面向高速公路流量预测的自适应图注意力网络

为克服循环神经网络和基于预定义图的图卷积神经网络的局限性,捕获交通数据中复杂的时空相关性,实现准确的高速公路流量预测,提出一种自适应图注意力网络模型。该模型整合节点自适应参数学习模块、自适应邻接矩阵生成模块和门控循环单元,以捕获路网交通数据中复杂的时空相关性。同时,为解决循环神经网络难以捕获长期的时间相关性和产生信息损失的问题,设计了一个转换注意力层以建模未来时间步信息与历史多个时间步信息的相关性。最后,基于桂林市高速公路网的真实交通数据试验,验证了所提出方法的有效性。     

一种新的多模式对模糊联想记忆自适应学习规则

本文给出了模糊联想记忆神经网络联想输出误差函数的一种梯度计算方法,成功地把误差逆传播梯度下降搜索技术应用于该网络的训练中,提出一种新的多模式对模糊联想记忆的学习规则,计算机模拟表明该规则是十分有效的。     

多层反馈BP网联想记忆分析

多层反馈ＢＰ网络是一种非线性动力学系统，为了对多层反馈ＢＰ网络进行形式分析，作者采用了电路类比的方式得到了它的数学模型，根据反馈ＢＰ网络的数学模型证明了反馈ＢＰ网络联想记忆过程的稳定性及有关性质，炒反馈ＢＰ网络的应用奠定了理论基础。     

基于循环多层感知器神经网络的符号逻辑推理系统

介绍一种用循环多层感知器神经网络实现符号逻辑推理系统的方法。该方法通过让神经网络学习训练样本获取领域规则知识，或者直接将领域规则知识编码于神经网络之中；即用神经网络来表达领域规则知识，然后通过神经网络的循环反馈计算过程来实现任意形式的符号逻辑推理。为研究人类抽象思维（逻辑符号推理）与神经网络形象思维（联接数值计算）之间的关系提供了理论基础。     

神经网络在继电保护中的应用

本文阐述了基于神经网络的继电保护系统的优越性，论证了由单层感知器网络或ＴＨ网络可以实现最小二乘算法，这两种网络都可以在极短的时间内完成全部运算，给出了电流继电器、圆特性以及四边型特性阻抗继电器的神经网络模型，并证明了三种模型都具有很强的自适应性。     

Hopfield神经网在培养问题中的应用及分析

提出并实现了用Ｈｏｐｆｉｅｌｄ神经网络来求解线性规划中的营养问题，并对其模拟实验结果作了有意义的分析，证明了用Ｈｏｐｆｉｅｌｄ神经网来解决问题的可行性与有效性。指出了确定能量函数的各参数时应特别注意的问题。     

原油常压蒸馏过程的人工神经网络建模方法

基于神经网络的函数逼近理论以及多层前馈网络对非线性现象的强有力刻画与建模能力，对原油常压蒸馏塔侧线抽出馏份进行了神经网络建模，并用GA－BP算法对所建网络模型进行学习和检验，获得了较为满意的结果，探索了用人工神经网络方法建立油品质量估计模型的现实性与可行性。     

基于BP神经网络的煤炭企业可持续发展评价

在分析煤炭企业可持续发展评价方法的基础上，建立了煤炭企业可持续发展评价指标体系，构建了基于误差反向传播算法（BP算法）的多层前向神经网络模型．为减小希望输出与实际输出之间的误差，从输出层神经元到输入层神经元逐层反向修正各连接权，并在网络训练学习的过程中不断执行误差反向传播修正，以提高网络对输入模式响应的正确率．通过算例验证了运用BP神经网络评价煤炭企业可持续发展的有效性和准确性．     

基于模糊神经网络的故障诊断系统的设计与实现

提出了一种远程模糊神经网络故障诊断系统,该诊断系统采用多个子网络的结构实现对多种标准故障模式的记忆。对于未知样本输入,该系统针对每种标准故障模式采用双向联想记忆过程联想出最佳结果,通过计算联想结果和标准模式的子集函数,确定该样本的故障类别。利用船舶柴油主机系统实例。详细介绍了该系统的组件模型实现技术。最后给出相应的结果。     

