基于熵的RBF神经网络在软测量中的应用

为了更好地确定RBF神经网络中心向量,并且使得最终的RBF神经网络结构可以进一步调整。提出了一种使用熵聚类的算法来首先确定RBF神经网络隐节点的个数及其初始值,实现初始化的基础上使用常规算法调整RBF神经网络的中心和训练宽度,最后使用基于互信息的RBF神经网络修剪算法调整网络结构。并将上述算法应用于COD软测量问题中,仿真实验结果表明：改进的算法与常规的算法相比,提高了训练速度和逼近精度。     

基于神经网络的软测量在隔离型换热节能系统中的应用

隔离型换热节能系统的模型研究对系统优化有着现实意义。在对系统结构介绍的基础上,建立了系统的稳态机理模型。针对系统模型中的关键参数难以测量的问题,提出采用基于RBF神经网络的软测量方法加以解决,并利用现场数据进行了实验研究。结果表明,所提方法是可行、有效的。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

基于人工神经网络的过闸流量软测量研究

由于过闸流量与其影响因素（上游水位、闸门开度等）存在着复杂的非线性关系,给水流量的精确测量带来了困难。本文利用人工神经网络优良的非线性映射能力,建立了一个基于BP网络过闸流量软测量模型,并运用MATLAB神经网络工具箱以及碧口水电站实际数据对网络进行训练与验证。验证结果符合水流量测量精度的要求,为过闸流量的测量提供了一种简单,可靠的新方法。本文网络版地址：http：//www.eepw.com.cn/article/170163.htm     

基于内阻测试的质子交换膜含水量软测量研究

燃料电池堆中的质子交换膜的含水量难以直接测量,对此我们提出基于BP神经网络的电堆PEM平均含水量软测量方法。该方法中需要的单片内阻和温度数据由我们按照需要设计的以DSP2407为核心的专用内阻在线测试装置测得。结果表明,该装置达到性能要求,BP网络软测量模型能较好地预测电堆PEM含水量。     

神经网络在分组码软判决译码中的应用

本文对线性分组码构造了一个神经网络软判决译码器，并提出了循环码的一个神经网络软判决译码算法。对Ｇｏｌａｙ码的计算机仿真表明，新算法不仅译码速度快，而且，具有优越的性能。     

基于VW-IGRBF神经网络的出水BOD软测量

针对污水处理过程具有复杂非线性特性以及出水BOD难以精确测量的问题,文中提出一种基于变宽度的逆平方根和高斯函数线性组合的RBF神经网络软测量方法。神经网络的激活函数由逆平方根函数和高斯函数线性组合,弥补了单一激活函数在某些区间饱和的问题,提高了隐层激活函数的表达能力和自适应能力。由于激活函数的宽度对模型的泛化性能有较大的影响,因此引入基于核密度的变宽度策略可以有效提高网络泛化能力。文中采用改进LM算法实现了神经网络参数的在线学习。基于污水处理过程实际运行数据的仿真实验表明,所提方法对于出水BOD具有较高的预测精度和良好的自适应能力。     

一类循环码的神经网络软判决译码算法

本文分析了一类循环码的结构特性，提出了这类循环码的神经网络软判决译码算法。新算法的复杂度比现有一般的神经网络译码算法要低得多，而其译码性能接近大似然译码。     

三阶灰色神经网络模型的建立及应用

根据BP神经网络和灰色系统的基本理论,在现有的灰色神经网络模型理论的基础上,为能更加准确地反映复杂的非线性的动态过程,建立了基于时间响应函数的三阶灰色神经网络模型GNNM(3,1)。     

基于改进GPR模型的发酵过程软测量建模

针对生物反应过程中许多关键参量难以在线检测的难题,提出了一种改进的高斯过程回归建模方法。由于传统高斯过程的均值函数不易确定,从而简单预置为零,导致模型对数据的解释性不够完全的缺点。改进的方法是利用一种组合基函数来确定高斯过程回归模型的一个非零均值函数,基函数的选取是通过高斯过程建立多项式回归噪声模型的方式推导而出,最后进行软测量模型的预测输出。基于氨基酸类典型菌种L-赖氨酸反应过程关键生物量参数预测的试验研究表明：与传统的高斯过程回归模型和支持向量机相比,改进的高斯过程回归模型具有更好的预测精度和泛化能力,能很好的跟踪预测值的变化趋势。     

