人工神经网络预测奥氏体化温度

采用附加动量项和变步长的方法，对人工神经网络的BP算法进行了训练。利用训练后所得到的模型，对奥氏体化温度进行了分析和预测。计算表明，网络预测值与实测值之间具有很高的相关性和精确度，可用来研究单个元素含量的变化对相变，临界点的影响。     

免疫进化算法和神经网络在建立财政收入预测模型中的应用

通过对历史数据的数学处理,采用人工神经网络的方法建立财政收入预测模型。针对前向网络BP（Baek-propagation Algorithm）算法——梯度下降搜索方法的不足,提出用免疫进化算法来训练BP模型网络参数。利用福建省1990-2004年的财政收入数据建立神经网络预测模型,并用2005、2006年的数据进行预测预报检验。结果表明：采用免疫进化算法建立的神经网络财政收入预测模型,模拟和预测精度高,具有实际应用价值。     

基于动量BP神经网络的PFI项目风险评价

运用BP(Back Propagation)神经网络技术,采用动量BP算法,构建风险评价模型.对PFI项目存在的系统风险及非系统风险进行划分,建立包含政治、法律、金融、生产、市场、信用以及环保等风险的PFI项目风险评价指标体系.对专家组打分获得的训练样本进行训练,得到可靠性验证的训练网络.最后,将某PFI项目打分结果输入已训练好的网络,判定该PFI项目风险等级,为私营公司的决策提供参考依据.     

基于神经网络房地产价格指数的预测研究(续)

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

分支前馈神经网络的研究

在BP算法的基础上,提出了一种用于模式分类的人工神经网络模型——分支前馈神经网络,并给出了相应的算法。对模式分类的几个典型例子进行了计算机仿真研究。仿真结果表明,与一般BP网络相比较,分支前馈神经网络显著地减少了训练时间,且分类效果更好。     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T-S模糊模型,然后通过调整聚类半径优选模糊规则数,以取得具有良好泛化性能的模型,之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模,结果表明能较快确定优化模型,并能满足软测量建模精度要求。     

结构振动测试信号的神经网络映射模型

采用标准Leverlherg-Marquardt算法训练BP神经网络，建立起加速度时程与位移时程之间的非线性映射模型，从而实现加速度时程和对应时刻的位移时程的相互转换。建筑结构实测数据分析结果表明，所建议的模型是有效、可行的。     

神经网络算法在智能体IDS系统中的应用

结合网络入侵和主机入侵方面的检测能力,构建了基于智能体的分布式入侵检测系统的体系结构模型。重点讨论了神经网络入侵检测算法。针对传统的BP网络在入侵检测应用中学习收敛时间和性能上的不足,提出了变速度回归神经网络(采用了批处理技术和动量方法)检测算法,通过对网络数据集的测试表明,该算法较传统BP网络,其学习训练次数大大降低,学习能力显著提高。     

基于蚁群BP神经网路算法的六维力传感器解耦研究

针对传统BP神经网络在六维力传感器解耦训练过程中,由于其初始参数的选取不确定性导致神经网络出现震 荡、收敛速度缓慢和陷入局部极值等问题,提出一种基于蚁群BP神经网络算法并应用于六维力传感器解耦研究。该算 法利用蚁群算法在种群寻优方面的优越性,通过局部和全局信息素更新相结合的方式更新信息素,提高蚁群算法搜索的 效率,为BP神经网络提供一组最优的训练初始参数,网络收敛速度得到很大地提高,同时局部极值和震荡等缺点也有一 定的改善。实验仿真结果表明,在六维力传感器神经网络模型训练过程中,达到同样的目标误差,基于蚁群BP神经网络 算法的迭代次数Ⅳ比传统算法少50%,运行时间r快60%。这说明蚁群BP种经网络算法在六维力传感器解耦研究中 有着很好的应用效果。     

小波神经网络应用于电子政务信息系统安全风险评估

针对电子政务信息系统风险评估的复杂性和不确定性,作者提出了小波神经网络评估方法,建立了小波神经网络评估模型,最后采用Matlab7.1工具进行了仿真实验,并分别从网络的收敛速度、训练精度和训练效果上与BP神经网络算法作了对比。结果证实该方法有效克服了传统方法中人为分配权重带来的主观性,使评价结果更科学,更合理。     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法(TSSPSO),并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明:两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

BP神经网络的LM算法及其对颗粒碰撞振动阻尼的预测

介绍了一种BP神经网络的改进Levenberg Marquardt(LM)算法原理,用这种方法对颗粒碰撞振动系统的阻尼进行了训练和仿真,并将此改进算法与传统算法进行比较.结果表明,该算法稳定、快捷,预测准确,适合应用于对实时性要求比较高的场合,且预测得到的模型与相关文献中的结果一致.     

