数字叠加法在神经网络计划技术中的应用──多资源神经网络计划技术的均衡优化

使用数字叠加法，分析神经网络计划在施工工期受到限制或过分缩短的条件下，施工活动中起到决定性作用的多种资源（人工、材料、机械）是否均衡使用，及这样的优化对工程项目的经济效果影响有多大通过将时间、多种资源、费用综合在一个函数中，通过神经网络计划技术优化模型计算，评价最优方案．     

双代号网络计划技术的数字叠加法及其收敛条件的研究

将多种资源（人工、材料、机械）的数量同时在神经网络计划技术上实行数字化叠加，从而获得多资源叠加的合成分布，再利用神经网络计划技术中各个工作的不同时差和资源数量，按收敛条件选择最佳开工工作和开工时间，满足多种资源在优化模式中按收敛条件进行最优分布。     

双代号网络计划技术的数字叠加法及其收敛条件的研究

将多种资源 (人工、材料、机械 )的数量同时在神经网络计划技术上实行数字化叠加 ,从而获得多资源叠加的合成分布 ,再利用神经网络计划技术中各个工作的不同时差和资源数量 ,按收敛条件选择最佳开工工作和开工时间 ,满足多种资源在优化模式中按收敛条件进行最优分布 .     

各网络计划中多资源综合优化方法研究

网络计划方法是现代工程建设中经常使用的一种施工组织方法.对影响工序的因素进行分析和量化,建立优先权系数计算公式,并根据优先权系数对工序进行调整,解决网络计划中多资源综合优化问题,有助于在网络计划优化中有效安排施工顺序以及合理配置资源.     

选择隧道施工方法的神经网络专家系统

将专家系统与神经网络优点相结合，建立了隧道施工方法选择的神经网络专家系统。该系统将从领域专家处获取的知识库表达为推理网络形式，并以专家系统的推理规则定义神经元结点，使网络“神经化”。通过用改进的ＢＰ算法训练，从而优化和修正知识（包括可信度因子）。     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

基于IPSO-BP神经网络的连续刚构桥有限元模型修正

针对大跨度连续刚构桥有限元模型修正问题，提出一种基于改进粒子群算法优化BP神经网络的有限元模型修正方法。首先建立有限元模型修正的数学优化模型，其次通过改进标准粒子群算法对BP神经网络超参数进行优化，最后基于优化BP神经网络代理模型对有限元结构参数进行寻优求解。研究结果表明：基于优化BP神经网络的代理模型相较于未经优化的具有更高的拟合精度；修正后的有限元模型挠度理论计算值与实测值的平均相对误差仅为1.86%。     

分数阶神经网络控制器自顶向下优化方法

研究了分数阶PIλ控制器中自顶向下优化BP神经网络的方法.介绍分数阶PIλ控制器的设计,提出自顶向下优化BP神经网络的算法,实现对控制器中相关参数的调节.实验结果表明,自顶向下的优化方法通过合并、删除某些隐节点达到了简化网络结构的目的.     

遗传算法优化施工网络计划的多种资源均衡

建立遗传算法的数学模型 ,研究遗传算子和求解的边界条件 ,在双代号网络计划中 ,将多种资源 (人工、材料、机械 )的消耗数量进行数字化 ,从而获得多种资源数字的合成分布 ,按多目标优化的条件 ,使多种资源均衡使用的数列能够达到最优分布 .结果表明 ,计算速度快 ,精度高 ,对技术复杂的大型公路桥梁工程有广泛的运用前景 .     

基于SSA优化BP神经网络在基坑地表变形预测中的应用研究

针对BP神经网络在基坑地表变形预测过程中容易产生局部最优的权阈值、影响预测结果精度的问题,提出基于麻雀搜索算法SSA(Sparrow Search Algorithm)优化BP(Back Propagation)神经网络预测模型,提取出BP神经网络的全局最优权阈值。通过工程实例应用分析,验证了基于麻雀搜索算法优化的BP神经网络能够提高基坑地表变形的预测精度,SSA优化后的BP神经网络模型能够被用于基坑地表变形预测。     

基于多级神经网络的桥梁结构模态参数识别方法

桥梁结构模态参数识别方法在识别过程中难以获得完整阶次，构造的基准模型不完整，导致识别结果出现误差，因此，设计一种基于多级神经网络算法的桥梁结构模态参数识别方法.使用多级神经网络对识别算法进行优化，建立交配池，利用交叉和变异算子对交配池中的参量个体进行识别，建立新的群体，利用信号匹配识别结构模态参数，选择模态确信准则(MAC)以及相位共线性指标(MPC)作为模态区分的辨别指标并计算，最后优化整体模态参数识别流程.方法性能测试结果表明，设计的基于多级神经网络的桥梁结构模态参数识别方法在不同采集方式下得到的参数误差更小，可靠性更高.     

