基于人工神经网络和随机游走模型的汇率预测

由于金融数据具有随机性特征，使得建模和预测变得极其困难.提出一种组合预测方法，即假定任何金融时序数据由线性和非线性两部分组成，将其中线性部分的数据通过随机游走(RW)模型进行模拟，剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理.从实证结果可知，该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.     

基于GM(1,1)-BP神经网络的城市耕地数量预测研究

基于灰色理论和BP神经网络建立GM(1,1)-BP神经网络组合模型,把灰色模型的时序性、无序性等优点与BP神经网络自学习、自组织的特点相结合,对耕地数量进行组合预测。结果表明,组合模型对耕地数量的变化预测精度较单一的灰色预测法有提高,与实际值有较好的拟合度,且具有简单、易用的特点。     

用MTF-QNN模型预测水中溶解氧含量

研究水中溶解氧含量的预测问题,可为水厂生产、水产养殖业、地表水环境的管理提供科学依据。影响水中溶解氧的各因素关系复杂,很难进行数学建模,神经网络由于具有较强的非线性问题处理能力而被广泛应用于水中溶解氧的预测研究。由于传统神经网络具有陷入局部极小、收敛速度慢并且网络冗余度较大等缺陷,为提高网络的正确预测能力和泛化能力,采用多层激励函数(modulation transfer function,简称MTF)与量子神经网络(quantum neural network,简称QNN)相结合建立水中溶解氧预测模型,但若用神经网络作为前馈型网络,它的沿梯度下降的算法会使其在进行网络训练时有可能陷入局部极小,针对这一缺陷,提出一种可以使量子神经网络逃离局部极小点的算法,并将它应用到量子神经网络中进行网络误差调整。仿真结果表明,与传统BP(back propagation)神经网络预测结果相比,采用多层激励函数的量子神经网络(modulation transfer function-quantum neural network,简称MTF-QNN)预测水中溶解氧含量的预测精度更高。     

一种基于神经网络的土壤湿度预测方法

对土壤湿度进行的高质量时序预测对科学研究和农业生产实际都有重要的意义。利用无线传感器网络得到长时序观测数据,建立一种新的基于BP神经网络的土壤湿度时序预测方法。针对神经网络收敛速度慢、易陷入局部最优的问题,提出基于动量因子和自适应学习率的BP神经网络改进方法,并且利用粒子群算法优化BP神经网络的初始阈值和权值。针对标准粒子群算法(PSO)中惯性权重线性递减、学习因子取常数,而导致的PSO收敛速度慢、易错过全局最优解等问题,将迭代次数和适应度值相结合改进惯性权重和学习因子,有效提高算法找到全局最优解的速度。选取"渤海粮仓"山东试验区东营市垦利县20个观测站2013—2014年的时间序列观测数据,分别采用本研究提出的方法和其他4种方法进行预测,结果显示本研究提出的方法预测在预测精度、收敛速度方面都优于其他4种方法。     

基于环形BP神经网络的指纹匹配算法

针对传统BP神经网络算法收敛慢、抗旋转畸变效果差的问题,设计了一种多输入、单输出的三层前馈神经网络,该网络的输入层呈n层环状结构,隐层中的第n个神经元接受输入层第n环所有神经元的数据,对于每个输入层的神经元,仅采用一个权值连接至对应的隐层神经元;输出层的唯一一个神经元接受隐层中所有神经元的数据,对于每个隐层神经元,仅采用一个权值连接至输出层神经元。试验结果表明,单权值连接方式提高了网络的收敛速度,环状结构的设计具有较好的抗旋转畸变的性能,使得匹配速度和匹配精度均有所提高。     

