贺清碧[1]2004年在《BP神经网络及应用研究》文中研究指明人工神经网络理论是最近发展起来的十分热门的交叉学科,有着非常广泛的应用前景。由于人工神经网络具有大规模并行信息处理,良好的自适应与自学习等许多特点,因此利用神经网络解决复杂非线性动态系统的预测问题就有了一条新的可能途径。基于神经网络预测方法的研究是当前预测研究中的一个重要课题,具有重要的理论意义和实际应用价值。本文在第一章介绍了人工神经网络理论的发展历史和应用领域,然后介绍了人工神经网络的特点及目前应用比较广泛的几种典型的神经网络。第二、叁章着重研究了BP神经网络结构、算法原理,收敛性问题。第四章分析讨论了BP神经网络存在的问题。针对BP网络的缺陷,介绍了目前已有的一些有关BP网络改进的研究,同时,本文提出了一种改进的BP算法。在第五章本文将改进的BP算法应用于城市环境质量评价问题,建立了相应的BP网络模型(输入层神经单元个数6,隐层神经单元个数4,输出层神经单元个数1)。文中同时讨论了网络模型中输入数据的标准化处理问题,隐层神经单元个数的选取问题,以及网络参数中动量因子和学习率的选取等问题。并设计了基于BP神经网络的城市环境质量评价系统。该系统采用Visual FoxPro 6.0编制。实验结果与其它方法比较表明,该改进的BP算法收敛速度较快,具有较理想的预测精度,能满足实际应用的要求,是一种较为有效的预测方法,同时该BP网络预测系统也可用于相关的评价。
叶健[2]2007年在《基于星座聚类与神经网络的调制识别研究》文中指出在现代通信对抗中,通信信号的调制类型识别是重要的研究课题。随着通信技术的飞速发展,通信信号的体制和调制类型变得更加复杂多样,信号环境日趋密集,使得常规的识别方法和理论很难有效地对通信信号进行识别,对通信信号的调制识别研究提出了更高的要求。聚类分析可以发现数据的分布模式以及数据属性之间所存在的有价值的相关联系。人工神经网络具有在标准样本基础上进行高度非线性映射和强大的模式识别能力。因此,本文对上述两种人工智能方法作了深入研究,设计并实现了基于两者的调制类型自动识别系统。主要工作可概括如下;1、在模糊C-均值(FCM)聚类算法的基础上,提出了高效自适应的EAFCM聚类算法。该算法不仅改善了FCM算法对初始中心的敏感,而且可以自适应地确定最佳聚类数。针对各种PSK/QAM数字通信信号,将信号星座图的形状作为识别特征,对接收到的信号运用EAFCM聚类算法重建星座图,从而自动识别信号的调制类型。仿真实验验证了该算法的有效性。2、研究了RBF神经网络和SOFM神经网络的算法、结构和特点。提出了优化的RBF神经网络学习模型和SOFM神经网络与LVQ算法的组合模型。仿真实验结果显示,改进的网络模型的泛化性能都有较大提高。组合模型在中高信噪比下平均识别率都在90%以上,与RBF网络分类器相比具有更优良的分类性能。3、研究了特征选择和神经网络集成(NNE)。利用自适应遗传(AGA)算法实现了特征的有效选择。并根据选择得到的特征组合最优解和次优解,提出了一种新的神经网络集成算法——AGANNE算法。该算法的出发点是尽量减小集成个体的泛化误差和增大集成的差异度。仿真实验结果显示,特征选择有利于提高网络的识别性能;AGANNE算法在各个信噪比下,均取得了较高的识别率,分类器的泛化能力有显着提高。特别是在中信噪比下,平均识别率达到94%,对实际通信信号进行识别,效果理想,较好地满足了工程中的实际需要。
邹永祥[3]2008年在《基于神经网络的信息融合技术与应用》文中指出信息融合技术是研究如何有效地综合利用多传感器信息,克服信息的不完备性和不确定性,更加准确、全面地认识和描述被测对象,从而做出正确的判断和决策,近年来已成为各国学者研究的热点。多传感器信息融合技术已经广泛用于模式识别、目标跟踪、图像处理和机器人等领域。神经计算是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论,它通过大量称为神经元的简单处理单元构成非线性动力学系统,对人脑的形象思维、联想一记忆等进行模拟和抽象,实现与人脑相似的学习、识别、记忆等信息处理能力。神经网络在经历了几十年的曲折发展后,在信息科学领域等许多应用方面已显示出了巨大潜力和广阔的应用前景。本文旨在研究将神经计算应用于信息融合领域,建立智能化的信息融合算法,并将之应用于核探测器的谱漂移,即提出了智能信息融合技术在谱仪谱峰随温度、电压等漂移的融合模型和算法。本文首先介绍了信息融合技术和神经计算的理论基础、研究现状以及发展方向,讨论了神经计算在信息融合中的应用问题以及相关算法。提出来了可用于信息融合的模块化神经网络与模糊神经网络的模型和算法。定性地论证了神经网络融合识别的基本机理。针对谱峰随不同干扰量漂移的问题,采用模块化神经网络对谱仪峰位漂移进行数据融合,建立了融合的网络模型及其学习方式。最后在建立的数学模型上对谱漂移试验数据进行计算和仿真。计算和仿真结果表明建立的数学模型有较好的精度,智能化的融合技术能成功运用在谱仪的谱峰漂移的数据融合中。
