BP与RBF神经网络在航空发动机气路故障诊断中的应用

采用模拟样本与实际故障样本建立网络训练所需样本库,基于BP与RBF神经网络建立故障诊断模型,用PW4000航空发动机的故障样本进行训练,对训练好的网络进行测试仿真。仿真结果显示BP与RBF两种神经网络具有较高的诊断正确率,在航空发动机故障诊断中具有应用价值;与实际故障数据对比表明BP与RBF神经网络在航空发动机故障诊断中具有实用性。     

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。     

基于PSO优化的模糊RBF神经网络学习算法及其应用

有一种基于PSO优化的模糊RBF神经网络学习算法,该算法首先将模糊RBF神经网络需要调整的参数作为粒子,利用PSO算法的全局搜索及快速收敛特性对模糊RBF神经网络结构进行优化,然后将经PSO算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,再结合梯度下降法对网络的各参数进行动态调整。将之应用于对UCI数据集的分类及函数逼近,仿真结果表明优化后的模糊RBF神经网络具有更高的精度及鲁棒性。     

基于IFOA-RBF算法的混凝土抗压强度预测

为了提高混凝土抗压强度预测精度,利用改进果蝇优化算法(IFOA)优化RBF神经网络的参数Spread值,建立IFOA-RBF预测模型用于混凝土抗压强度预测。模型以UCI数据库中的Concrete Compressive Strength数据集为例,以每立方混凝土中的水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为网络输入,混凝土抗压强度值作为网络输出,进行仿真测试,并将结果与参考文献中的其它方法比较。结果表明:优化后的RBF网络既体现了广泛映射能力,又明显地提高了网络的泛化能力。验证了IFOA-RBF模型在混凝土抗压强度预测中的有效性。     

基于灰色系统理论的RBF神经网络铁路货运量预测

应用灰色系统理论计算了铁路货运量与货运量影响因素的关联度,并对其进行了排序。利用MAT-LAB软件,建立铁路货运量的RBF神经网络预测模型,对我国1992-2008年的铁路货运量进行仿真实验。结果表明基于灰色系统理论的RBF神经网络模型预测平均相对误差为0.44%,常规RBF神经网络模型的平均预测误差为1.47%,因此认为基于灰色系统理论的RBF神经网络的铁路货运量预测方法有效可行。     

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。     

RBF神经网络在道路交通事故预测中的应用

分析了RBF神经网络在事故预测领域的适应性,提出了采用RBF神经网络建立道路事故预测模型．利用我国1990—2009年道路交通事故数据,运用RBF神经网络建立了非线性回归预测模型,并利用该模型预测了2000—2010年的道路交通事故死亡人数,结果显示该模型具有较高的可靠性,可为我国道路交通管理提供数据支持。     

神经网络在造纸废水中zeta电位建模上的应用

针对造纸中段废水絮凝过程中zeta电位变化复杂,难以建立准确的数学模型的问题,提出利用神经网络对其中的zeta电位进行建模预测,研究了基于BP、Elman、RBF神经网络模型的多输入单输出建模方法。该建模法通过建立待测量zeta电位与絮凝剂投放量之间的非线性函数关系,间接得到待测变量的估计值。仿真结果表明RBF神经网络预测模型有较好的实时性和良好的泛化能力。与BP网络相比,RBF网络具有误差小、计算量小的优点,与Elman网络相比,具有周期短的优点,是一种有效的建模方法,能够快速、准确地在线预测废水中的zeta电位。     

利用RBF神经网络构建销售预测模型

本文针对目前国内外应用较为广泛的传统销售预测模型和BP神经网络销售预测模型的缺陷，利用RBF神经网络构建了销售预测模型，并运用Matlab6．5编制了仿真程序。仿真结果表明：采用RBF神经网络进行销售预测在理论上和实践上都是可行的，该模型的估计精度比传统销售预测方法和BP神经网络所建立的模型的估算精度要高，且具有不会陷入局部最小点、学习收敛速度快、泛化能力强和适合动态建模等特点。     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。     

