基于RS与ANFIS的投标报价决策研究

针对建设工程投标报价中标高金的确定这一多因素决策问题,提出了粗糙集理论(RS)与自适应模糊神经网络(ANFIS)集成的标高金决策方法.首先利用自组神经织网络(SOM)对决策系统中的连续属性值离散化后,通过粗糙集理论约简属性,去除冗余信息,计算出标高金决策系统的约简;根据这一约简,经过减法聚类获得模糊推理规则数目,确定ANFIS的初始结构,最后应用ANFIS对文章中30个典型国际工程案例的标高金进行计算和预测.研究结果表明,与一般BP神经网络相比,该方法网络规模大大减小,网络结构透明,学习速度更快,而且保持了较高的预测精度.     

动态下电磁阀控对靶喷雾流量特性及控制方法

本研究对电磁阀控对靶喷雾系统动态条件(喷头开启数、开启时间、流量大小适时变化)下各参数[系统压力(P)、电磁阀频率(f)、占空比(D)]控制下的喷雾流量(Q)特性进行试验研究,并利用BP神经网络及遗传算法(GA)优化的BP神经网络对试验数据进行拟合和测试。试验结果表明:P每增大0.05 MPa,Q的最大调节范围增加约200 ml/min;较大的P会轻微减小流量控制线性区间(I),而较高的f则显著减小线性区间(I),f=20 Hz,P为0.10～0.35 MPa时对应的I约为0.3～0.6;Q与各控制参数间均存在非线性关系,利用BP神经网络进行喷头精准流量控制误差较小,平均误差仅0.20,经GA优化的BP神经网络具有更高的精度,误差低至0.15。综合考虑系统动态条件下电磁阀各参数可以实现流量的精准调节,依靠BP神经网络,尤其是GA优化的BP神经网络,可实现电磁阀控对靶喷雾流量的精准控制。     

一种基于BPNN的智能巡检异常预测模型的研究

在传统网络巡检方法中,网络异常发现主要基于单一参数进行阈值触发,误报率较高,效率低.为了高效准确地发现网络异常,提出了一种基于BPNN的网络异常预测模型.首先对采集系统采集的数据进行特征提取和初始化处理;然后,将初始化后的数据作为神经网络样本进行训练,根据误差阈值调整网络参数,确定网络结构;最后,在Matlab环境下进行仿真实验,将提出的BP神经网络模型用于网络异常预测,结果表明本文提出的方法对网络异常预测有较高的预测率.     

基于神经网络模型的岩石边坡稳定性分析研究

对BP网的学习公式进行了详细推导,建立了岩石边坡稳定性分析的神经网络模型,并用22个样本对其进行了训练,预测了4个样本。结果表明,神经网络用于边坡稳定性分析是可行的。     

基于PLS_GA_Elman算法的病虫害预测

针对农业中虫害受多种复杂因素的影响及发生量预测问题非线性、样本少、特征变量多的特点,结合偏最小二乘回归（PLS）、遗传算法（GA）与Elman神经网络,建立了虫害发生量的PLS_GA_Elman预测模型。通过PLS回归算法对影响因素进行特征提取后,将降维变量输入Elman模型,并运用GA对Elman建模中的权值和阀值进行优化。通过实例分析表明该模型预测准确性高,能有效地预测虫害的发生量。同时为验证算法的有效性,与PLS算法、Elman神经网络算法、基于GA的Elman神经网络算法（GA_Elman）、基于GA的BP神经网络算法(GA_BP)进行比较。     

稻米品质综合评价的人工神经网络方法

基于人工神经网络 (ANN)理论 ,面向稻米品质的综合评价问题 ,分别开发了 SOM和 BP神经网模型 ;研究了模型的设计、利用观测数据建立网络结构训练样本集以及网络学习等问题 ;从不同角度分别对杂交籼稻雄性不育保持系和恢复系两组供试亲本的品质样本进行聚类和综合评价 .实际仿真结果表明 ,ANN用于米质评价是科学、有效的 ,而且方法简便、速度快     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于GA–BP神经网络的番茄应力松弛参数的估计

为了实现机械手在抓取过程中对番茄应力松弛参数的快速准确估计,提出以BP神经网络为核心,遗传算法(GA)对BP神经网络初始权值和阈值进行优化的番茄应力松弛参数的估计方法:以番茄为样本,利用质构仪进行番茄应力松弛试验,并利用三元件广义Maxwell模型来表征番茄的应力松弛特性,通过拟合获取样本数据集;再以抓取力F、变形量D、作用时间t为输入,松弛特性参数E、Ee、η为输出构建BP神经网络模型,使用遗传算法对初始连接权值和阈值进行优化,获取最优参数的GA–BP神经网络估计模型;将该估计模型应用到机械手抓取过程中对番茄应力松弛参数的估计验证。结果表明:番茄应力松弛特性参数E、Ee和η的估计相对误差都在15%以内,且趋于稳定,该估计模型可对番茄应力松弛参数进行在线估计。     

基于KPCA-SSA-BP的农业气象灾害预测

农业气象灾害对农业发展有很大阻碍,为优化农业气象灾害预测的估算模型,本研究以山东省作为研究区域,利用核主成分分析(KPCA)对影响因子进行降维,以传统反向传播(BP)神经网络模型为基础,基于麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)3种优化算法,构建了SSA-BP、PSO-BP、GA-BP 3种优化模型。结果表明,在旱灾受灾率的模型评价指标对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的均方根误差(RMSE)分别下降23.55%、12.28%和17.74%;在洪灾受灾率的模型评价对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的RMSE分别下降了29.96%、9.49%和13.88%。说明SSA-BP神经网络模型对旱灾受灾率、洪灾受灾率的预测效果优于传统BP神经网络模型以及PSO-BP、GA-BP优化的神经网络模型。