限学习机网络(HS-ELM),采用和声搜索算法不断调整ELM输入权值和隐含层阈值矩阵选取最优以达到优化网络的目的。最后通过两种复杂度不同的非线性函数拟合加以验证。结果表明,传统ELM网络平均预测误差为0.31×10-3%和1.6%,HS-ELM的平均预测误差为0.01×10-3%和0.4%。证明和声搜索算法优化后的ELM网络在同等情况下所需的隐含层节点数和预测精度均优于传统ELM网络的。

BP神经网络在模拟非线性系统输出中的应用

概述了非线性系统输出模拟的方法 ,对 BP神经网络及改进的 BP算法作了简要介绍 .以 BP神经网络运用于激光焊接过程中模拟焊缝形状的典型例子 ,探讨了 BP神经网络在非线性系统模拟输出中的可行性 ;通过实例分析及比较测试结果 ,对

基于小波神经网络的穆棱河作物生育期径流预测

为提高研究精度,在基本的小波神经网络基础上改变隐含层节点数选取方法,降低基本方法随机性和盲目性。将改进的小波网络与人工神经网络进行对比分析。结果表明,小波神经网络改进方法更适合穆棱河流域径流预测。

神经网络自适应噪声抵消系统的性能比较与仿真

线性自适应滤波算法(LMS、NLMS、RLS)对非线性噪声抵消效果较差。针对这一问题,研究神经网络自适应噪声抵消系统中不同隐含层神经元节点数、不同隐含层传输函数、不同神经网络学习算法以及不同信噪比原始输入下系统的噪声抵消性能。建立结构为单层隐含层,且输入层、隐含层和输出层节点数为1-N-1结构的神经网络模型。通过仿真分析,优化神经网络自适应噪声抵消系统中,隐含层节点数经验公式的参数取值。结果表明该系统中噪声抵消效果受到神经网络结构的影响;对于原始输入信噪比在2～10 dB的信号,参考输入与原始输入中噪声非线性相关;选择传输函数为tansig,神经网络隐含层节点数使用优化后的参数取值,输出信号信噪比提高了1. 0～1. 5 dB。

粒子群算法优化神经网络结构的研究

针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法(DePSO)和二进制粒子群优化算法(BiPSO),同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。

基于BP人工神经网络的纱线毛羽预测研究

研究基于BP人工神经网络的纱线毛羽预测问题。以棉纤维的7项品质指标作为输入参数,以棉纱的毛羽指数H指标作为输出参数,通过使用36组数据分别进行网络模型训练,最终将纱线毛羽指数预测模型的结构选定为7-10-1来进行纱线毛羽的预测,结果表明:BP人工神经网络模型的预测速度和精度较好。

基于CS-GRU模型的短期负荷预测方法研究

针对门控循环单元(GRU)神经网络进行电力负荷预测时,其超参数选取困难等问题,提出一种布谷鸟搜索(CS)算法和GRU相结合的预测方法。研究发现,GRU的预测精度与超参数的设定有关,通过CS算法寻优GRU的超参数,包括迭代次数、学习率和隐含层节点数,节省了超参数选取时间,进一步提高了GRU的预测精度。最后,以河南某地区实例数据为例,在Python的TensorFlow框架下验证了预测方法的有效性。

用改进GA-BP神经网络的设备故障维修时间预测

光伏充电站中设备故障维修时间对运行效率有着重要影响。为提高光伏充电站设备维修时间的预测精度,考虑到神经网络算法中隐含层神经元数对算法预测精度的影响,提出了一种改进的GA-BP神经网络算法,并以光伏充电站60个设备维修时间为样本验证了改进算法的有效性。结果表明,GA-BP神经网络结构中隐含层神经元数取5时算法预测精度最高,且采用改进GA-BP神经网络算法预测时平均相对误差仅为6.1%,较灰色模型与BP神经网络算法分别降低了90.4%与57%。改进后的GA-BP神经网络的预测准确度远高于灰色模型和BP神经网络,得到的预测时间可为维修人员调度提供依据。

基于BP神经网络的火焰识别系统

本文提出了一种基于BP神经网络的火焰识别系统,其对火焰的各种状态进行了识别,提高了早期发现火焰的能力。实验结果表明,该方法在火焰自动识别中是一种十分有效的方法。