基于人工神经网络的长三角城市创新能力评价

文章以长三角地区的27个城市为研究对象,构建了一个包含创新环境、创新资源和创新产出3个一级指标和10个二级指标的城市创新能力评价指标体系。运用基于人工神经网络的评价方法,以随机生成的数据作为训练集,搭建并训练了RBF神经网络模型,利用该模型对测试集进行评估,得到了城市创新能力的评分和排名。研究结果表明,RBF神经网络模型具有较高的准确性和稳定性,能够有效地反映城市创新能力的差异和水平,为城市创新能力的评价和提升提供了一种新的方法和参考。     

基于神经网络的地层压力模型及其在防井喷中的应用

根据神经网络的任意非线逼近能力,结合现场实测数据,建立地层孔隙压力的神经网络模型,实时预测地层孔隙中的流体压力,并应用于防井喷控制系统。仿真实验表明,该神经网络模型具有一定的可靠性。     

改进LSTM的脱轨系数预测方法

研究基于长短时记忆神经网络模型的优化方法及其在脱轨系数预测中的应用,通过SIMPACK建立列车—轨道仿真场景得到网络训练所需数据集,构建基于长短时记忆神经网络的脱轨系数预测模型,借助动态学习率和Dropout方法针对学习率及网络结构进行优化,并使用优化后的长短时记忆神经网络对脱轨系数进行预测.脱轨系数预测结果表明,经过...     

基于黄金分割法的RBF神经网络预测控制

针对非线性系统的控制问题,提出了一种基于黄金分割法的RBF神经网络预测控制算法。该算法以神经网络作为预测模型,用黄金分割法优化控制器,其中以控制变量的约束条件作为优化的初始区间。针对化工过程蒸馏塔控制系统,通过仿真计算验证了该方法的有效性。     

基于RBF神经网络的雷达干扰效能评估方法

BP神经网络在雷达干扰效能评估中存在收敛速度较慢的问题,对此,提出了一种基于RBF的神经网络算法。该方法依据干扰效果评定因素的隶属函数确定其隶属度,作为RBF神经网络的输入层数据。选定训练样本,将测试样本的神经网络性能进行检验,以此比较BP神经网络算法。理论推导和仿真实验结果表明：新方法具可行性与有效性,且比BP神经网络具有更快的收敛速度和更好的稳定性。     

一种基于RBF神经网络的遥测数据中长期预测方法

遥测数据能够反映卫星在轨运行过程中的性能和状态,针对卫星遥测数据变化趋势不易判断这一问题,提出了基于RBF神经网络预测模型对遥测数据进行中长期趋势预测的思想。仿真实验结果分析表明,该方法预测精度高,符合卫星遥测数据中长期预测要求,能够对卫星遥测数据中长期趋势起到提前预报作用,为指挥人员与控制中心进行实时决策提供科学依据。     

基于改进Smith预估时延补偿的GPC网络控制系统研究

针对网络传输时延和被控对象自身时滞使控制系统性能恶化等问题,对传统Smith预估器进行补偿,在其反馈通道上加入一阶惯性环节,解决被控对象与预估模型参数失配问题,并将阶梯式广义预测控制算法和时延补偿相结合,进一步降低传输时延和自身时滞对控制系统的影响.仿真结果表明改进后的系统能获得较好的动态性能和稳定性能.     

融合双重BP神经网络组合模型的Python解析计算机网络上传数据算法

针对手工提取网络上传数据过程烦琐、工作量大的问题,提出一种融合双重BP神经网络组合模型(A combination model of dual BP neural network,CMDBPNN)的Python解析计算机网络上传数据算法.该算法对BP神经网络组合模型的空间实施网络化处理,且对于网络单元中的信息也可以借助相似的方法来进行记录,依据优化之后的金字塔时间结构对其中潜藏的网格单元来实施有效的存储,以实现Python解析计算机网络上传的数据算法.最后,利用真实数据集与仿真数据集进行实验.结果表明:该算法具有良好的适用性和有效性.     

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。     

基于粗糙集与RBF神经网络的农业总产值预测方法

提出了把粗糙集和R BF神经网络相结合应用于农业总产值预测的方法。首先用粗糙集对影响农业总产值的多个因素进行属性约简,选择主要影响因素,去除冗余信息;然后利用RBF神经网络建立预测模型。最后对该模型的预测结果与因子分析神经网络模型的预测结果进行了比较,表明了该模型的有效性和优越性。