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.     

基于改进OLS算法的RBF神经网络 高速公路事件探测

提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法,同时改进了用于RBF神经网络训练的Oils(正交最小二乘)选择算法.仿真实验证明,改进的OLS选择算法大大提高了RBF神经网络的训练速度同时具有无须事先确定RBF中心的优点,将之运用于公路事件探测可以获得满意的性能.     

基于改进的动态因子多层前馈网络学习算法

分析了学习率对BP神经网络中存在的典型问题的影响，提出了一种通过调整学习率改进BP神经网络性能的动态适应算法。仿真结果表明，此BP算法在学习速度方面有较大提高。     

基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

RBF神经网络预测水泥水化热研究

利用RBF神经网络对水泥水化热进行预测,根据水泥水化热的影响因素,建立了12个输入节点、1个输出节点的RBF神经网络模型.通过27组试验数据,验证了模型的可靠性,并与BP神经网络进行了比较.结果表明,RBF神经网络预测效果明显优于BP神经网络,前者不仅预测速度快,而且预测精度高,相对误差小于4%,在水泥水化热预测中具有...     

基于萤火虫优化的BP神经网络算法研究

为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领城的可行性和有效性.     

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。     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

基于进化规划的BP神经网络学习

通过对将传统的BP算法和遗传算法应用到BP神经网络的学习的研究和分析,指出它们存在的缺陷。提出一个改进的进化规划算法,并将其应用于BP神经网络的权值优化。取XOR问题和4奇偶性问题的实验对传统的进化规划算法和改进的进化规划算法进行实验对比。实验结果表明,本文中提出的改进的进化规划算法优于前2个算法。     

基于MPSO-RBF的区域公路交通事故预测方法研究

在分析区域公路交通事故致因因素和预测特点的基础上,引入了基于改进PSO算法的RBF神经网络的混合优化(MPSO-RBF)算法,即将PSO算法的全局搜索能力和RBF神经网络局部优化相结合,并建立了区域公路交通事故的预测模型.最后,利用某城市1990-2003年交通事故资料和相关数据对MPSO-RBF神经网络预测模型进行了训练、拟和,同时用2004-2006年的外推样本数据对模型进行了检验,计算结果表明,MPSO-RBF预测模型较传统方法具有更高的预测精度,与此同时也证明了本文所选取区域公路交通事故致因因素的有效性.     

�¼�������������ģ�͵Ľ�������֤

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置分析的基础上，建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段Ⅰ-880实地线圈数据集和事件数据集验证模型，通过比较PNN模型与多层前向神经网络(MLF)模型的结果，发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高；平均检测时间(MTD)比MLF模型短；但误报率(FAR)较高。概率神经网络是高速公路事件检测的一种有效算法，其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

事件检测概率神经网络模型的建立与验证

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置进行分析的基础上,建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段1-880实地线圈数据集和事件数据集验证模型,通过比较PNN模型与多层前向神经网络(MLF)模型的结果,发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高;平均检测时间(MTTD)比MLF模型短:但误报率(FAR)也较高。概率神经网络是高速公路事件检测的一种有效算法,其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

基于BP神经网络的交通异常事件自动检测算法

对现有公路交通异常事件自动检测算法进行介绍,在此基础上提出从人工神经网络角度方向建立检测模型,摆脱以往使用仿真数据研究的局限,利用广深高速实测交通异常事件数据对BP神经网络（Back Propagation NN）在交通异常事件自动检测算法中的应用进行研究。结果表明BP神经网络算法具有检测率高、误报率低和检测速度快等优点。     

基于RBF的城市快速路交通异常事件自动检测算法分析

通过对城市快速路交通异常事件自动检测方法的分析,提出用MATLAB神经网络工具箱建立交通异常事件自动检测RBF模型,并通过采集的实测交通异常事件数据对RBF神经网络在自动检测算法中进行仿真研究。结果表明RBF神经网络算法具有检测率高、误报率低和检测速度快等优点。     

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.     

信息融合技术在交通事件自动检测中的应用

多传感器信息融合技术这一新兴信息处理技术的出现,为交通事件自动检测(Automatic Incident Detection,AID)算法的设计提供了新的解决方案。将多传感器信息融合技术引入交通事件检测领域,设计了一种基于信息融合技术的交通事件自动检测算法。该方法结合了信息融合理论和小波神经网络算法,充分发挥了多传感器信息融合与小波神经网络理论的优势,使得事件检测的结果更加准确。通过仿真试验,该检测算法的优越性得到验证。     

���ڴּ�����Ԥ�������ݵ��� ���罻ͨ�¼��Զ�����㷨

提出了一种基于粗集理论预处理数据的神经网络交通事件自动检测算法.首先简单介绍T数据挖掘技术中的粗集理论，然后说明了算法的原理、计算步骤以及所用的神经网络模型，最后为检验算法的有效性，时MATLAB编制的仿真程序的生成试验数据做了较充分的仿真试验.试验测试结果表明了此方法的有效性.     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

高速公路固定检测器布设方案分析

为研究高速公路交通事件检测算法及固定检测器布设间距,设计高速公路基本路段的人工神经网络事件检测算法,并研究基本路段检测器布设间距为200～700m时,使用不同情况的事件来检测效果。利用VISSIM4.2软件仿真获得数据,并在MATlab人工神经网络工具箱中计算,验证所设计的事件检测算法的有效性,得出基本路段固定检测器的合理布设间距。