一种基于粗糙集与BP神经网络集成的新方法

在分析了粗糙集理论和神经网络理论各自优势和存在问题的基础上,设计了将两者综合集成的新方法。该方法主要思想是利用粗糙集理论对神经网络待处理的数据进行属性约简,借此来简化神经网络的结构。利用该方法对航材的消耗进行预测,实验结果表明,该方法减少了训练次数并且预测效果比传统神经网络效果好。     

基于径向基神经网络的我国外汇储备规模预测

基于MATLAB6．5平台编程，运用非线性径向基神经网络对我国外汇储备规模进行预测分析，以我国历年外汇储备数据为训练样本，进行网络训练与检验，结果表明，我国外汇储备存在超常规增长，径向基神经网络具有良好的预测性能。     

BP神经网络在数据预测中的应用

数据预测是在分析现有数据的基础上来估算推测未来数据的过程。首先介绍了预测的重要性及常用方法,接着介绍了BP神经网络的原理以及结构,最后进行了BP网络预测方法应用,并在Matlab中进行了仿真。经实验验证,该方法可以获得较好的预测效果。     

基于径向基神经网络PID控制的交流伺服系统

将神经网络和PID控制相结合,提出了一种神经网络整定的PID控制策略,并将其应用于交流伺服系统的控制.利用一个两层神经网络在线自适应调整PID控制器的参数;从而使系统的静态和动态性能指标较为理想.径向基函数神经网络用来辨识交流伺服系统的Jacobian信息,用正交最小二乘算法得到径向基函数神经网络的结构;然后用BP算法对该网络的权值进行训练使它逼近给定的函数.实验结果表明,这种系统具有响应速度快、稳态精度高和鲁棒性强等特点.     

基于遗传算法的径向基神经网络学习算法

文章对径向基神经元网络（Radial Basis Function Neural Networks,以下简称为RBFNN）结构进行了分析,提出了应用遗传算法训练径向基网络的算法,并将该算法训练的网络用于10个数字的识别,相对于最近邻聚类学习算法和BP网络来说,识别效果和精度均有提高。     

基于广义回归神经网络(GRNN)的函数逼近

本文利用径向基网络的一种变化形式--广义回归神经网络(GRNN)提出了基于广义回归神经网络的函数逼近方法,利用matlab中的神经网络工具箱设计了GRNN模型,用于对非线性函数的逼近.通过网络的训练、测试达到了预期的效果,并与BP网络、RBF网络对比,说明GRNN网络的优势.     

基于BP神经网络的公路客运量和货运量预测方法研究

公路客运量和货运量预测是一个复杂的非线性问题,由于影响因素较多,难以用普通的数学方法建模,而建立BP神经网络可以表达这些非线性问题。根据公路客运量货运量历史数据及其相关影响因素数据建立了BP神经网络预测模型。利用实际数据确定网络输入与输出样本,对BP神经网络预测系统进行训练和预测。通过对网络输出预测结果与实际数据的分析,验证了BP神经网络预测系统的精确性和方便性,提高了公路客运货运预测的精确性。     

基于神经网络的机车滚动轴承故障诊断研究

针对目前机车滚动轴承故障诊断效率低、速度慢的问题,设计一种基于小波包与粗糙集神经网络的机车走行部滚动轴承故障诊断方法。首先运用小波包分解构造故障特征集,之后运用粗糙集对故障特征集进行降维处理,消除冗余信息,然后将降维后的最小属性集作为Levenberg Marquardt算法改进的BP神经网络的输入,建立相应的神经网络模型实现故障诊断。测试结果表明,相较于普通BP网络模型,该方法降低了神经网络模型构建的复杂度,提高了故障诊断速度与故障诊断准确率。     

BP神经网络改进算法在空分制氧质量预测中的应用

文中对传统BP神经网络的基本原理和学习过程进行分析,发现其存在收敛速度慢、容易陷入局部极小值等问题．采用增加动量项和自适应学习速率两种方法对传统BP算法进行改进,并将改进的BP算法运用于空分制氧质量预测网络模型中,结果表明改进的BP神经网络能够改善传统模型的缺点,而且预测质量效果较好．     

基于BP神经网络的税务稽查研究

税务稽查实质上是一个分类问题,可以通过BP神经网络进行数据挖掘的分类和问题预测。在分析BP神经网络原理的基础上,利用税务系统中的纳税人申报数据,建立基于BP神经网络的分类模型,对纳税人进行诚实纳税和非诚实纳税的评估、分类。模型分类准确度达到预期效果,表明该方法能够提高税务稽查部门的工作效率和效果。     

利用粗集原理完善评估指标体系的方法

研究在建立评估指标体系的过程中,利用粗集理论检验和挑选重要指标集的方法;该方法利用熵函数和ＭＤＬ原理设计出评价指标集与最后评分间因果关系的度量函数,通过分析指标子集与最后评分结果之间的关系,挑选出最有效的指标子集作为最终的评估依据。利用该方法,可以去除指标系统中的无关指标,在不降低评估精度的前提下,简化了指标体系。     