基于小波神经网络的定制公交目标乘客出行意愿预测

面对人们日益多样化的出行需求,越来越多的定制化公共交通出现在了人们生活中。在规划一种意为目标乘客提供定制化出行服务的新型公共交通方式之前,需要对目标乘客对其的出行意愿进行准确预测。基于出行意愿的影响因素的复杂性,本文提出了一种基于小波神经网络的预测方法。首先,根据目标乘客出行意愿调查进行出行意愿的影响因素分析,然后对神经网络模型进行构建,最后运用MATLAB对预测进行了实现、验证。为了改善网络的训练效果,本文采用自适应的方法对网络学习速率和隐含层节点数进行确定。结果表明,小波神经网络对于预测定制公交目标乘客出行意愿具有较好的适用性,且比传统的BP神经网络有着更好的预测精度。     

基于改进算法的多层神经网络的结构优化设计

简要地介绍了工程中应用较多的多层前向神经网络(BP网络)的结构和网络的设计.通过采用一种改进的训练算法(参考隐层的输出),并结合科学的样本选择方法("超立方体"法)设计网络,进行网络训练.最后通过数字仿真证明了这个网络模型用于结构优化设计的有效性.     

基于改进算法的多层神经网络的结构优化设计

简要地介绍了工程中应用较多的多层前向神经网络(BP网络)的结构和网络的设计．通过采用一种改进的训练算法(参考隐层的输出),并结合科学的样本选择方法(“超立方体”法)设计网络,进行网络训练．最后通过数字仿真证明了这个网络模型用于结构优化设计的有效性．     

应用神经网络预报桥梁可靠度的方法

桥梁的失效概率分析一直是桥梁工程界研究的热点,神经网络是近年来发展起来的新的系统模式识别方法,应用神经网络预测桥梁的可靠度—失效概率,在国内外研究的很少,在此通过应用BP神经网络很强的容错性和鲁棒性,善于联想、综合和推广的特点,利用原有的非线性功能函数产生学习样本100组,检验样本50组,建立三层网络结构,通过基于BP神经网络的Monte-Carlo法和Monte-Carlo法的对比分析,说明BP网络能很精确地逼近该功能函数,即使该功能函数具有强非线性。神经网络具有成熟的数学理论基础,在桥梁工程中具有良好的应用前景。     

基于模糊识别的神经网络分类器

提出一种基于模糊识别的神经网络分类器。首先对训练样本ＸＫ进行模糊聚类，求其从属于各类别ωｉ的隶属变Ｕｗｉ（Ｘｋ）。然后利用这些训练样本和所求得的从属于各类别的隶属度，通过神经网络的学习拟合出各模式类的隶属函数，进而构造出神经网络分类器。这种方法将模糊理论与神经网络分布式联想存储的优点相结合，使无监督分类器成了有监督分类器。     

多层神经网络的有效训练算法

提出了基于整体模式的多层神经网络的有效训练算法，给出了偏导矩阵的递算法，由此导出多层神经网络的并行训练算法，本文提出的训练算法进行模型参数估计，其领导具结果表明，该算法不仅减少训练周期，而且还可提高模型参数的估计精度。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析，论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义，提出了一种可作为非线性时序模型的内反馈神经网络。     

�¼�������������ģ�͵Ľ�������֤

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置分析的基础上，建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段Ⅰ-880实地线圈数据集和事件数据集验证模型，通过比较PNN模型与多层前向神经网络(MLF)模型的结果，发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高；平均检测时间(MTD)比MLF模型短；但误报率(FAR)较高。概率神经网络是高速公路事件检测的一种有效算法，其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

基于神经网络的抽油机井井下故障诊断专家系统

介绍了一种基于神经网络的有杆抽油机井井下故障诊断专家系统，从抽油泵的泵功图入手，简述了神经网络特征参数的选取，以一个故障子网为例，描述了网络结构，并举例说明了神经网络故障诊断的过程，诊断结果表明了该方法的有效性。     

前馈神经网络的特性分析与应用

分析了神经网络的特性，比较研究了前馈神经网络隐层神经元个数对神经网络的学习速度与效果的影响，探讨了隐层神经元个数与输入层变量个数之间的关系。提出了提高神经网络仿真效果的一种方法。     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...