基于AE-FFNN神经网络的橡胶树叶片磷含量定性研究

磷元素对橡胶树的生长发育至关重要,基于近红外光谱的橡胶树氮磷钾元素含量的快速无损检测已有很多研究,但磷元素含量的检测效果远不如氮钾。基于近红外高光谱技术结合非线性特征提取方法和建模算法实现橡胶树磷元素含量的快速无损检测。以橡胶树叶片的近红外高光谱数据为分析对象,运用神经网络非线性变换的特征提取思想,构建了一种融合自编码器与前馈神经网络(autoencoder-feedforward neural network, AE-FFNN)模型。通过自编码器提取橡胶树叶片的光谱非线性特征信息,运用前馈神经网络进行建模,应对不同精细程度的分类任务,从而实现橡胶树叶片磷含量的定性分析。结果表明,AE-FFNN模型有效提取了光谱非线性特征并压缩了特征数量,通过该方法提取的特征为31个,且定性分析模型精确度提升,能够达到91.10%。相较于在光谱检测领域广泛采用的机器学习模型,所建立的AE-FFNN模型性能有较大提升。该模型既可以应用于橡胶树叶片磷元素含量的定性分析,也可为磷元素含量的定量研究提供思路。     

基于遗传BP网络的植物根系图像边缘检测

为实现对护坡植被根系图像的轮廓提取和边缘检测,提出一种遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络.将描述边缘的特征向量,作为神经网络的输入信号,构造三层前馈网络.在网络训练过程中,构造的边缘特征量抗噪性佳,且可有效提取边缘的真实信息.仿真实验表明:设计的神经网络抗噪性强,边缘定位精度高,提取后图像更接近根系真实轮廓图像,更有利于植物固坡研究中根系形态的监测.     

基于改进小波神经网络的滚动轴承故障诊断

根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。     

基于神经网络的水稻产量预测模型

研究不同水分处理所得的作物实际产量,建立前馈神经网络模型,得到不同土壤含水量时的旱作水稻预测经济产量,模型通过学习,使误差减小到0.1。     

基于Matlab的时序数据两种建模和预测方法比较

利用Matlab工具箱,对时序数据进行了两种不同形式的建模和预测。一是利用系统辨识方法来建立AR模型,利用所建模型进行预测；二是利用单隐层BP神经网络,对数据进行非线性拟合和预测。通过可视化,比较了两种方法的优劣。     

基于赤池信息准则和人工神经网络的亚热带森林郁闭度遥感估算

以江西省泰和县为研究区,探讨利用Landsat TM影像进行亚热带森林郁闭度森林遥感估算的可行性。首先,利用赤池信息准则(AIC)筛选了用于建模的遥感变量因子,通过模拟试验确定了估算森林郁闭度的前馈神经网络(BP)模型参数,利用检验样本数据验证了模型结果的可靠性。结果表明,遥感变量因子之间存在着强的相关关系,为了保证所建模型的效果需要剔除部分因子,利用BP神经网络建立的森林郁闭度模型的模拟和拟合精度都优于逐步回归模型,研究区内森林郁闭度较高,有47.8%的森林郁闭度大于0.7,但空间差异明显,西部和东部山区森林郁闭度高于中部丘陵森林的郁闭度。     

神经网络在木材干燥过程中建模的应用

针对木材干燥过程的非线性特性,以及环境因素对木材干燥过程的干扰,造成木材干燥建模困难的问题,通过对神经网络的非线性、并行结构,学习、推理和多变量处理能力的研究,以干燥窑的加热阀开度、喷湿阀开度、排潮阀开度3个控制信号作为输入量,以窑内温度、湿度2个量作为输出量,利用时延神经网络和动态递归神经网络分别建立了木材干燥过程中的温湿度控制模型和木材干燥基准模型.并通过干燥实验进行网络训练和测试.结果表明:时延神经网络建立的木材干燥温湿度模型和干燥基准模型比动态递归神经网络的误差小、网络输出接近于真实值,能够较好的逼近实际系统.     

