对转桨水动力性能实时预报方法

为了实现对转桨水动力性能实时预报，基于BP神经网络构建对转桨水动力性能预报模型。首先，采用低阶速度势边界元法建立对转桨水动力性能预报模型，通过调整来流速度和前后桨转速开展对转桨水动力性能多工况计算，从而获得构建神经网络所需的样本空间。建立适用于对转桨水动力性能预报的神经网络架构，通过训练使其具备良好的泛化能力。以某组对转桨为研究对象开展水动力性能实时预报方法研究，结果表明，采用BP神经网络预报模型可获得与边界元法精度相当的预报结果，但该模型与边界元法相比计算所耗时间可以忽略不计，可有效实现对转桨水动力性能实时、快速预报。     

应用人工神经网络理论的船舶运动包络预报方法

本文首先介绍了人工神经网络理论的基本内容以及前馈网络反向传播的训练方法，然后应用单隐含层网络作出船舶运动包络的实时预报。文中就一船舶的海上实测运动数据进行了实例计算，结果表明，本文方法的预报结果明显好于其它模型的自适应预报结果。     

人工神经网络在基坑变形性状研究中的应用

基坑工程不仅要保证维护结构本身的安全,而且要保证周围建(构)筑物的安全和正常使用。开展基坑工程变形性状研究具有重要意义。影响基坑变形的因素很复杂,传统的计算方法已无法准确预测基坑的变形。人工神经网络(ANN)有很强的解决非线性问题的能力。近些年来基于ANN的方法在岩土工程中得到了广泛的应用。本文对ANN在基坑工程中的应用研究进行了综述,并对其发展方向进行了分析。     

BP神经网络在土工合成材料蠕变预测中的应用研究

过对目前广泛应用于加筋土工程的土工合成材料-CE131土工网、SDL25土工格栅进行不同应力水平作用下的长期荷载蠕变试验,获得大量的实验数据.在此基础上,运用最小二乘和BP神经网络对其蠕变量进行预测.最小二乘原理是在曲线族中寻找一曲线去拟合实验数据,从得到的误差平方和σ=0.00116来看,其拟合精度较高.BP神经网络具有自适应学习和记忆能力,尤其是三层BP神经网络模型,所得预测值与实际值误差最大为0.91%,较最小二乘3.4%的误差改善了许多,该法为蠕变预测找到了一条新的途径.     

基于人工神经网络的海洋平台振动主动控制

将经典最优控制算法与人工神经网络相结合，采用BP神经网络模型，实现了受随机波浪力作用下的海洋平台的振动主动控制。由于神经网络的鲁棒性、容错性和很好的泛化能力，仿真结果表明控制是可行、有效的，并且克服了传统算法本身的时滞问题，为海洋平台的振动控制提供了一条新的思路。     

基于BP神经网络的分布式传感器网络的可靠性分析

针对分布式传感器中的故障点多，导致估计系统可靠性参数困难的特点，提出了一种基本原则于BP三层神经网络的Markov可靠性模型。仿真结果表明，神经网络收敛时的可用度与Markov模型计算值的相对误差的数量级为10-4，从而验证了神经网络模型的正确性，另一方面与用两层神经网络的可靠性计算相比，其收敛速度加快。     

船舶液力耦合器的人工神经网络的数学建模

从船舶动力装置动态建模与仿真的实际需求，引出了其主要部件之一的液力耦合器数学建模在稳／动态特性研究中的重要性，以及利用其试验曲线(输入特性形式)作为数据源去构建准稳态数学模型的困难之处：寻找一种通用的数学表达形式，以实现①液力耦合器在额定工况及其附近的试验曲线的内插与外廷；②过渡工况液力耦合器数学模型的设计(如液力耦合器接合和脱开过程其滑差从100％向额定滑差值方向的变化)。本文介绍了人工神经网络方法在液力耦合器动态建模中的应用。文章先介绍了其数学建模的思路和要点：①选择人工神经网络算法(包括传递函数)与结构(人工神经网络隐含层数目和神经元个数)；②提高人工神经网络泛化能力的措施；③利用专业知识扩充人工神经网络训练用的数据样本。然后叙述了其数学模型在某船舶动力装置稳态、动态特性计算机仿真研究中的某些有意义的结果：①正常航行(四机双桨)稳态工况时各车令下液力耦合器的滑差；②不同螺旋桨螺距下的液力耦合器接合过程的滑差变化；③怠速→前进五的急加速过程的滑差变化。     

MIMD机器上流水化BP算法的实现

神经网络训练过程中的高昂计算代价是有待克服的一个主要困难，作者把前馈多层神经网络的相继各层盾做流水线的相继步骤，从而提出了一个在ＭＩＭＤ机器上实现的并行ＢＰ算法来提高误差反传递算法的效率，文章的最后，对ＢＰ算法的并行实现进行了分析，理论分析结果显示，多种神经网络结构都可有效地并行化。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。