基于改进BP神经网络的洪峰预测模型

BP神经网络擅长对数据模型进行预测,通过模拟退火遗传算法的引入,对原始BP网络进行改进,对比分析两种算法的流程及效率,同时在洪峰预测模型上进行试验,观察两者的数据结果,并分析误差和效率,发现改进BP网络优于原始BP网络,在实际工程应用中值得推广。     

基于模糊神经网络智能预测模型的设计与实现

针对智能决策支持系统中经常遇到的预测类问题,根据人工神经网络和模糊逻辑系统的各自特点,设计一种模糊神经网络模型,将模糊系统用类似于神经网络的结构表示,再用相应的学习算法训练模糊系统实现模糊推理.并对此模型进行预测验证和编程实现.     

基于减法聚类的神经网络模型及其应用

神经元网络应用于一般工业过程建模比较有效,但对于对象是庞大数据的复杂的工业生产过程就明显力不从心,采用基于减法聚类算法和模糊c均值聚类算法融合,以获得精确的聚类个数和隶属度,建立基于多判据信息融合和模糊技术构成的神经元网络模型,对实际地下开采生产过程进行仿真,结果验证了模型的有效性.     

基于BP神经网络的引线键合模型

提出了一种基于BP神经网络的新建模方法.利用MATLAB神经网络函数建立网络,通过组合不同参数,将50组训练样本输入网络多次训练,比较结果误差及训练步数、时间,确定了最佳网络结构及参数设置值,建立了引线键合模型.采用训练样本外的10组实验数据对模型进行验证,分析多种误差.验证结果表明,该方法对建立引线键合模型是有效的、可行的,有着较高的精确度.     

基于改进型Elman网络的TVS电磁脉冲效应仿真

针对传输线脉冲(Transmission Line Pulse,TLP)测试方法实施过程工作量较大、实验结果与实测数据吻合较差的问题,提出一种基于改进型Elman神经网络的电磁脉冲(Electromagnetic Pulse,EMP)响应建模方法。在TLP方法基础上增设机器模型静电放电和人体金属模型静电放电2类电磁脉冲,利用隐含层神经元数目为10的改进型Elman神经网络对NUP2105L型瞬态抑制二极管(Transient Voltage Suppressor,TVS)的实验数据进行建模,并预测不同脉冲条件下TVS的响应。仿真结果表明,该方法建模精度高、泛化能力强,能够定量判断TVS性能,满足电路快速选件需要。     

基于改进的BP神经网络模型的遥感图像分类方法研究

遥感图像通过像元灰度值的高低差异和空间变化来表示不同属性的地物目标及其分布情况。随着人工神经网络理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐渐取代传统遥感图像分类方法的趋势。重点分析了BP神经网络模型的遥感图像分类方法,并针对BP算法的学习速率慢做了改进,利用M atlab 7.0作为实验平台,对北京市海淀区遥感影像进行分类实验。实验结果表明,与基本BP算法相比较,改进的BP算法网络训练收敛速度快,分类方法是有效的。     

基于概率神经网络改进的GrabCut算法

针对GrabCut算法在分割图像时效率低,且容易出现欠分割与过分割的问题,提出了一种基于概率神经网络(PNN)改进的GrabCut(PNN_GrabCut)算法.该算法用PNN模型替换GrabCut算法中的高斯混合模型(GMM)进行t-links权值计算,以提升算法的计算效率;通过构建前景和背景直方图,选取像素值出现频...     

基于改进Elman神经网络的红外被动测距算法研究

为了满足现代战争的需求,对于空中目标的距离精确估计显得愈发重要,由于目标的红外辐射在大气传播过程中的衰减,目标在不同波长的辐射会随着传输距离的改变而发生变化,故不同的波长的辐射里包含了目标的距离信息.基于以上原理,本文利用美国空军大气传输软件Modtran生成空中目标在不同波段的大气透过率数据,利用经纬仪获得目标的天顶角,最后建立基于改进Elman神经网络的被动测距模型.仿真结果表明本文算法能够有效提高对于空中目标距离估计的精确性.     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

人工神经网络模型的对比分析及应用研究

20世纪80年代以来，人工神经网络技术在理论和应用研究方面有了快速的发展，并在众多科学领域取得了大量的应用研究成果。本文对近年来受到普遍重视的人工神经网络的典型模型的性质和学习算法等方面的研究做了较为详尽地叙述，并分析了各主要模型的应用及针对其缺点进行优化的问题。