基于BP神经网络的建设工程造价预测方法

阐述了神经网络的基本概念、基本结构和算法原理,建立了基于BP神经网络的工程造价预测模型,并根据模型结合MATLAB神经网络工具箱对程序进行设计,最后通过案例分析对其具体应用作了详尽阐述。研究表明使用BP神经网络来进行工程造价预测是完全可行的。     

基于BP神经网络的偶氮苯聚合物的光致双折射特性曲线拟合

介绍了神经网络的基本原理和BP算法神经网络,并将BP神经网络应用于偶氮聚合物的光致双折射特性曲线拟合,在MATLAB环境下,利用实验数据进行了实验测试,结果表明该方法处理数据精度高,拟合效果好.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于特征提取与LM-BP神经网络协同作用的异常条形码辨识方法

针对复杂工况环境下异常条形码的识别问题,提出了一种新的基于特征提取与BP神经网络协同作用的异常条形码判别方法。首先,为有效对条形码图像特征进行表征,从图像histogram of oriented gradient(HOG)特征、曲线特征、纹理粗糙度、纹理灰度特征着手,建立条形码识别的特征库;在此基础上,建立以LM-BP神经网络为核心的辨识框架对条形码特征进行训练和辨识;最后,通过模拟国网新疆电力有限公司电力科学研究院计量生产自动化系统现场的条形码图像验证了算法的合理性。实验结果表明:基于特征提取与LM-BP神经网络协同辨识的方法能有效对条形码状态进行识别,其识别精度可达88. 29%。     

基于进化神经网络的304不锈钢车削加工表面粗糙度预测

表面粗糙度是衡量加工零件质量的重要指标之一,对表面粗糙度进行提前预测有利于提高加工质量。课题组采用正交试验方法进行了YG8硬质合金刀具干式车削304不锈钢棒料的实验,得到不同切削条件下的表面粗糙度。由于BP神经网络的算法预测精度不高而且容易陷入局部极小值,利用遗传算法的全局搜索能力优化BP神经网络的结构和初值,建立基于进化神经网络的表面粗糙度预测模型。结果表明：进化的BP神经网络模型有效地克服了BP神经网络容易陷入局部极小值的缺陷,实现了表面粗糙度的精确预测。     

应用SAPSO-BP神经网络的DOA估计方法

声源方向估计是声纳、雷达、无线电发射机跟踪和移动通信中的基本问题之一。对矢量水听器声源的波达方向角(DOA)进行研究。传统的BP神经网络容易陷入局部最优,虽然PSO优化的BP神经网络在一定程度上改善了这个缺点,但仍容易早熟收敛,造成搜索精度的降低。为此,提出了一种模拟退火粒子群算法,并利用其优化BP神经网络,改进矢量水听器声源的波达方向角(DOA)估计的性能。仿真实验结果表明:模拟退火粒子群算法优化的BP神经网络具有更好的泛化能力,提高了DOA的估计精度。     

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。     

基于BP神经网络的函数逼近的MATLAB实现

BP神经网络由于它的学习能力和非线性特性,使其能够对非线性函数进行很好的逼近。通过对BP神经网络结构和MATLAB软件及其BP神经网络工具箱的应用研究,利用BP神经网络工具箱设计BP神经网络,用于对非线性函数的逼近,通过网络的训练、测试达到了预期的效果。     

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。     

获取平面光学元件面形偏差的方法研究

提出一种利用BP神经网络获取平面光学元件面形偏差的方法。该方法先确定一幅干涉条纹图像测试区域中条纹弯曲量和条纹间距,然后对BP神经网络进行训练,最后获取被测平面光学元件的光圈数。通过与Zygo激光干涉仪的测量结果进行比较,发现两者的测量结果相吻合。实验结果表明,该方法不仅可以增强处理干涉条纹图像的适应性,而且可以提高测量精度。     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

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。     

超宽带脉冲穿墙雷达互相关BP成像

根据超宽带脉冲穿墙雷达目标回波信号与发射信号具有较强相关性的特点,提出一种新的互相关后向投影(BP)成像算法,该算法将沿天线合成孔径方向各接收阵元的回波信号与发射信号先进行互相关,将获得的互相关信号再利用BP算法进行相干成像。与回波信号进行直接BP成像相比,该算法具有消除脉冲建立时间对回波延迟时间估计误差的影响,提高目标成像的位置精度;能有效抑制背景噪声,提高图像信噪比。利用时域有限差分(FDTD)方法对穿墙场景进行电磁仿真,通过对成像方法结果的比较,表明互相关BP成像算法在成像位置精度和图像信噪比方面明显优越于直接BP成像算法。     

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。     

基于改进免疫遗传算法的神经网络及其在股票预测中的应用

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于改进免疫遗传算法的多层前向神经网络,将该算法用于多层前向神经网络的权值优化,扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度。将该神经网络用于上证指数的趋势预测,仿真结果表明:该神经网络比BP神经网络具有更好的全局收敛性、更高的学习效率和预测精度。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种玫进型粒子群（Improved Particle Swann Optimizer,IPSO）算法．可以优化BP（Back Propagation）神经网络．并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明：该研究方法能够在预测精度和稳定性方面明显优于传统的PSO—BP神经网络优化证券投资组合方法。     

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。     

利用神经网络完成码道编码译码的方法研究

运用神经网络BP算法实现绝对码值的译码,经过读数头得到绝对式编码尺或光电接收器状态代码,其代码运用神经网络BP算法,得到译码的数学模型,状态代码经过数学模型实现译码。