基于AHP和动量BP神经网络的工程项目承包商选择模型

运用BP神经网络技术,采用动量BP算法,构建了基于动量BP神经网络的工程项目承包商选择模型,并将AHP的评价结果作为学习样本,对BP神经网络模型进行训练和测试.结果表明,基于AHP和动量BP神经网络的工程项目承包商选择模型是可行的,该模型具有较高的自组织、自适应和自学习能力以及较强的容错功能,能够为一般的工程项目承包商选择活动提供有效的参考和依据.     

一种适用于缝洞油藏的流动单元划分方法

缝洞型油藏储集体空间尺度差异巨大且随机分布,导致其流动规律复杂多样.因此,基于流体在储集体中的流动规律重新划分具有开发意义的储集体类型,并对流动规律进行了实验验证;结合地质模型标定了不同流动类型的流动物性界限;将塔河油田S48区划分为4大类和10亚类流动单元.研究结果表明:缝洞油藏储集体类型包括流动规律为管流的未充填或垮塌充填大型洞群,流动规律为高速非达西流的疏松充填大型溶洞、大尺度裂缝与溶蚀孔洞系统,以及流动规律为达西流的小尺度裂缝网络与小尺度孔隙;依据缝洞油藏中流体不同的流动类型,共划分出四大类流动单元;提出动态综合系数并作为Ⅰ亚类流动单元的划分参数,并以某一井组为例将其划分为四亚类,动态综合系数越大,流动单元的流动能力越强;类推出第一非达西流动系数(S_1)和第二非达西流动系数(S_2)作为Ⅱ亚类流动单元的划分参数,并以某一井组为例将其划分为三亚类,两个非达西流动系数越大,流动单元的流动能力越强;利用SMLP法,以某井生产层段为例将Ⅲ类流动单元划分为三亚类,曲线斜率越大,流动单元的流动能力越强.     

人工神经网络BP算法的改进和结构的自调整

本文解决了BP神经网络结构参数和学习速率的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络动态全参数自调整学习算法,又将其编制成计算机程序,使得隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力。计算结果表明：BP神经网络动态全参数自调整算法较传统的方法优越。训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势。     

关于DNA序列分类问题的模型

本文提出了一种将人工神经元网络用于 DNA分类的方法 .作者首先应用概率统计的方法对 2 0个已知类别的人工 DNA序列进行特征提取 ,形成 DNA序列的特征向量 ,并将之作为样本输入 BP神经网络进行学习 .作者应用了 MATLAB软件包中的 Neural Network Toolbox(神经网络工具箱 )中的反向传播 ( Backpropagation BP)算法来训练神经网络 .在本文中 ,作者构造了两个三层 BP神经网络 ,将提取的 DNA特征向量集作为样本分别输入这两个网络进行学习 .通过训练后 ,将 2 0个未分类的人工序列样本和 1 82个自然序列样本提取特征形成特征向量并输入两个网络进行分类 .结果表明 :本文中提出的分类方法能够以很高的正确率和精度对 DNA序列进行分类 ,将人工神经元网络用于 DNA序列分类是完全可行的     

引入技术指标的BP网络在股市预测中的应用

本文使用股市分析中常用的一些技术指标构造BP网络的输入样本向量,在此基础上,对沪市股指的涨跌进行了预测.数值实验结果表明,该方法能够提高网络预测的正确率.使用跳跃学习及三种变学习率、批方式的学习算法对BP网络进行了训练,节省了预测时间.运用“在线预测”的方法对预测过程进行了跟踪.针对预测样本在预测性能及预测结果方面存在的差异,引入预测样本中心距离比的概念对其进行简单的划分,得到一些富有启发性的结果.     

一种简单神经Mealy机的构造

构造一种新型神经Mealy机,神经Mealy机具有一定的学习能力,它主要通过学习来获得(von Newman)计算机结构,可以较好地避免普通计算机那样损毁一条电路就带来灾难性后果的情况.其本质是将递归神经网络通过BP优化算法,对Mealy机进行模拟得到,并通过实验对该网络的学习性能进行研究分析.基于形式文法和自动机的等价性,用神经网络来实现文法推导.先采用神经网络对样本集进行学习,这些样本可由一个经典Mealy机生成,然后从训练完的神经网络提取出自动机.     

基于BP神经网络的山坡平均坡度解

用BP神经网络方法对山坡平均山坡的解法进行分析,以29个小流域样本的水文数据为基础,通过应用人工神经网络反向传播BP(Back Propagation)算法,引入与山坡平均坡度密切相关的流域影响因子,并且通过调整网络结构中的权因子和阈值,建立了山坡平均坡度与流域影响因子之间的BP网络模型.计算结果表明,用拓扑结构为5-12-1的BP网络,经过学习150000次后,随机测试小流域样本的山坡平均坡度其计算结果和测试结果的相对误差不超过5%;证明该ANN模型的拟合能力强,从而为小流域山坡平均坡度的计算提供了一条新途径.     

混沌遗传算法对BP神经网络的改进研究

BP神经网络算法是目前应用最广泛的一种神经网络算法,但有收敛速度慢和易陷入局部极小值等缺陷.本文利用混沌遗传算法(CGA)具有混沌运动遍历性、遗传算法反演性的特性来改进BP神经网络算法.该算法的基本思想是用混沌遗传算法对BP神经网络算法的初始权值和初始阈值进行优化.把混沌变量加入遗传算法中,提高遗传算法的全局搜索能力和收敛速度;用混沌遗传算法优化后得到的最优解作为BP神经网络算法的初始权值和阈值.通过实验观察,改进后的结果与普通的BP神经网络算法的结果相比,具有更高的准确率.     

一种快速且全局收敛的BP神经网络学习算法

目前误差反向传播(BP)算法在训练多层神经网络方面有很多成功的应用.然而,BP算法也有一些不足:收敛缓慢和易陷入局部极小点等.提出一种快速且全局收敛的BP神经网络学习算法,并且对该优化算法的全局收敛性进行分析和详细证明.实证结果表明提出的算法比标准的BP算法效率更高且更精确.     

基于改进PSO-BP神经网络的贮存可靠性预测

贮存可靠性是军事储备质量监测的重要环节,科学准确地预测贮存可靠度是现代化军事评估的必然要求。针对历史贮存数据,建立可靠度与年限的贮存可靠性预测模型,采用进化策略改进粒子群算法(PSO)优化BP神经网络进行贮存可靠性预测。通过数据扩充提高样本质量和数量,应用改进后的PSO算法优化BP神经网络的初始权值和阈值,提高网络的泛化能力。PSO算法较好的全局搜索能力与BP网络很强的局部搜索能力相结合,能够避免早熟现象,提高算法的收敛速度及预测精度。实验结果表明,改进的PSO-BP网络模型比PSO-BP和BP神经网络获得更好的预测性能。