RBF网络在逼近能力方面的探讨

介绍了人工神经网络的一个重要的模型径向基函数网络．并且在函数逼近方面对比BP网络对其进行了研究，给出了实际的例子．最后应用Matlab进行了仿真。     

基于模糊神经网络的拉索耐久性评价模型

将模糊理论与神经网络技术相结合,建立了基于模糊神经网络的拉索耐久性评价模型;网络训练采用改进的梯度下降动量BP算法,经过265次学习,确定了网络各层参数值,得到了网络的收敛解;最后通过5个校验样本验证了拉索耐久性模型的正确性。研究结果表明:拉索构件的耐久性评价指标分为拉索索力、锚固系统、拉索保护层、减震装置4种;采用动态BP算法对网络进行计算时,网络的收敛速度优于常用的BP算法;训练好的模糊神经网络很好地获得并储存了评价专家的知识、经验和判断,可将网络应用于拉索构件的耐久性评价。     

BP小波神经网络模型及其在交通事件检测中的应用

将小波变换和BP神经网络进行紧致型结合,提出了基于BP小波神经网络的高速公路交通事件检测算法,即采用小波函数代替BP神经网络的隐层节点函数,相应的输入层到隐层的权值以及隐层阈值分别由小波函数的尺度参数和平移参数代替,以上下游检测器的速度、流量和占有率作为算法的输入,采用梯度下降法进行网络训练,构建适合于交通事件检测的小波神经网络模型。最后在Matlab中实现了对新加坡AYE仿真数据的实例分析,并将其与现有的经典算法进行了对比分析。结果表明,BP小波神经网络算法在检测率和平均检测时间方面具有明显的优势。     

粒子群优化BP网络建模及在缓冲包装设计中的应用

利用粒子群优化(PSO)算法取代传统BP网络算法中的梯度下降法,对参数(权值、阈值)进行优化,并将其应用于缓冲包装设计,建立缓冲包装材料特性模型.仿真数据表明:PSO优化的BP网络算法在函数逼近误差、迭代次数上均比传统BP网络算法有显著提高,可有效地解决缓冲包装中的非线性问题.     

BP神经网络收敛性问题的改进措施

BP算法现在已成为目前应用最广泛的神经网络学习算法,它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用,但存在收敛较慢问题.笔者在文中简述了BP算法原理,针对BP算法的收敛性问题,提出了几点改进措施.     

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。     

BP神经网络收敛性问题的改进措施

BP算法现在已成为目前应用最广泛的神经网络学习算法，它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用，但存在收敛较慢问题．笔者在文中简述了BP算法原理，针对BP算法的收敛性问题，提出了几点改进措施。     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

基于遗传优化的水面无人船艇神经网络智能控制

利用GA智能优化算法和RBF神经网络逼近算法设计了一种USV运动滑模理想跟踪控制方法.首先利用改进的遗传算法对RBF网络参数进行在线寻优以进而提高其逼近性能.其次,将学习速度较快的局部RBF神经网络对滑模控制设计中存在的船舶运动系统函数不确定项进行逼近,使得由于滑模面的不间断切换引起的控制输入抖振问题得到有效地解决.对比实验说明了在同等条件下,上述智能控制系统稳定时间更快,超调量更小,以及输入舵角更平滑.     

基于粗糙集-BP神经网络客户群特征与服务映射模型研究

针对客户服务项目的不确定性，基于不可分辨关系的粗糙集理论和BP神经网络算法优良的分类映射能力，提出了面向细分客户群的基于粗糙BP神经网络客户群特征与服务项目映射模型。本文将分析客户特征，运用粗糙集理论进行客户特征约简、划分等价关系、建立BP神经网络的初始拓扑结构，运用K-means算法划分客户群。通过引入粗糙集理论，改进BP神经网络算法，加快BP网络收敛的速度和逃离局部极小值点，并利用rosetta软件和Matlab编程实现面向细分客户群的客户特征与服务项目映射模型。     

基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型．该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点．结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比．计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景．     

基于神经网络的引水渠分流比预报研究

运用动量法和学习率自适应调整策略,建立了三层前馈网络模型预报明渠侧面分流比.将预测结果与实际值进行对比分析后表明,神经网络模型可用于预测明渠侧面分流比.     

机器学习——动力学耦合车辆跟驰模型

目前,跟驰模型的建立主要基于动力学方法和机器学习算法,将两者耦合起来建立跟驰模型的研究还没有.以线性组合预测为基础,对最优加权法中的目标函数进行改进,将经典的Gipps模型和基于BP神经网络的跟驰模型(BP Car-following Model,BP)耦合起来,建立线性组合车辆跟驰模型(Linear Combination Car-following Model,LC-CF).结果表明:BP模型的预测结果更加贴近真实值,Gipps模型的预测结果更加贴近安全值;LC-CF模型可以通过调整参数,来控制BP模型和Gipps模型在LC-CF模型中的权重,进而达到控制预测速度的真实性和安全性的目的.     

改进的BP神经网络预测模型及其应用

针对传统BP神经网络算法在对预测问题中存在的网络具有易陷入局部极小、收敛速度慢的缺陷,引入附加动量法和自适应学习速率法改进BP神经网络预测模型．将改进后的预测方法应用于企业的市场需求预测问题,以某汽车制造企业过去12个月汽车销售量的实际数据为样本,分别采用基于时间序列和基于因素分析两种预测模型,对所提出的改进预测方法进行实证分析．结果表明：所提出的算法对销售量的预测精度较高,误差均小于8．8％,运算时间也有所降低,预测结果表明文中所提出的算法在处理网络易陷入局部极小、收敛速度慢的预测问题方面的有效性．     

基于BP神经网络的手写字符识别系统

基于BP神经网络对非线性系统辨识的通用性和自适应性等特点,构建了一个BP神经网络模型,增强了网络的自适应能力和学习能力,提高了网络的精度和收敛速度,并在此基础上开发出一个高效准确的手写体字符识别系统.     

基于神经网络PID的连挤连轧速度控制系统

根据连挤连轧速度控制的特点,将改进BP神经网络与PID控制算法相结合,采用西门子S7-200型PLC实现连挤连轧机的变频调速控制.通过与传统PID和BP神经网络PID算法比较,改进BP神经网络PID控制器具有较短的动态响应时间和良好的跟随性,表明该方法在连挤连轧速度控制中有良好的应用价值.     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

基于BP神经网络确定最优配送车辆数目问题的研究

在介绍BP神经网络相关知识的基础上,建立用于确定最优配送车辆数目的三层BP神经网络,给出BP神经网络的学习步骤。并通过实例对基于MATLAB的神经网络工具箱的可行性加以验证,对于相关研究具有十分重要的指导意义。