基于UVE—SPA的卷烟味觉烟气成分分析

首先,运用组合各方法长处的思路,通过应用无信息变量消除法（UVE）和连续投影算法（SPA）对卷烟烟气中影响卷烟味觉特征的有效成分进行了选择,从而分别确定了影响卷烟甜味、酸味和苦味的主要成分,并以所选成分作为输入变量建立偏最小二乘（PLS）回归模型;然后,分别与采用所有烟气成分或仅采用UVE方法所选的烟气成分作为PLS模型输入的结果进行了比较。结果表明,通过采用UVE—SPA组合方法而选取的变量所建立的PLS模型具有更好的预测能力,从而证明了它在卷烟味觉烟气成分分析中有效性,并为卷烟烟气的进一步研究提供了理论基础。     

基于偏最小二乘法和最小二乘支持向量机方法的熔融指数预测

熔融指数是高密度聚乙烯生产的主要质量指标,通过对生产数据建模实现对熔融指数的预测,为优化操作提供有力依据,从而提高产品的质量。利用偏最小二乘法提取影响熔融指数的主要因素作为最小二乘支持向量机的输入,克服了自变量间的多重相关性问题;同时也降低了最小二乘支持向量机的输入变量的维数。实验表明,利用偏最小二乘法方法和最小二乘支持向量机方法预测熔融指数精度远高于分别使用这两种方法。     

基于BP神经网络的地震预测

地震预测是地理问题研究领域中的一个重要课题.由于引起地震的相关性因素很多,很难建立物理理论模型.神经网络在预测和构造未知时象模型方面具有独特的优势,因而在预测控制领域得到广泛的应用,本文探讨将BP神经网络应用到地震预测中的一种方法.     

粮仓内温度的空间分布与预测

通过最小二乘法建立了同一时间粮仓温度在空间的分布规律,又用模糊神经网络算法预测温度随时间变化的规律,这样既降低了维护费用,又更好地实现了对粮仓温度的优化控制。     

基于乘法模型的内蒙古乌兰察布市卷烟总销量预测研究

以乌兰察布市2007年～2011年的卷烟销售数据为依据,进行散点图分析,判断出乌兰察布市卷烟销售变化的总体趋势,并建立乘法模型,对乌兰察布市未来5年的卷烟销售量进行预测,结果表明:乌兰察布市卷烟销量将保持稳定增长,且增长幅度控制在合理的范围之内,为乌兰察布市今后的卷烟经营工作提供可参考的依据。     

基于Elman神经网络的电信业务预测研究

介绍了Elman神经网络的结构,并将Elman神经网络应用于我国电信业务量预测。仿真结果和BP神经网络对比表明,Elman神经网络的预测结果更精确。     

基于BP神经网络的我国外汇储备规模预测

本文基于MATLAB6.5平台编程,运用非线性BP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,BP弄中经网络具有良好的预测性能.同时发现了我国外汇储备存在超常规增长,并在文章最后提出了相关的政策和建议.     

基于BP神经网络的图书流通量预测研究

将BP神经网络方法用于高校图书馆图书借阅量的预测研究,设计出用于预测图书借阅量的BP神经网络模型,并用2008年的图书借阅量数据进行网络学习和训练,预测结果具有较高的精度。     

基于LM算法的BP神经网络股价预测

介绍了一种BP神经网络的改进Levenberg-Marquardt(LM)算法原理,用这种方法对上证指数收盘价进行了训练和仿真,并将此改进算法与标准BP算法及其他三种改进算法进行了比较。结果表明,该算法稳定、快捷、预测准确,适合应用于对实时性要求比较高的股票市场。     

基于BP神经网络的作物Cd含量预测及安全种植分区

为科学预测作物重金属含量,实现重金属污染农用地的安全利用,本研究利用地理探测器选取对作物Cd含量影响较大的土壤Cd含量、土壤pH值、与交通主干线的距离等10个因素为输入因子,农作物可食部分Cd含量作为输出因子,分别建立小麦、水稻、油菜籽、蔬菜可食部分Cd含量的BP神经网络预测模型,对作物种植污染情况进行预测分析,划分作物安全利用种植区。研究结果表明：① BP神经网络模型预测精度明显优于多元回归预测模型;② 对小麦、水稻和油菜籽的可食部分Cd含量预测结果进行评价,得到作物污染可能的空间分布及特征;③ 依据评价结果,对3种作物进行配置,划分得到4种作物适宜种植区,并提出管控策略。研究可为污染农用地的安全利用及作物种植调整提供思路和依据,兼具理论和现实意义。     

Deadzone compensation based on constrained RBF neural network

In this paper, a modified adaptive neural network for the compensation of deadzone is described, and simulated on a hydraulic positioning system, in which the dynamic model is separated into a series of connection of a nonlinear (deadzone) subsystem and a linear plant. The proposed approach uses two neural networks. One is the radial basis function (RBF) neural network, which is used for identifying parameters of deadzone. Based on the penalty function used in optimization theory, a multi-objective cost function with constraint is adopted to provide the best deadzone approximation. The result is used to train the other neural network for the inverse compensation of deadzone. The RBF neural network also generates the parameters of the linear plant for the design of an adaptive controller. A convergence analysis for the network training process is also presented.     

