基于Bayesian正规化BP神经网络的粘结NdFeB永磁体性能预测

基于MATLAB平台和现有的少量实验数据,采用Bayesian正规化法,建立了一个输入为工艺参数、输出为NdFeB永磁体性能参量的BP(Back Propagation)神经网络预测模型,并通过测试样本检验了ANN(Artificial NeuralNetwork)模型的准确性。实验表明,建立的Bayesian正规化BP神经网络模型不仅能准确地拟合训练值,而且能很好地预测未知样本,将该模型应用于材料制备工艺设计,可以明显缩短实验周期,提高工艺设计效率,对实际的研究工作具有一定的指导意义和应用价值。

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。

贝叶斯正规化BP神经网络在我国医院床位预测中的应用

目的探讨贝叶斯正规化BP神经网络在我国医院床位预测中的应用。方法利用1990-2006年我国医院床位历史数据,建立贝叶斯正规化BP神经网络进行拟合预测,并与指数平滑预测、自回归模型的预测结果进行比较。结果三种方法预测结果的相对误差分别为0.58%,3.62%,1.48%。贝叶斯正规化BP神经网络模型预测精度更高,效果更好,优于传统方法。结论贝叶斯正规化BP神经网络预测模型可以用于我国医院床位预测。

基于贝叶斯正规化算法的BP神经网络泛化能力研究

针对BP算法及其改进算法泛化能力不强的问题,探讨用贝叶斯正规化算法来提高网络泛化能力。结果表明在相同网络规模或误差条件下,贝叶斯正规化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快,拟合效果较好。

BP神经网络在工程项目管理中的应用及其贝叶斯正规化优化

BP神经网络已经在很多领域应用,而对于工程项目评价中的应用还处在起步阶段,缺乏有效的理论和经验。通过实证的方法,说明贝叶斯正规化方法在工程项目评价中的应用和精度高、自动归一化的优势。

小样本条件下BP网络对滑动轴承材料磨损系数的预测研究

利用具有高度非线性映射能力的 BP神经网络解决滑动轴承磨损预测的计算问题。在论述 BP算法及改进模型原理的基础上 ,利用它们对滑动轴承材料边界磨损系数的预测效果进行了比较 ,进而在小样本情况下通过 Baysian正规化 BP网络对滑动轴承材料边界磨损系数进行了预测 ,分析了影响预测效果的原因 ,在合理剔除奇异点后给出了对滑动轴承材料磨损预测的最佳 Baysian正规化 BP网络结构 ,为合理进行磨损试验提供了理论依据。对预测结果进行残差分析证明 ,该方法效果较为理想。

基于贝叶斯正规化BP神经网络模型对菌痢发病的预测研究

[目的]探索贝叶斯正规化BP神经网络在细菌性痢疾预测模型中的应用,为菌痢的预防控制措施提供科学依据。[方法]用Matlab 7.2软件包中的神经网络工具箱,以福州市城区1987—2006年的气象要素、社会经济资料和菌痢发病率数据进行分析,建立福州市城区菌痢流行的贝叶斯正规化BP神经网络模型,并以2007年的资料验证其预测效果。[结果]神经网络经学习和训练,训练误差下降并趋于稳定,回代相关系数为0.842,预测成功率为91.7%。[结论]贝叶斯正规化BP神经网络在气象要素与菌痢发病率之间建模是可行的,能作为预测菌痢流行的一种新方法。

红外甲烷传感器温度校正模型研究

采用BP神经网络,建立了红外甲烷传感器温度校正模型。以隐层节点数为变量,研究了神经网络规模对训练速度和推广能力的影响。将贝叶斯正规化方法与Levenberg-Marquardt优化算法相结合,提高了神经网络训练的效率和推广能力。所建立的模型网络规模小,运算速度快,可以对温度变化引起的红外甲烷传感器非线性误差进行自动校正。

BP神经网络技术在城市建筑热环境研究中的应用

本文针对现代城市中越来越严重的热岛现象与能源问题,首先分析了北京市近60年的温度资料,可知60年来城区内的年平均温度升高了2.28℃,温度增幅为0.38℃/10 a。而后综合考虑城市建筑热环境的各种影响因素,利用BP神经网络技术建立了城市尺度下针对建筑热环境(温度)的预测模型,并对以往的数学模型和计算方法进行了改进。在改进后的预测模型中,通过枚举法选择隐含层最佳神经元个数,用贝叶斯正规化算法进行了网络训练,结果表明:与BP神经网络基本的L-M优化算法相比,该算法有较高的泛化能力和准确性,更适合于这一问题的研究。