基于MATLAB的ANFIS网络在水运货运量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network—based Fuzzy Inference System，ANFIS)网络，提出了水运货运量预测的ANFIS网络预测模型．以MATLAB为工具，以1985～2001年我国水运货运量为训练样本；2002年我国水运货运量为校验样本，对网络进行训练后，预测了2003～2010年我国水运货运量．估算结果表明，同BP神经网络模型相比，此模型具有更高的准确性．     

理想薄平板气动导数的人工神经网络识别

介绍一种用BP人工神经网络方法识别理想薄平板的气动导数的方法．通过构造BP网络，比较各种因素对识别结果的影响．数据处理方式对神经网络的训练结果影响很大．隐层单元数量、训练次数、随机赋值次数、样本数量等对训练结果也有影响，但影响较小．采用这种方法识别理想薄平板的气动导数是可行的，并且具有较高的精度．     

RBF神经网络在边坡岩体稳定性中的预测研究

简要分析RBF网络的结构特点及最近邻聚类学习算法之后，以大量边坡工程的稳定状况为学习训练样本及预测样本，建立了预报模型．讨论了基于RBF神经网络技术的边坡岩体稳定性分析方法及其有效性．研究表明，用RBF神经网络方法预测边坡岩体的稳定状况是可行的．     

用相关路段交通流逼近目标路段流量的神经网络方法

为了研究城市道路动态变化的交通流量之间的关系，本文分析了城市道路交通流量分布的特点，提出了用相关路段的流量数据逼近目标路段流量的思想，给出了用于逼近的神经网络模型、具体算法和评价标准，在比较精确的训练样本基础上对网络进行了训练，测试了训练后的网络的性能，并与传统的多项式逼近方法进行了比较．实验表明，采用基于神经网络的非线性动态逼近方法较传统的多项式逼近方法能够更加有效的改善逼近的误差．     

改进的BP神经网络在隧道岩爆预测中的应用

在分析岩爆主要影响因素的基础上,建立改进的BP神经网络岩爆预测模型。采用已有岩爆发生数据作为训练样本对网络进行训练,并利用收敛的网络进行岩爆烈度预测,预测结果与实际吻合,说明利用人工神经网络预测岩爆发生烈度是一种可行的方法。     

网络控制系统的时延估计和自适应预测控制

提出了基于最小二乘支持向量机（LS-SVM）的网络时延预估网络控制系统（NCS）的自适应预测控制方法．先将网络时延转化为非线性时间序列，再用径向基函数（RBF）作为LS-SVM的核函数，建立NCS的时延预测模型．用通过该模型预测的时延设计自适应控预测制器，补偿和控制NCS的时延．仿真结果表明，该时延预测方法对NCS的随机时变时延有较高的预测精度，根据预测的时延设计的控制器能使系统的输出很好地跟踪期望的输出．     

正交微切削中切削力预测模型研究

从位错密度出发,基于应变梯度理论建立了正交微切削力的预测模型,并设计了正交微切削实验,验证了微切削力预测模型的可靠性．用此模型预测微切削力与实验数据相比,平均误差不超过5％,更好地反映微尺度特征．分析微切削力实验数据发现：在正交微切削中主切削力基本是大于进给力的;当在相同切削速度时,进给量越小时,主切削力和进给力的变化程度越大;主切削力随进给量的增大而增大,而进给力随进给量的增大而减小．     

基于改进RBF神经网络对股价的演变预测

对RBF神经网络进行了分析,建立了RBF神经网络模型,并对此模型进行了改进,使其具有更好的预测性能.把一类非线性较强的时间序列(万科A股2009年6月份股票价格)利用该模型进行了非线性逼近.用Matlab软件对网络的学习与训练过程进行了数值仿真.实验结果表明:利用改进后的网络模型对非线性时间序列进行短期预测是可行的,其预测精度高于改进前的预测精度,改进方法有效.     

基于量子神经网络的道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

数控车削加工仿真中的切削力预测

利用人工神经网络模拟现实复杂系统的输入输出关系,对数控车削仿真中的切削力预测进行了研究．通过几种神经网络算法与传统的经验公式预测进行对比,找出真正适合本试验数据的算法,从而实现对切削力的快速精确预测．     

桥梁断面静力三分力系数的人工神经网络识别

通过风洞模型试验得到了足够的样本，在此基础上利用MATLAB神经网络工具箱构造了2个BP人工神经网络；采用BR(Bayesian regularization)算法，比较了不同坐标系下的静力三分力系数的训练结果，得出4层网络比较有效且具有较高精度的结论．最后，提出了应用人工神经网络需要注意的问题。     