基于BP网络的经济增长预测研究

运用BP网络高度并行互联结构和高速的自学习、自适应处理能力的特点。将BP神经网络引入到经济领域。以湖北省为例，对其经济增长进行了预测研究，表现出较好的预测性能。     

基于SOM神经网络的负荷特性分类

负荷模型对电力系统仿真结果有重要影响,由于负荷特性的辨识是负荷建模的主要方面之一,故提高负荷模型的准确度就需要对负荷特性分类进行研究。文章在详细分析SOM自组织映射神经网络结构的基础上,采用了基于SOM神经网络的负荷分类方法,以负荷模型参数作为负荷动态特性分类特征向量,应用SOM神经网络对负荷特性进行分类,并对分类结果进行测试,结果表明该方法可有效地对负荷样本进行分类。     

基于BP神经网络的经理管理防御程度测评模型

提出一种基于主成分分析的BP神经网络模型,用于对经理人员的管理防御程度进行综合测评.首先采用主成分分析方法对10个影响因素进行降维处理,在此基础上构建管理防御程度的BP神经网络测评模型.实际测评结果显示,该模型不仅可以有效测评经理人员的管理防御程度,并且可以减少原始指标间的信息冗余从而减少了神经网络的训练和测试时间,此外还具有较高的合理性和适用性.     

Nonlinear process monitoring based on generic reconstruction-based auto-associative neural network

A significant concern with statistical fault diagnosis is the large number of false alarms caused by the smearing effect. Although the reconstruction-based approach effectively solves this problem, most of them only focus on linear rather than nonlinear systems. In the present work, a generic reconstruction-based auto-associative neural network (GRBAANN) is proposed that uses the reconstruction-based approach to isolate simple and complex faults for nonlinear systems. Nevertheless, in GRBAANN, it is challenging to acquire a trivial solution for the reconstruction-based index, which is equivalent to a complex vector fixed-point problem. In this regard, the Steffensen method is employed to deal with this problem with an accelerated iterative process, which is appropriate for both single and multiple variable faults. The variable selection procedure is time-consuming but imperative for reconstruction-based approaches, with no exception to the proposed method. In order to ensure the real-time diagnosis for large-scale systems, the Sequential floating forward selection method with memory is proposed to minimize the computation time of the variable selection procedure. The effectiveness of the proposed GRBAANN scheme is illustrated through a validation example and an industrial example. Comparisons with the state-of-art methods are also presented.     

基于BP神经网络的风险投资评估模型

风险投资作为一种新型的投资工具，具有不同于传统的金融投资评估的方法，评估方法更复杂、更专业，带有很强的主观性，而当前的各种评估方法却很难体现风险投资的这种特点，这在一定程度上降低了评估结果的科学性和客观性，限制了风险投资业的发展。近年来兴起的神经网络评估模型，由于具有信息分布性、容错性大的特点，适于信息残缺或推理规则不确定的环境，加上模型中的权重是通过样本学习而形成的，不需要对各项指标确定权重，所以比较接近人的思维模式，它对人们解决风险投资评估问题是有帮助的。鉴于神经网络的这些优点．本文构建了基于BP神经网络的风险投资评估模型．并对模型进行了检验。     

基于BP神经网络的企业人力资源配置模型研究

通过对企业人力资源特点的分析与比较,指出了决定企业人力资源配置和影响人员流动的若干因素.在此基础上,运用人工神经网络理论建立了对应的人员流动预测模型,同时利用Matlab软件对模型进行了仿真分析.     

基于神经网络识别的复杂工艺参数柔性优化

为提高复杂工艺环境下生产合格率,动态的柔性优化工艺参数组合,以现场生产数据为学习样本和控制对象,基于可适应BP神经网络建立识别生产变化的工艺参数柔性优化模型。在此基础上,通过引入惩罚机制改进粒子群算法在神经网络输入端迭代求解最优参数组合。为了验证模型的有效性,验证实例由3条轻化工艺路线生产数据构成,结果表明模型预测误差绝对值在3%以内,优化得到的参数组合提高合格率到85%以上,有效的提高生产效果和生产柔性。     

Communication modulation signal recognition based on the deep multi-hop neural network

Automatic modulation classification (AMC) is one of the core technologies in non-cooperative communication. In the complex wireless environment, it is not easy to quickly and accurately recognize the modulation styles of signals by conventional methods. The deep learning method (DLM) can deal with the problem and achieve good effects. In conventional DLMs, the length of input data is fixed. However, the signal length in communication is changing, which may not make full use of the DLMs’ input signal information to improve the recognition accuracy. In this paper, the deep multi-hop convolutional neural network (CNN) is employed to learn the time-domain signal features with different lengths. The proposed network includes the multi-hop connection rate and the receptive field extension scope to dispose of the limitation. The experiment shows that the proposed network can achieve better recognition results under the sparse multi-hop network structure. The reception field extension scope is also conducive to further improve the recognition effects. Finally, the proposed network has shorter training time and smaller parameters, which is more convenient for training the network and deploying in the existing communication system.