水文预测中的神经网络模型实用对比分析

本文尝试用BP网络、L－M网络和RBF网络进行水文预测，并将这三种网络的计算结果进行了比较分析。结果表明，L－M网和RBF网络对水文预测比BP网络更准确，收敛速度更快。本文的研究为使用者选择合适的高性能的网络结构提供了参考。     

用于预测的BP网络结构设计

BP网络结构的设计在预测中起着重要的作用，本文介绍了设计BP网络的方法：输入、输出节点的确定；隐含层数的确定；隐含层节点数的确定；激活函数的选取。     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性，提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机，得到RBF网络较优的初始结构和参数；随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明，混合学习算法学习效率高，网络性能优良，应用于函数逼近时效果优良．     

预测水稻螟虫发生趋势的径向基函数人工神经网络模型及其与BP网络的比较

文章采用径向基函数人工神经网络的方法,利用MATLAB工具箱并结合气象资料中的平均气温、最低气温、日照时间和降雨量．建立了预测虫害发生程度的RBF神经网络预测系统。系统通过实例证实了预测的准确性,并且与常用的BP网络进行了比较。RBF网络和BP网络通过对训练样本的仿真,可明显看出RBF网络比BP网络更为精确。通过程序记时显示RBF网络用时1．2030s．比BP网络训练所需的时间要短的多．因此RBF神经网络具有很好的实用价值。     

基于改进BP网络模型的洪水预报研究

针对目前神经网络应用于洪水预报时存在的不足,引入遗传算法、模糊神经网络对BP网络模型进行了改进,建立了基于改进BP网络模型的洪水预报模型,并将改进的BP网络模型应用于文峪河洪水过程的预报。预测结果表明,过程预报合格率达93．54%。达到了水文预报规范的要求;与传统BP网络相比,改进算法可提高洪峰的预报精度。     

基于概率神经网络的广东省土地资源评价

用概率神经网络的方法，以广东省土地资源为对象进行了土地资源评价的研究，并与BP网络的评价结果作了比较,结果表明，用概率神经网络进行评价的结果比BP网络的评价结果更加准确，更加切合实际情况，一定程度上避免了人为因素的干扰，提高了土地资源评价的准确性．     

基于MATLAB6.x的BP人工神经网络的土壤环境质量评价方法研究

对基于MATLAB 6．x的BP人工神经网络工具箱进行了简要的介绍，并将BP人工神经网络应用到土壤环境质量现状评价中。编制了基于MATLAB 6．x土壤环境质量评价程序，并对影响评价结果的训练集的构建、隐层神经元数量的选择、训练过程的建立等问题进行了探讨。结果表明，用随机函数rand或线性函数linspace内插生成网络的训练集是可行的，BP网络隐层的传递函数为tansig。神经元数量为5（用rand函数生成训练集）或8（用linspace函数生成训练集），输出层的传递函数为purelin，神经元数量为1。训练集中加入一定的噪声更有利于提高网络的识别能力。在此基础上，将构建的网络应用到实际土壤环境质量评价中，并将评价的结果与其他评价方法得出的结果进行了比较，表明BP人工神经网络应用到土壤环境质量评价中是切实可行的。     

基于改进BP神经网络的地下水水质评价--以新疆和田地区为例

在阐述人工神经网络基本原理的基础上,提出了地下水水质评价的BP网络模型。并分别利用BP网络模型与传统的模糊综合评判法对新疆和田地区地下水水质进行了评价,结果表明,BP网络模型不仅计算简便,而且具有较高的计算精度。     

文本信息自动分类系统ITC98(Ⅱ)--基于BP网络的文本分类子系统

设计并实现了文本信息自动分类系统ITC98的核心模块──基于BP网络的文本分类子系统。介绍系统的分类策略及根据分类问题需求确定BP网络结构和参数的方法。实例测试表明，系统分类精度和效率均达到要求。     

基于人工神经网络的土壤溶质运移模拟与预测

在土壤质地、土壤容重和含水量一定的情况下．把土壤溶质运移时间和运移距离看作影响土壤溶质运移的主要参数，建立2个输入单元和1个输出单元的三层BP网络．对一维垂直土柱Cd^2 的穿透试验进行了模拟和预测。其预测结果同数值解相比，R^2=0．949，精度基本一致。可见BP网络预测模型反映了溶质穿透过程中，土壤溶质含量与运移时间和距离的动态关系；用BP网络预测土壤溶质含量的时空变化具有可行性，而且不需要建立具体的数学模型；工作量大大减小，不需要测定水动力弥散系数、阻滞系数等，具有很强的实用性。     

基于神经网络PID的工程车辆4参数自动换挡控制

工程车辆4参数自动换挡的模型具有非线性、慢时变特性。自动换挡的传统控制方法的操纵性能不能令人满意。本文讨论一种应用BP神经网络实现PID参数自整定的控制方法。此法能根据车辆动态特性的变化,自动重新整定PID参数,从而改善了工程车辆自动换挡的操纵性能和鲁棒性。     