遗传算法优化的模糊神经网络在故障诊断中的应用

本文针对船舶柴油机故障诊断系统提出了一种基于遗传算法优化训练的模糊神经网络诊断方法,介绍了这种模糊神经网络故障诊断系统的结构及其参数形式,通过遗传优化算法对它的权值和阈值进行了学习优化训练。这种方法可以有效地避免通常所选BP算法训练易陷于局部极值的问题,最后将该遗传算法优化训练的模糊神经网络系统应用到船舶柴油机的故障诊断中,通过仿真研究,说明了该方法的有效性。     

遗传算法优化施工网络计划的多种资源均衡

建立遗传算法的数学模型,研究遗传 算子和求解的边界条件,在双代号网络计划中,将多种资源（人工,材料,机械）的消耗数量进行数字化,从而获得多种资源数字的合成分布,按多目标优化的条件,使多种资源均衡使用的数列能够达到最优分布,结果表明,计算速度快,精度高,对技术复杂的大型公路桥梁工程有广泛的运用前景。     

基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

神经网络方法在数据挖掘中的应用

通过分析当前一些数据挖掘方法的局限性，介绍一种基于关系数据库的数据挖掘方法——神经网络方法，通过对数据库中数据样本的学习，自动发现隐含的大量知识．文中给出了神经网络方法的学习模型和算法，并通过举例来说明此方法．在本文最后，也提出了神经网络方法在数据挖掘中存在的一些问题．     

多目标模糊优化问题的神经网络解法

基于函数联接神经网络，提出了一种解决工程结构多目标模糊优化问题的新算法。该算法以设计人员对目标函数值的满意程度作学习样本，采用神经网络取代传统的隶属度函数，从而较好地解决了隶属函数的描述问题。在解决多目标模糊优化问题中，该算法较传统算法具有更大的灵活性。     

退火遗传算法优化的神经网络在销售预测中的应用

将遗传算法(GA)和模拟退火(SA)优化的神经网络应用到制造企业的销售预测中.预测采用三层前馈神经网络,其中神经网络的连接权重和节点阈值的确定使用GA和SA算法相结合的优化学习策略.GA采用实数编码, 把要确定的神经网络连接权重和节点阈值作为基因串.实例数值计算表明该种算法的神经网络的学习速度和预测精度都比单纯BP算法得出的结果好,适合于制造企业的销售预测.     

遗传—神经网络在交通流预测中的应用

提出一种基于BP神经网络的遗传算法,分别利用其局部和全局寻优能力强的特点,综合为一种新的优化算法,并将改进的算法应用于交通流预测中。结果表明,改进方法的预测效果优于单一使用BP神经网络进行预测的效果。     

基于GA-灰色神经网络的沥青路面使用性能预测

为准确预估我国沥青路面使用性能的变化趋势,在传统灰色预测模型GM(1,1)的基础之上,提出了无偏GM(1,1)模型和滑动GM(1,1)模型,并通过遗传算法(GA)优化后的BP神经网络对传统、无偏与滑动GM(1,1)模型进行了组合,得到了兼顾灰色理论、遗传算法和BP神经网络优点的GA-灰色神经网络组合预测模型,并以具体实例验证了该模型的有效性。结果表明:传统GM(1,1)模型的平均相对误差为4.67%,无偏GM(1,1)模型的平均相对误差为4.64%,滑动GM(1,1)模型的平均相对误差为4.63%,灰色神经网络组合模型的平均相对误差为2.41%,而GA-灰色神经网络组合模型平均相对误差仅为0.54%,证明所提出的组合模型预测精度较高,误差较小,可作为制定路面养护计划的依据。