再生混凝土坍落度预测

利用BP神经网络法,建立了再生混凝土的坍落度预测模型,该模型采用了三层网络结构模式,输入层采用再生混凝土的配合比数据,输出层为再生混凝土坍落度数据,模型的转移函数均采用单极性Sigmoid函数,由于Sigmoid函数值为[0,1]间,因此,对再生混凝土输入数据的归一化处理。通过再生混凝土坍落度的大量试验,将试验结果与网络模型预测结果进行比对,证实了该模型对再生混凝土的坍落度预测值与实际试验结果相符合,可以为试验及生产提供参考。

克服温度传感器测量滞后误差的动态补偿算法

由于温度传感器的测量滞后,导致温度控制系统中的实际被控温度存在较大超调。本文提出了一种基于遗传神经元网络补偿的动态测量方法,该方法利用遗传神经元网络的快速逼近能力,建立传感器的动态逆模型,实现对传感器动态测量的补偿。此方法设计的动态补偿器具有不依赖传感器模型,鲁棒性强等特点,检测信号经补偿计算后,能够克服传感器的测量滞后,实验证明了该方法的有效性。

BP误差反传神经网络技术的应用

详述了标准BP误差反传神经网络技术的基本原理及其算法,分析其局限性,并给出改进的方法及其应用。

农药醚菊酯类似物构效关系的人工神经网络方法研究

本文以醚菊酯类似物作为研究对象，尝试使用神经网络方法进行构效关系分析，并对该种农药活性进行了预测。在所研究的样本集中，由结构预测活性的成功率可达100％，本文的研究表明：神经网络方法以其极强的非线性能力，可望成为农药构效关系研究的一种有效的工具．

电力系统短期负荷预测的改进BP算法

提出了一种电力系统短期负荷预测的算法 ,通过增加势态项及采用步长自适应等方法对传统的 BP算法进行了改进。

基于GM-RBF神经网络组合模型的水泥强度预测方法

为预测煤矸石代黏土煅烧水泥的28 d抗压强度性能,根据生产水泥的物检分析数据,将GM(1,N)预测技术和径向基函数(RBF)神经网络技术相结合,提出了基于GM-RBF神经网络组合模型水泥强度预测的新方法。该组合模型首先利用试验产品的典型物检数据建立GM(1,N)网络,对数据进行预处理。然后将输入样本数据进行一次累加生成操作,并进行归一化,设置GMRBF神经网络组合模型预测精度和散步常数。经处理后的输入样本作为RBF神经网络输入向量,相应的实测28 d抗压强度作为模型的输出期望值开展训练,比较预测数据与实测数据,并进行调整,最终得到符合精度要求的GM-RBF神经网络组合模型。该组合模型一方面避免GM(1,N)模型的理论误差,利用累加生成运算和样本数据的预处理,减少了由于训练样本随机性对建模精度产生的影响;另一方面由于具有自适应、自组织和速度快等特点,能快速预测水泥远期强度情况。仿真试验表明,该模型预测精度优于单个GM(1,N)模型或RBF神经网络模型,具有较好的拟合性,适用于对水泥强度的预测,可以为煤矸石代黏土煅烧水泥的质量分析提供有效参考。