考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度，提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间，利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间；将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量，基于底层BPNN模型预测车辆在目标路段的行程时间，进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试，并与其他4 种模型进行比较. 结果表明，所提模型具有较高的预测精度，尤其在雨天，比传统BPNN模型预测精度提高57.25%.     

基于神经网络的引线键合质量预测模型研究

针对引线键合质量与其影响参数之间存在非线性、强耦合关系的特点,提出一种基于弹性BP算法的BP神经网络引线键合质量预测模型.通过引线键合工艺过程的分析,提取了影响引线键合质量的工艺参数,采用BP神经网络结构,建立了引线键合质量预测模型.不同算法下的网络训练结果表明,弹性BP算法具有较快的收敛速度和较高的训练精度.仿真结果表明所建模型具有较高的预测精度,能够准确地反映键合质量综合指标的变化趋势.     

船舶柴油发电机转速的BP-PID并行控制

针对船舶柴油发电机转速控制问题,结合BP神经网络对非线性系统的高拟合性与经典PID控制的优良性能,形成船舶柴油发电机转速BP-PID并行控制系统。控制系统中BP神经网络控制器与PID控制器相结合,经过神经网络控制器的不断训练学习,控制器获取船舶柴油发电机转速系统的模型,并逐渐地由BP神经网络控制器占主要控制作用,从而达到对系统的实时控制。仿真结果证明了该方法的可行性。     

基于RBM-GASA-BPNN 的潜在高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

基于BPNN的手足口病重症化进程中的相关因素变化及预测分析

目的探讨BP神经网络(BPNN)模型在儿童手足口病(HFMD)重症化进程预测中的应用价值,为HFMD重症病例早期识别提供参考依据。方法采用MATLAB 7.0软件对2013年4~6月河南郑州某医院收治的445例HFMD患儿临床资料构建BPNN模型,得出平均影响值(MIV)排序并归一化;从中挑选32例符合重症标准且自发病到重症的病例作为重症组,对照组纳入60例普通病例,以较大MIV值的因素为变量重新整理数据,统计分析得出单个因素水平和综合因素水平在重症化期间的变化趋势,阐述其与HFMD重症早期识别的关系。结果在HFMD重症化进程中,精神差、颈强直、易惊的变化是先上升,重症当天及前一天平稳且至最高,随后下降;呼吸频率、心率、嗜睡、热程≥3d及血糖水平的变化是先升后降,重症当天最高;手足抖动的变化是先升后降,重症前一天最高;呕吐呈下降趋势;热峰大致呈下降趋势,重症当天略微回升,之后降至正常体温;白细胞计数变化基本不大,均高于正常值范围,在重症次日恢复至正常值水平;综合因素水平是先上升至重症当天并达到最高,之后下降。结论 BPNN模型可用于分析HFMD重症化进程中的相关因素变化,可为重症病例的早期识别提供参考依据。     

基于RBM-GASA-BPNN的潜在 高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

基于VISSIM的交通事件检测仿真及数据处理

采用VISSIM软件模拟交通事件,获得交通流数据,作为检测系统的训练源数据.利用MAT-LAB软件进行仿真.结果表明：相对于其他算法,该网络结构具有检测率高、误报率低、检测时间短的优点,完全适用于交通事件检测系统,同时也存在不足之处,指出了今后进一步研究的方向.     

基于BP神经网络的故障诊断技术在装备维修中的应用

传统故障诊断方法在装备保障中的诸多局限性。文章介绍了基于BP模型的神经网络,研究了基于BP模型神经网络的故障诊断推理方法,并利用Matlab仿真软件对结果进行了运行和计算。结果证明,基于BP神经网络的故障诊断技术对装备故障诊断是行之有效的。     

应用于火灾探测的气味分析技术及其算法

提出了一种新的应用于火灾探测的算法,通过与BP神经网络算法的分析比较,认为RBF神经网络算法比BP神经网络算法在数据处理方面更加迅速和准确,因此RBF神经网络算法在火灾的实时探测方面具有更好的发展潜力,而基于RBF神经网络的气味分析技术在火灾探测方面表现出广阔的应用前景.