一种基于高斯过程的非线性PLS建模方法

提出了一种基于高斯过程(GP)和偏最小二乘法(PLS)的非线性PLS方法(GP-PLS),以更加有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度。该方法首先采用PLS进行特征提取,再用GP建立PLS的内部模型,因而具有GP与PLS的优点。对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明,采用该方法建立的软测量模型在模型精度、推广能力等方面明显优于一些传统软测量建模方法,满足工业现场应用要求。     

聚丙烯腈质量指标软测量模型的数据动态校核

针对聚丙烯腈连续生产中聚合反应过程与时间存在的分布函数关系 ,将质量指标软测量模型的输入数据按照聚合时间进行加权处理 ,对质量指标软测量模型的输出值——估计结果进行滑动平均。现场生产运行结果表明 ,经过动态校核的输入输出数据 ,软测量精度大大提高 ,估计结果稳定 ,为其他聚合反应软测量模型的数据动态校核提供了一种有效的方法     

神经网络多模型软测量技术及应用

基于多模型思想,采用模糊聚类的方法对软测量数据进行了分类,对每类数据基于神经网络(NN)建模,采用RBF神经网络构造了每个数据样本的隶属度,将各模型输出的数据进行隶属度加权求和得到最终的软测量输出,并对某催化重整生产装置催化剂再生器氧含量进行了建模研究,获得了满意的结果。     

基于MEA BP神经网络的封盒装置滑动轴承故障诊断方法

针对封盒装置滑动轴承在生产过程中故障率高、可靠性低的问题,课题组提出了一种基于思维进化算法（MEA）的BP神经网络滑动轴承故障诊断方法。该方法通过多次的趋同和异化操作,不断优化BP神经网络的初始权值和阀值,建立了基于MEA BP神经网络的滑动轴承故障诊断模型。利用样本集训练、测试和验证MEA BP故障诊断模型,结果表明MEA BP故障诊断法较未经优化的BP神经网络故障诊断法优势明显,能够较好地用于封盒装置滑动轴承的故障诊断,延长滑动轴承无故障使用时间。课题组的研究可提高包装企业生产效率。     

基于主成分分析的PSO-BP算法在GDP和CPI预测中的应用

GDP增速与CPI指数具有复杂的时间序列和非线性特征。鉴于BP神经网络算法有良好的非线性拟合能力,但容易陷入局部极小值的特点,提出了基于主成分分析的PSO-BP算法。该方法主要通过主成分分析方法对输入变量进行降维,利用PSO算法良好的全局寻优能力对BP算法的权值和阈值进行优化,从而避免BP算法陷入局部极小值。最后运用模型对GDP增速和CPI指数进行拟合预测。实验结果表明:该模型比PCA-BP模型和PSO-BP模型具有更高的拟合精度和更小的均方误差。     

基于高光谱的法国梧桐和毛白杨叶片叶绿素含量反演模型研究

利用ASD便携式野外光谱仪和SPAD-502叶绿素计,实测了落叶阔叶树法国梧桐(Platanus orientalis L)和毛白杨(Populus tomentosa Carr)叶片的高光谱反射率与叶片绿度,并对原始光谱反射率及一阶导数光谱与叶片绿度进行了相关分析;采用导数光谱数据敏感波段建立了叶绿素含量估算模型,法国梧桐和毛白杨模型的确定性系数R2分别为0.7791和0.6858;采用相关系数较大的波段作为BP和RBF人工神经网络模型的输入变量,分别进行了叶绿素含量的估算,结果表明,BP和RBF神经网络模型预测效果均良好,在预测精度上,RBF略优于BP神经网络模型.