基于不变矩和小波神经网络的标志识别方法

对交通标志实时识别应该满足平移、旋转、比例变换具有不变性以及识别精度高等要求.首先采用不变矩来提取标志图像特征,然后利用小波神经网络作为分类器对标志进行识别,该方法很好地满足了上述要求.和常用的BP神经网络标志识别算法相比,小波神经网络算法的训练速度更快和识别精度更高,在车辆自主导航系统中的应用价值更大.     

基于模糊理论与神经网络并行推理的发动机故障诊断方法

将模糊理论与神经网络相融合，针对汽油发动机偶发性疑难故障，采用模糊信息处理方法确定故障的类别，通过神经网络的逼近能力来实现对故障进行诊断的功能。与单纯使用神经网络进行故障诊断的方法相比，基于模糊理论与神经网络并行推理的发动机故障诊断方法在输入参数不是训练时的典型数据（同训练时输入数据差别较大）时，系统仍能对输入样本很好地归类，给出较高精度的诊断结果，尤其对于单一系统的复杂故障具有很好的识别能力，可以提高对发动机故障的诊断精度。     

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。     

基于神经网络物流配送企业人力资源绩效考核

为了高效率、低成本地对物流配送企业进行人力资源绩效考核,采用了BP神经网络、360°考核法开发了绩效考核系统.首先请人力资源专家提供100组训练样本,然后应用神经网络进行残差分析,发现疑似人为误差较大的样本,给出建议修改范围,请专家复核,最后使用校正后的样本对神经网络进行训练.这一流程有助于神经网络减少训练时间,提高评价精度.和其它评价模式相比较,神经网络评价模式能够引导员工均衡发展各项指标,保证服务质量.     

改进的BP神经网络在路基沉降预测中的运用

针对BP神经网络存在训练过程不确定的缺点,基于MATLAB建立改进的BP神经网络模型,该模型可克服BP神经网络模型在训练过程中收敛速度慢、易陷入局部极小点等缺点。结合实体工程实测数据,将该优化模型与指数曲线模型、双曲线模型、泊松曲线模型和Compertz模型对比分析,结果表明改进的BP神经网络模型在黄土路基沉降预测中精度最高,可运用于黄土路基的沉降预测。     

基于改进残差网络的齿轮箱故障诊断研究

深度残差网络中的残差模块能较大程度解决特征的丢失和损耗问题,从而能够搭建更深的层数来改善神经网络的训练效果,但是冗余噪声会干扰机械故障诊断精度.残差收缩模块(RSNB)利用注意力机制根据重要程度不同来对特征进行加权,自动地给各个样本设置不同的阈值,在降噪的同时最大程度的保护数据的原始特征.为加快网络训练速度,引入权值均...     

小波神经网络应用于电子政务信息系统安全风险评估

针对电子政务信息系统风险评估的复杂性和不确定性,作者提出了小波神经网络评估方法,建立了小波神经网络评估模型,最后采用Matlab7.1工具进行了仿真实验,并分别从网络的收敛速度、训练精度和训练效果上与BP神经网络算法作了对比。结果证实该方法有效克服了传统方法中人为分配权重带来的主观性,使评价结果更科学,更合理。     

基于BP神经网络的FRP加固混凝土柱承载力预测

为提高纤维增强复合材料(FRP)加固混凝土轴压柱承载力的计算精度,建立了FRP加固混凝土轴压柱承载力的BP神经网络预测模型.利用大量试验数据对神经网络模型进行训练,并用训练成熟的神经网络模型对FRP加固混凝土轴压柱的承载力进行了预测.通过模型预测值与试验结果的比较,证明该模型的预测结果具有一定的可信度,最大误差不超过15%,比其他计算模型的精度高.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于BP神经网络的厦门港集装箱吞吐量预测研究

厦门港是我国东南沿海的集装运输基本港口.集装箱吞吐量的预测是港口制定发展规划的重要依据.在研究了常用的输入数据归一化方法之后,提出了新的归一化方法.该方法能加快BP神经网络的训练速度并提高精度.运用BP神经网络建立了厦门港集装箱吞吐量预测模型,并计算出2020至2024的集装箱吞吐量预测值.无论从拟合值,还是预测值检验来看,该方法都具有很高精度.     

基于BP神经网络的某型发动机万有特性实验数据拟合

介绍了BP神经网络的基本原理,借助Matlab软件的BP神经网络工具箱函数,通过建立相应的BP网络模型,对某型发动机的万有特性实验数据进行拟合,并将拟合结果与实测值进行比较。研究表明,采用BP神经网络拟合发动机万有特性数据,能取得较高的精度。     

基于RBF神经网络因子分析的汽车保有量预测

汽车保有量预测对城市交通的发展方向有直接的参考意义,通过分析影响城市汽车保有量的因素,采用因子分析法提炼出较少的线性无关的主要因素,建立预测城市汽车保有量的RBF神经网络模型.最后通过实例分析,对RBF神经网络因子分析法计算结果和全要素神经网络模拟结果比较,得出RBF神经网络因子分析法在运算效率、运算精度上的优越性.     

气动比例阀控系统死区特性及仿真研究

针对气动比例系统中存在死区的情况，采用神经网络自学习的方法，解决由于死区的存在引起的系统定位精度问题。选定一死区补偿初值，以定位精度为目标，根据系统动态响应过程中的误差及误差变化，通过在线修正神经网络权值来调整死区补偿值。     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

黄土沟壑区湿软路基沉降预测模型

为合理考虑路基沉降预测时诸多影响因素的不确定性与随机性,提出基于神经网络范例推理的路基沉降预测模型。以同类工程的成功经验为基础,建立了基于神经网络的沉降范例检索模型,在范例相似度计算中,引入归一化效用函数,通过神经网络的学习,建立当前沉降范例与沉降源范例之间的相似关系,最终实现当前沉降范例的沉降预测。对黄土沟壑区湿软路基沉降预测结果表明,该模型具有较高的预测准确性,预测值与实测值绝对误差小于10%。     

两自由度并联机器人的RBF神经网络辨识自适应控制

针对平面两自由度五杆并联机器人的轨迹跟踪问题,提出了一种基于RBF神经网络的自适应PID控制方法.该控制方案利用RBF神经网络自适应学习辨识并联机器人系统的未知非线性动态,可以在线调整PID控制参数以实现高精度控制.仿真结果显示该控制策略可以精确实现对于并联五杆机器人的轨迹跟踪控制,该方法的自适应性和跟踪性能均优于传统的PID控制.     

基于神经网络方法的柴油机气缸压力识别

分析了柴油机气缸盖系统激励和响应信号的非线性特性,阐述了基于BP神经网络的柴油机气缸压力识别方法.对测试的振动响应信号进行时域统计平均和低通滤波后,训练BP神经网络,利用自适应梯度下降算法,自适应调节学习速率,提高网络精度,识别柴油机气缸压力.结果表明,恢复出来的缸内压力信号和实测信号十分接近,该方法对柴油机的实时在线控制、监测和故障诊断有重要的应用价值.     

交通出行预测的神经网络模型

针对交通出行集计预测模型的缺陷,结合神经网络在非线性关系映射方面的优势,本文提出了交通出行预测的BP神经网络模型。作者在对BP神经网络的结构和算法进行分析的基础上,研究了交通出行预测BP神经网络模型的影响因素、模型结构和模型数据,并采用实际调查数据对模型进行了检验和应用。研究结果表明模型预测精度较高,既有很强的理论优势和解释性,又有良好的操作性．最后,文章讨论了下一步的研究方向．     

小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.