多重共线性问题的神经网络实例分析

通过对多重共线性问题的回归分析，引出了在MATLAB中能快速设计的神经网络－推广的回归神经网络（GRNN），并用具体实例说明了实现GRNN的方法。     

基于BP神经网络的岩土工程预测模型研究

BP神经网络具有自适应机制,通过训练和学习,达到对知识进行分类、模式判别、联想记忆等能力.岩土工程的灾害预测问题可以看作是一个模式识别问题,而岩土工程中变形情况的监测和预测模型的研究是矿山、建筑、水利等工程的一项重要课题,近年来安全监测技术发展有了巨大的飞跃,呈现出"实时"、"远程"、"非接触"的特点.针对BP神经网络预测模型监测在岩土工程方面的应用,应用BP人工神经网络实现了对岩土工程安全监测数据的预测预报,并对预测结果进行了分析,说明了隐含层数对预测结果误差的影响.通过比对,选择了误差最小的较优组合对岩土工程进行预测.     

遗传算法优化的神经网络在地应力回归分析中的应用

影响地应力场的主要因素有自重应力场和地质构造应力场,其中构造应力场目前还没有成熟的公式来计算。因而地应力场的计算大多是根据多元回归法原理,通过拟合而得出。近年来,人工神经网络对地应力场的拓展提供了另一种有效途径是,并在生物、电子、计算机、数学、物理等学科的许多实际问题中有广泛的应用。     

基于RBF神经网络的销售预测模型的研究与应用

文章研究一种基于RBF神经网络建立预测模型方法,其主要采用有监督学习的SG(Stochastic gradient)法对RBF神经网络进行训练,并通过遗传算法优化隐层节点的中心值,用优化的中心值再次训练网络,优化网络参数,得到全局最优解。     

遗传神经网络能耗预测模型在钢铁企业中的应用

为改善BP网络训练速度慢,易收敛于局部极小点及全局搜索能力弱等固有缺陷,采用遗传算法优化神经网络的初始权值和阈值,以通化钢铁公司炼铁厂为研究对象,建立了基于遗传算法的人工神经网络能耗预测模型。用MATLAB编写计算程序进行测试,并与纯BP算法进行分析比较,结果表明,文中所提出的方法在预测精度和收敛速度方面均得到了改进。     

RNN神经网络的应用研究

对动态回归神经网络模型结构与算法进行了分析，采用多层反馈ＲＮＮ网络，以典型的非线性化工过程ＣＳＴＲ为应用对象，比较了采用前馈ＢＰ网络和Ｅｌｍａｎ的ＲＮＮ网络进行模型化与模拟，最后用一个时变过程和苯酐工业生产过程模拟验证。结果表明，动态回归神经网络具有较好的收敛性和稳定性，可用于复杂动态过程的工业应用。     

前移双回归神经网络预测模型

构造一种称为前移双回归神经网络的时间序列预测新方法,克服了以往多元线性回归只考虑外部影响因素(外因)、时间序列自回归只考虑自身以往结果(内因)的不足,又结合神经网络弥补了二者都是线性模型而未考虑非线性关系的缺陷.结合国际油价预测实例证实新模型确实优于传统模型.     

商业数据的预测模型及其算法研究

以商务流通中的经济时间序列数据为对象，设计实现了经济时间序列预测系统。在预测系统中采用了多种预测模型，设计实现了包括指数平滑算法、AR(Auto Regression)算法、Holt-Winter算法、回归分析算法在内的各种统计学算法，并且把神经网络引入到时间序列预测系统的模型中，采用动态学习的BP(Back Propagation)神经网络进行训练预测，取得了很好的实用效果。神经网络的预测模型与传统的统计方法相比，在预测的精度上有了很大的提高。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。     

基于量子遗传算法优化的灰色神经网络预测模型

将量子遗传算法用来对灰色神经网络参数做出优化,提出了一种通过量子遗传算法优化灰色神经网络进行预测的建模方法.应用实例表明,文章建立的模型拥有良好的预测效果,可以作为传统方法的一种补充.     

利用神经网络外推预测干燥过程降水率

利用神经网络所具有的捕捉过程输入－输出之间的非线性关系的能力和强大的学习推理能力,给出了一种基于神经网络的外推预测垂直对撞流干燥过程降水率的方法．为提高预测的快速性和准确性,针对ＢＰ算法学习参数难以确定的缺点,给出了一种基于目标函数的一阶和二阶导数同时优化学习率和确定动量系数的方法,并将此法应用于外推预测物料降水率的过程之中．仿真结果表明,对于运动规律十分复杂、目前仍无法从其内部的运动机理和传热传质特性出发建立干燥特性预测模型的一类高强度的干燥方式而言,文中所提出的神经网络模型能够较正确、快速地预测干燥过程中物料降水率的变化．     

隧道围岩应力时序的神经网络预测模型

围岩应力是影响隧道稳定性的根本因素,掌握隧道围岩应力的变化发展趋势,是准确判断隧道稳定性的前提.针对隧道围岩应力变化难以准确预测的问题,作者在分析了隧道围岩应力变化规律和主要影响因素的基础上,采用BP神经网络建立了隧道围岩应力时序的神经网络预测模型.模型在綦万高速公路观音岩隧道施工中成功应用,结果表明采用神经网络预测隧道围岩应力时序是可行的,其使用简便,预测准确.     

神经网络方法在用水量预测中的应用

采用自适应变步长的后向传播算法(ABPM)构建了一个人工神经网络用水量预测模型。分别取一部分历史数据作为训练样本和测试样本,用训练样本对网络进行训练,然后用测试样本对模型进行评估。结果表明该模型收敛速度较快．预测精度高．为用水量预测提供了一种新的方法。     

应用人工神经网络方法预测M-EDTA配位稳定常数

应用人工神经网络法预测金属离子的M-EDTA配位稳定常数,并通过计算54种金属离子的M-EDTA配位稳定常数,确定了金属离子的基本参数与M-EDTA配位稳定常数的定量关系.通过对网络结构和参数的优化,提高了预报的准确度.     

人工神经网络与遗传算法在高炉焦比预报中的应用

建立了遗传算法与BP神经网络相结合的高炉焦比预报模型。该模型用于预报在不同操作条件下适宜的焦比,寻求高炉诸多操作参数与焦比之间的映射关系,为高炉操作者提供调整炉况的依据。实际应用表明,该模型具有较好的命中率。     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法(GA-SAPSO)对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明:所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

遗传算法在神经网络设计中的应用

通过对正被广泛应用的、智能的、并行的全局优化方法—遗传算法的性能分析，并与其它算法比较，阐述了遗传算法在神经网络设计中的优越性.     

基于GA-BP的经济指标滚动递推预测模型

为了克服传统BP神经网络在经济预测中的不足,引入遗传算法对BP神经网络的权值进行训练,在此基础上建立互推递进遗传神经网络的预测模型,经实例测试表明该模型是可行的．