思维进化算法在BP神经网络拟合非线性函数中的应用研究

直接使用BP神经网络拟合非线性函数,具有预测精度差、收敛速度慢等缺点.该文提出利用极强全局搜索能力的思维进化算法来优化BP神经网络.首先根据BP神经网络拓扑结构构建思维进化算法模型,然后用思维进化算法得到的最优解作为BP神经网络的初始权值和阈值,最后利用MATLAB软件对多个非线性函数进行拟合仿真实验,比较思维进化算法优化BP神经网络和单纯使用BP神经网络的预测结果 .数据表明,优化后的BP神经网络具有更高的拟合精度和更短的网络训练时间.     

遗传算法优化BP神经网络的非线性函数拟合研究

传统的BP神经网络收敛速度慢,以及该算法的不完备性,易陷于局部极小,全局最优无法保证能收敛到等缺点.针对BP神经网络的缺陷,该文提出了遗传算法,利用遗传算法优化BP神经网络权值和阈值,使得训练了BP神经网络预测模型得到了最优解.采用遗传算法优化BP神经网络的算法,并以此结合算法来研究非线性函数拟合的问题.从实验结果表明,基于遗传算法优化的BP神经网络的非线性函数拟合具有较强的收敛性和鲁棒性,并且有了更高的预测精度.     

BP神经网络梯度函数的分析研究

文章对BP神经网络中较为常用的梯度函数进行比较分析。对这几个梯度函数在UCI数据集上的分类以及对非线性函数的回归预测进行matlab仿真,并分析比较分类准确率和非线性函数回归预测精确度。最后给出应用BP神经网络进行仿真时梯度函数的选择方法。     

ANFIS与BP算法在函数拟合中的应用和比较研究

介绍了自适应神经模糊推理系统ANFIS和BP的基本原理和建模方法。分别采用BP和ANFIS方法,拟合一非线形多峰函数,比较和分析了这两种方法的拟合能力和预测能力。实验结果表明,ANFIS具有比BP更优的拟合能力和预测能力,更适合于建立复杂参数间的非线形映射关系。     

BP神经网络在粮仓平均温度预测中的应用

粮仓平均温度决定粮食变质的快慢。经研究发现,粮仓平均温度表现为非线性变化,而BP神经网络能够无限逼近任意非线性函数,故可利用BP神经网络对粮仓平均温度进行预测。介绍了粮仓平均温度预测的重要性,阐述了BP神经网络的预测原理,介绍了BP神经网络设计及MATLAB实现。据此编写程序进行平均温度预测,为粮食保质工作提供依据。     

利用BP神经网络实现函数逼近

人工神经网络是一种非线性的动态数学模型,具有很强的函数逼近功能.本文先介绍BP网络结构,然后介绍MATLAB神经网络工具箱中关于神经网络系统设计的函数,并在此基础上设计一个BP网络来验证神经网络的函数逼近能力.     

BP神经网络模型对常规曲线拟合情况的评估研究

BP神经网络具备较好的非线性系统曲线拟合能力。提出了应用BP神经网络时常规曲线拟合情况进行评估的方法,论证了应用BP神经网络进行电力销售预测的有效性。     

基于BP神经网络的函数逼近实验及MATLAB实现

基于人工神经网络的理论,用BP神经网络逼近一组给定的数值,并在MATLAB的环境下得出实验结果。分析了BP网络的隐层神经元个数,传递函数及训练函数对网络性能的影响,最后用多项式拟合的方法对这组数据进行处理,提供了基于多项式拟合函数逼近的实验数据,并对两种方法的实验结果进行了分析。     

智能优化算法优化BP神经网络的函数逼近能力研究

在工程应用中经常遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法精确建模。BP神经网络可以描述这些非线性系统的输入输出映射关系,但其自身也存在较明显的缺陷。应用遗传算法和粒子群算法对BP神经网络进行优化,可弥补BP神经网络寻优时的缺陷。通过实例比较分析,两种优化算法有效提高了拟合精度。     

集装箱量预测的BP神经网络方法

介绍了BP神经网络的基本理论 ,建立了集装箱运量时间序列的BP神经网络预测模型。并将此模型应用于上海港集装箱运量的预测。结果表明 ,与传统的预测方法相比 ,该方法具有较好的非线性自适应能力和预测精度     

基于BP神经网络和AR模型的人口预测

利用MATLAB编程软件,分别建立BP神经网络和AR模型,采用全国出生率,死亡率,老年抚养率等9个指标作为样本,分别对BP网络和AR模型进行训练,预测5年后的人口数量.结果表明这两种方法预测人口均是可行的,效果较好,误差很小,但是AR模型较适合线性预测,而BP网络适合较非线性预测.     

两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

BP神经网络在预测问题中可用条件的分析

介绍了BP神经网络的结构，分析了神经网络预测原理，指出神经网络是内插值，讨论了可应用神经网络进行预测的条件，并通过实例进行了验证。     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

运用BP算法神经网络拟合传感器的输出特性

首先介绍了BP算法神经网络的基本原理，然后将BP算法神经网络应用于拟合传感器的输出特性，并在MATLAB下通过训练和仿真验证了应用BP算法神经网络拟合传感器的输出特性的优越性。     

基于MATLAB和BP网络的公路软基沉降量预测模型

人工神经网络具有强大的非线性映射能力,文章利用BP神经网络建立了公路软土地基沉降量预测模型,并用MATLAB人工神经网络工具箱进行了实现。根据实测资料,对此预测模型进行训练和预测,试验表明,预测模型具有较好的预测精度,操作简单,具有广阔的工程应用前景。     

基于GM-BP建模的城市工业废气排放量预测

城市工业废气排放量变化是非线性的,同时具有复杂的随机性和趋势性特点,传统单一预测模型难以对其变化规律进行准确表达,从而导致预测精度较低。为提高城市工业废气排放量的预测精度,提出了GM-BP组合模型。通过GM（1,1）模型对城市工业废气排放量变化趋势进行预测,然后运用BP神经网络模型对GM（1,1）模型的趋势预测值进行误差修正,以提高预测精度。对南京市2007～2010年城市工业废气排放量进行的仿真实验表明,GM-BP模型的预测精度较高,能够应用于城市工业废气排放量预测。     

BP神经网络的非线性思想

BP神经网络是误差反向传播神经网络的简称,是目前应用最为广泛和成功的神经网络模型之一。它的最大特点是提供了一个处理非线性问题的模型,系统地解决了多层网络中隐单元连接权的学习问题。     

改进的BP神经网络模型预测四川GDP

运用TRAINGDX训练函数对标准BP神经网络进行改进．根据2012年《四川省统计年鉴》相关数据,利用影响国内生产总值（GDP）的6个主要因素,借助Matlab软件平台,建立了6：5：1的三层BP神经网络GDP预测模型,实现四川省GDP值的预测．改进后BP神经网络预测相对误差在1％以内,仿真结果同模型外推法比较,预测精度较高．     

基于神经网络的复合材料覆盖件电厚度设计方法研究

提出了基于人工神经网络的复合材料覆盖件电厚度设计模型和设计方法。影响复合材料覆盖件电厚度的多因素性使其很难得到精确的解析解。应用人工神经网络方法结合实验实测数据,模拟覆盖件各项参数与电厚度之间的非线性关系,以玻璃钢材料为例,对相近使用条件下的覆盖件电厚度进行设计,计算结果表明该方法计算速度快,精度高,为复合材料电厚度的设计分析提供了一种新方法。