一种基于数据平滑技术的回归预测算法

在基于固定窗口宽度滑动窗口模型的基础上。提出了一种基于回归参数存储的预测模型,该模型设置了计算区、数据区和参数区。计算区用于获得最近一个滑动窗口中的数据。数据区用于接收新数据,参数区存储最近若干组滑动窗口数据所计算得到的线性回归参数值,作为计算预测结果的原始数据集。按照这种模型的处理思路。提出了一种基于数据平滑技术的回归预测算法,随着窗口的滑动。对数据区中的数据进行回归分析,获得前面若干组滑动窗口数据的回归函数并存入参数区中,检验当前窗口中数据获得的回归函数预测效果。实验分析表明。通过修正当前回归函数的参数。可以使预测函数的预测精度得到很大程度的提高。     

Neural network fault diagnosis method optimization with rough set and genetic algorithms

1 Background1 The fault diagnosis to equipment is to obtain fault patterns from characteristic parameters, and in fact it is the problem of fault characteristic’s classification. However the mapping of characteristic parameters to fault patterns is serio…     

基于知识图谱的高校教学实验室综合改革模型分析

基于BP神经网络的高校教学实验室综合改革模型分析方法,缺乏可视化分析过程,存在分析结果误差大的弊端,为此提出基于知识图谱的高校教学实验室综合改革模型分析方法。该方法以中文论文数据库为样本,采用知识图谱技术和Citespace可视化软件,通过定量化、可视化已有文献的研究热点,绘制高校教学实验室综合改革模型的系列知识图谱,获取高校教学实验室综合改革模型数据。在此基础上采用基于信息归纳的概率粗糙集挖掘算法SRII,将原始数据集映射到一个便于粗糙集处理的数据空间,计算各个属性集合的近似统计值,实现对实验室综合改革模型数据的有效挖掘和分析。实验结果表明,所提方法能有效分析高校教学实验室综合改革模型,呈现出了改革模型未来改革热点的直观分析结果,为深化实验室综合改革提供有力条件。     

粗糙集和神经网络在文本分类中的应用研究

把粗糙集与神经网络结合,应用于文本分类,可以充分发挥两种方法的优势,取长补短,粗糙集理论可以有效地对样本集进行约简,从而简化了神经网络的结构,减少了网络的训练次数,学习速度和分类精度明显提高,并用仿真实验验证了此方法的有效性.     

基于RDPSO-BP的粮食产后储藏环节损耗预测分析

对产后粮食损耗进行分析与研究,调查获得10多个省份的粮食损耗问卷,对问卷进行统计分析得到影响损耗的各个因素变量,同时进行数据预处理作为模型数据集。最后,将该数据集应用于提出的RDPSO-BP模型中。将随机粒子群（RDPSO）算法与BP神经网络相结合,并优化神经网络参数,从而得到粮食产后储藏环节损耗率预测模型。通过MATLAB仿真实验,发现优化后的RDPSO-BP模型相比传统BP神经网络,具有更高的预测精度,训练与测试误差分别降低了0.041%和0.055%。因此,该模型能够更好地预测粮食产后储藏环节的损失率,在实际粮食损耗分析中具有重要作用。     

基于灰关联分析的神经网络组合预测模型

针对提供的道路交通事故相关影响因子数据,构建了基于关联分析的灰色神经网络组合道路交通事故预测模型。结合实例,用所提出的模型给与了预测。结果表明,基于灰色关联分析神经网络预测模型充分发挥关联选优的优越性,比全输入神经网络预测模型有更好的预测精度,从而说明运用灰色关联分析方法对输入因子选择是有效可行的。基于灰色关联分析的神经网络组合交通事故预测模型充分发挥各单一模型的优点同时弱化了单一模型的缺点,比单一模型的预测结果更理想、精度更高。     

基于优化BP网络的类矩形盾构偏心刀盘故障预测

为实时监控类矩形盾构偏心刀盘工作状态,提出一种基于遗传算法（GA）优化BP神经网络模型的在线故障预测方法。首先,利用现场检测的相关测量数据,建立“特征—故障”数据集;然后,利用最优权值与阈值由遗传算法获取的BP神经网络对数据集进行自我学习,构建工作期故障预测模型;最后,开发偏心刀盘监控系统,对刀盘工作状态进行在线预测。实验结果表明,GA-BP网络模型预测准确率达到93.3%,与传统BP网络模型相比提高6%。基于GA-BP网络的偏心刀盘在线故障预测方法可精准预测刀盘工作状态,满足应用设计要求,为盾构施工安全提供有力保障。     

基于特征匹配与 CNN 的浮动验证码识别研究

为有效识别浮动验证码,提出一种基于特征匹配与卷积神经网络的识别方法。首先使用特征匹配的方法得到匹配特征点,结合交叉匹配算法与 K 近邻匹配算法滤除错误匹配;然后对特征点进行聚类及投票分析,得到待识别字符区域,将其分割得到单个字符;最后在 mnist 手写数字数据集的基础上加入英文字符,构建卷积神经网络模型,将数据集送入模型进行训练。对 10 000 张浮动验证码进行测试,结果表明,该方法对浮动验证码的识别准确率达 95%,且构建的训练集具有可扩展性,可进一步应用到其它类型的字符识别中。     

粗糙集约简算法在变压器故障诊断中的应用研究

将粗糙集理论和神经网络技术应用于变压器故障诊断中,粗糙集约简作为神经网络的前置单元,采用基于属性重要性的约简算法。详细阐述了基于属性重要性的约简算法和实现方法,经实际数据训练和测试结果表明,该算法减少了输入样本数,提高了训练速度效率和故障诊断准确率,验证了该算法应用于变压器故障诊断系统的可行性和有效性。