基于粒子群组合神经网络的原岩应力预测研究

【目的】建立原岩应力准确预测方法,为岩石力学研究及地下岩土开挖工程设计与施工提供参考。【方法】充分利用区域实测原岩应力数据资料,选取岩石埋藏深度、岩石类别等参数作为原岩应力的评判指标,在分析基于群体智能（GI）的粒子群优化算法（PSO）和BP神经网络算法特点的基础上,提出一种新的组合训练方法,建立了PSO-BP组合人工神经网络模型,并对原岩应力进行实际算例预测。【结果】PSO-BP组合人工神经网络模型整体工作性能优良,研究区域原岩应力场最大主应力、最小主应力、垂直应力的网络输出与目标输出相关程度较高,相关系数分别为0.994 0,0.997 0,0.992 0,该组合模型基本可以预测研究区域原岩应力场的分布规律。【结论】应用建立的PSO-BP组合人工神经网络模型可以进行原岩应力的准确预测,对岩体初始应力研究和地下工程设计具有一定的指导意义。     

神经网络自适应控制在攻击直升机中的应用

研究了神经网络自适应控制在直升机飞行控制系统中的应用。首先将直升机姿态角系统划分为快慢回路 ,并分别采用动态逆方法进行设计 ;针对动态逆方法的优点和不足 ,提出了小波神经网络自适应逆控制方案 ,把BP小波神经网络和基于李亚普诺夫稳定的小波神经网络分别应用于直升机飞行控制系统中 ;最后对典型机动飞行进行了仿真 ,说明小波神经网络方法应用的正确性和有效性。仿真结果证明 ,本文采用的小波神经网络自适应控制方法效果好 ,具有工程应用价值     

基于SPSS的PCA-RBF神经网络模型的仿真试验

以SPSS软件为试验平台,根据PCA-RBF神经网络理论,结合SPSS软件的主成分分析模块和神经网络模块,运用人工近红外谱模拟数据估计葡萄糖浓度,实现PCA-RBF神经网络模型的仿真试验。相比与Matlab、C/C++等软件,该方法免去了繁琐的编程,为工程应用提供了一个简单快捷的试验途径。试验结果表明,利用SPSS软件实现PCA-RBF神经网络预测取得了非常满意的结果。     

边坡岩体稳定性的RBF人工神经网络预测模型

利用RBF人工神经网络理论,采用影响边坡稳定性的复合指标,以大量边坡工程的稳定状况为学习训练和预测样本,建立了RBF预报模型。讨论了基于RBF人工神经网络技术的边坡岩体稳定性分析方法及有效性。研究表明,用RBF人工神经网络方法预测边坡岩体的稳定状况是可行的。     

基于数据挖掘技术的黄土湿陷性评价

为了运用数据挖掘技术进行黄土湿陷性评价,根据实际工程资料建立了黄土物理力学数据库,用主成分分析法对原数据进行压缩,用压缩后的新变量依据人工神经网络理论建立了预测模型,用BP算法进行了模型的校正及预测。工程实例分析表明,预测湿陷系数与试验值所得湿陷系数的湿陷量计算值相比,准确率可达96%以上,说明这种智能化评价方法具有可行性和实用性。     

基于BP神经网络顺序输送混油粘度预测

针对现有混油粘度难以计算的问题,在分析BP神经网络基本原理的基础上,分别对三种混油建立了人工神经网络混油粘度预测模型。运用实测数据对BP网络进行了训练和仿真,仿真结果表明,三种模型预测误差都在2.5%以内,计算精度高于苏联学者提出的克恩达尔-莫恩罗埃公式和兹达诺夫斯基公式,具有适用性强的特点,可以完全满足工程的实际需要。     

基于SOM的小城镇土地集约利用评价——以重庆市渝北区为例

人工神经网络是一种具有学习、记忆、计算和仿真等功能的网络结构。以重庆市渝北区为研究区域,以各乡镇为评价样本,选取10个反映小城镇土地集约利用的指标,采用Matlab建立小城镇土地集约利用评价的SOM模型。结果表明：SOM模型预测精度很高,计算结果与实际情况相符。说明利用SOM模型来评判小城镇土地集约利用水平具有很好的实用价值。     

信息时代的家具设计方案评价方法

分析了家具方案设计的创新性、不确定性、层次性、多样性、经验性和反复性等基本特征,并阐述了家具方案设计的过程与内容,界定了家具方案设计评价的概念,模糊评价法、提出层次分析法、价值工程法、灰色系统评价法、感性评价法和人工神经网络评价法等家具设计方案评价方法。     

Development of soft computing and applications in agricultural and biological engineering

Soft computing is a set of “inexact” computing techniques, which are able to model and analyze very complex problems. For these complex problems, more conventional methods have not been able to produce cost-effective, analytical, or complete solutions. Soft computing has been extensively studied and applied in the last three decades for scientific research and engineering computing. In agricultural and biological engineering, researchers and engineers have developed methods of fuzzy logic, artificial neural networks, genetic algorithms, decision trees, and support vector machines to study soil and water regimes related to crop growth, analyze the operation of food processing, and support decision-making in precision farming. This paper reviews the development of soft computing techniques. With the concepts and methods, applications of soft computing in the field of agricultural and biological engineering are presented, especially in the soil and water context for crop management and decision support in precision agriculture. The future of development and application of soft computing in agricultural and biological engineering is discussed.