基于有限元-神经网络-Monte-Carlo的结构可靠度计算方法

针对以往结构可靠度计算方法的不足,根据结构可靠度理论,引入神经网络理论和Monte-Carlo理论,结合结构有限元分析方法,提出基于有限元-神经网络-Monte-Carlo的结构可靠度计算方法;首先,建立结构有限元法分析模型,进行结构分析得到相应的结构响应量;然后,用得到的作用效应和结构响应量作为神经网络的训练样本和检验样本对神经网络进行训练,得到高度非线性映射关系的结构作用效应-结构响应模型;利用神经网络随机产生足够多的结构响应值;最后,用Monte-Carlo法计算结构的可靠度。该方法充分发挥了各方法的优点,相互弥补了不足,大大提高了计算效率,为结构可靠度计算提供了新的思路。     

基于有限元-神经网络-Monte-Carlo的结构可靠度计算方法

针对以往结构可靠度计算方法的不足,根据结构可靠度理论,引入神经网络理论和Monte-Carlo理论,结合结构有限元分析方法,提出基于有限元-神经网络-Monte-Carlo的结构可靠度计算方法;首先,建立结构有限元法分析模型,进行结构分析得到相应的结构响应量;然后,用得到的作用效应和结构响应量作为神经网络的训练样本和检验样本对神经网络进行训练,得到高度非线性映射关系的结构作用效应-结构响应模型;利用神经网络随机产生足够多的结构响应值;最后,用Monte-Carlo法计算结构的可靠度。该方法充分发挥了各方法的优点,相互弥补了不足,大大提高了计算效率,为结构可靠度计算提供了新的思路。     

基于ANN下的岩质路堑深边坡稳定性评价

在综合分析岩质路堑深边坡变形破坏模式的基础上 ,提出评价岩体边坡工程稳定性的指标 ;讨论了神经网络在岩质路堑深边坡稳定性评价中的应用 ,提出了基于 ANN下路堑深边坡稳定性评价的方法 ;通过样本训练和实例预测评价结果表明 ,该方法是有效、可行的     

Operating Rule Classification System of Water Supply Reservoir Based on Learning Classifier System

An operating rule classification system based on lesrning classifier system (LCS), which learns through credit assignment (bucket brigade algorithm, BBA) and rule discovery (genetic algorithm, GA), is established to extract water-supply reservoir operating rules. The proposed system acquires an online identification rate of 95% for training samples and an offline rate of 85% for testing samples in a case study. The performances of the rule classification system are discussed from the rationality of the obtained rules, the impact of training samples on rule extraction, and a comparison between the rule classification system and the artificial neural network (ANN). The results indicate that the LCS is feasible and effective for the system to obtain the reservoir supply operating rules.     

基于深度主动学习的MVB网络故障诊断方法

多功能车辆总线MVB （multiple vehicle bus）用于传输重要的列车运行控制指令和监视信息,准确地诊断MVB网络故障是列车智能运维的基础,为此,提出一种将主动学习和深度神经网络相结合的MVB网络故障诊断方法. 该方法采用堆叠去噪自编码器自动提取MVB信号物理波形特征,并将该特征用于训练深度神经网络来实现MVB网络故障模式分类;基于不确定性和可信度的高效主动学习方法,可解决实际应用中标记样本不足和人工标记成本高昂的问题,使用少量标记训练样本就能得到高性能的深度神经网络模型. 实验结果表明:为达到90%以上分类准确率,所提方法只需要600个标记训练样本,小于随机采样方法所需标记训练样本数的2 800个;在相同标记训练样本数下,所提方法在3种性能指标下均优于传统方法.      

基于霍夫蕨的实时对象跟踪方法

基于霍夫变换方法难以在保持高检测精度的同时满足跟踪的实时性,且难以适应初始训练样例十分有限的情况,为解决上述问题,提出一种基于霍夫蕨的对象跟踪方法.该方法以随机蕨作为基础检测结构,将对象的局部表观作为学习数据,在其每个叶节点中计算并保存霍夫空间中属于目标对象的投票概率,在运行时通过在线学习该检测器和对象模型,适应对象表观的变化.结合对TLD跟踪框架的改进,实现了无约束环境下长时间的可视跟踪.在Babenko视频序列集上的实验结果表明,提出的对象跟踪方法在普通PC上的平均运行速率为3帧/s,平均准确率为87.1%,总体上优于现有的跟踪方法.      

L-M神经网络算法在汽轮发电机组故障诊断中的应用

针对汽轮发电机组的故障诊断,采用Levenberg-Marquardt算法建立多层前向人工神经网络,采用改进算法训练网络,克服了传统BP算法收敛速度慢,易陷入局部最小的缺陷.就BP网络的不足,提出了一种改进的BP神经网络模型,并使用L-M算法用于汽轮发电机组故障的诊断.经理论和实践证明:该方法有效地提高了故障诊断的精度和可靠度,为旋转机械故障诊断提供了有效方法.