用神经网络控制非线性系统的混沌运动

设计前馈反传神经网络 ,通过对参数扰动模型输入样本的学习 ,训练成混沌控制器 ,将嵌入在混沌吸引子中不稳定周期轨道镇定到稳定不动点 .用 Henon映射作数值仿真实验 ,证明该方法十分有效     

基于相空间重构的网络流量RBF神经网络预测

应用混沌理论，分析了网络流量，用单变量的网络流量时闯序列重构与网络动力系统等距同构的相空间，进而计算了实际网络的关维数和Lyapunov指数，并证实了网络流量存在混沌特性；据此建立了基于径向基函数（RBF）神经网络的模型，并对实际网络数据流进行了预测。仿真结果表明，相对于其他前馈神经网络预测，基于混沌理论的RBF神经网络预测方法学习速度快，预测精度高。     

时序分析建模原理在动态称重系统分析中的应用

本文将时序分析建模原理应用于微机动态轨道衡的系统分析,在只有最后输出信号的条件下能够分别对系统中的各个组成部分进行研究,分析它们各自的动态性质及其在动态称重过程中的作用,进一步提高系统的技术指标.     

基于Modelica的高炉顶压控制仿真

阐述高炉煤气余压发电技术的典型工艺流程和基本工作原理以及仿真语言Modelica的基本情况,详细介绍高炉顶压控制仿真模型的结构和仿真目的,并针对布料过程和冲压过程的干扰分别比较反馈、前馈、前馈-反馈三种控制方案的效果,针对仿真结果做出详细的分析,最后对实际工程调试提出指导性意见。     

基于遗传多层前馈神经网络的大豆脂肪酸含量近红外光谱检测

文章提出了一种利用遗传多层前馈神经网络建立数学模型的方法,建立起化学测定值与近红外光谱数据之间的定量关系。把得到的近红外光谱数据作为网络的输入,把用化学法测定的5种脂肪酸含量作为网络的输出,再利用遗传算法训练多层前馈神经网络的权值,建立大豆脂肪酸的神经网络检测模型,探索出一种能够准确、高效地完成近红外光谱检测的神经网络模型,文中设计了一种用遗传算法训练的多层前馈神经网络。通过试验证明,用遗传算法优化人工神经网络的权重,获得高于单纯用人工神经网络训练的结果。大豆5种脂肪酸的相关系数都可达到0.9左右,能够满足大豆育种的初步检测。     

基于自组织神经网络与遗传算法的边坡稳定性分析方法

将自组织(SOM)神经网络、误差反馈(BP)神经网络和遗传算法(GA)三者结合起来,应用于边坡稳定性分析中.首先推导了基于高斯函数的SOM神经网络过程简化权值求解公式,并采用SOM神经网络对收集到的边坡样本进行归类,降低了学习样本的噪声;然后设计了适用于边坡工程的神经网络结构编码模式;再将GA用于优化BP神经网络结构;最后对优化后的BP神经网络进行了计算.计算结果证明,优化后的BP神经网络在安全系数的拟合以及样本的误差分布方面均有明显的改善.同时,通过与其他类型的神经网络相比较,优化后的BP神经网络准确度较高,用于计算边坡的安全系数误差较小.     

基于RBF神经网络地下水位预测

在黑龙江八五二农场,以地下水观测井测得的地下水埋深数据作为输出,以温度、湿度、降雨量、蒸发量这4个参数作为输入,一共测得54组数据,其中48组数据作为RBF神经网络的训练数据,6组数据作为测试数据。采用MATLAB2016b为平台创建RBF神经网络模型,对RBF神经网络的训练和测试最后测得最大相对误差为21.5%,最大绝对误差为0.862m。通过建模和得到的数据可以看出RBF神经网络具有较高的预测精度,学习速度也较快。     

基于BP神经网络的非线性函数逼近仿真研究

神经网络的建模方法的主要特点是模型易于实现(辨识模型即为神经网络本身)和对非线性映射的逼近性能良好,为非线性系统黑箱辨识问题提供了一种十分有效的工具。本文在研究BP神经网络MATLAB实现的基础上,提出了一个用于非线性函数逼近的3层BP网络。训练结果表明:预测值与期望值具有较好的一致性,说明BP网络具有良好的预测能力。