郭磊[4]2008年在《基于神经网络的变压器故障诊断技术的研究》文中认为电力变压器是电力系统中最为关键的设备之一,是对电力系统安全,可靠、优质、经济运行的重要保证,必须最大限度的防止和减少变压器事故的发生。电力变压器故障诊断对电力系统的安全经济运行有着十分重要的意义。油中溶解气体分析法是早期发现和预防变压器故障的最有效方法之一。由于神经网络对外界的输入样本具有很强的识别分类能力和联想记忆等信息处理特点,使得人工神经网络应用于变压器故障诊断得以实现。因此,研究以变压器油中溶解气体为特征量的神经网络故障诊断方法,为变压器故障诊断提供了新的途径。本文首先对变压器故障诊断的方法进行了系统的研究,分析比较了几种传统的变压器故障诊断方法的优缺点,如:IEC叁比值法、罗杰斯法、电协研法等。然后运用人工智能的手段,对变压器状态检测所获得的数据进行分析和处理,从而掌握被监测对象的运行状态或故障原因。在广泛查阅相关文献的基础上,系统阐述了电力变压器故障类型和特征气体以及不同种类故障与不同种类特征气体含量之间的相应关系,构建了适应于变压器故障诊断的输入特征参量,选择和训练了适用于电力变压器运行状态及其故障在线监测、诊断和预报的BP、RBF神经网络,构造了基于人工神经网络的电力变压器故障诊断模型。最后,通过仿真试验证明,此两种方法相对于传统的变压器故障诊断的方法具有明显的优越性和更高的故障诊断率。
王莎[5]2008年在《BP神经网络在股票预测中的应用研究》文中研究说明随着经济的发展和人们投资意识的转变,股票投资已成为现代人生活中一个重要组成部分,而股票价格的预测也成为投资者关心和研究的重点。由于股票投资的收益与风险往往是成正比的,如何建立一个运算速度和精确度都比较高的股市预测模型,对于金融投资者具有理论意义和实际应用价值。本文在深入分析股票市场预测面临的关键问题和比较各种股票预测方法的基础上,探讨利用BP(Back Propagation)神经网络对股票走势进行分析和预测的可行性。BP网络通过对以往历史数据的学习,找出股市发展的内在规律,并将其存储在网络具体的权值、阀值中,用以预测未来的走势。针对BP算法在股市预测中存在的学习速度慢、容易陷入局部极小值、预测结果精度不高等问题,提出一种改进的BP神经网络算法。通过重新选取神经元的激活函数,对输出层和隐层中神经元转换函数的权值、缩放系数和位移参数进行调整,减少隐层节点数,加快BP网络的收敛速度。根据BP网络进行股市预测的原理,建立基于BP网络的股市预测模型,采用改进后的BP算法进行股市预测,并通过MATLAB软件对其预测过程进行仿真实验。在仿真过程中对BP算法和改进后的BP算法在预测股票中的收敛性能进行比较,并以湖南叁一重工的股票价格为例,对所建的预测模型进行训练,并用训练好的BP网络股市预测模型来预测其股票数据,达到了预测效果。
卢慕超[6]2017年在《基于深度置信网络的商业银行信用风险预测实证研究》文中认为信用风险是巴塞尔委员会定义的商业银行信用风险、市场风险、操作风险叁大风险之首,是现代商业银行面临的最重要的风险,也是导致商业银行破产的最常见的原因之一。2008年美国金融危机以及近几年我国商业银行不良资产迅速增长,都警示我们要时刻注意信用风险。提升信用风险度量和预警水平是提高风险防控能力的主要手段。2011年,中国银监会基于巴塞尔III出台了《中国银行业实施新监管标准指导意见》以及《商业银行资本管理办法(试行)》,规定达到条件的商业银行可以采用内评法计算风险加权资产,这就需要商业银行准确度量信用风险。目前国内信用风险管理度量预测研究方兴未艾,但由于诸多条件限制,商业银行信用风险度量能力距离国际发达国家还有不少差距。这些因素都迫切需要提升商业银行信用风险度量和预测研究水平。本文旨在学习借鉴国内外信用风险度量和预警的先进模型和最新的人工智能技术,结合我国国情,建立适合商业银行实际的信用风险度量实现系统。本文分别从理论和实践、技术和业务等多纬度展开研究,全面梳理信用风险预警系统、度量模型、实现工具,研究其基本理论和核心思想。在对我国股份制商业银行资产质量快速下滑的主因进行实证分析的基础上,基于信息爆炸时代大数据挖掘的特点,指出人工智能是提升信用风险度量能力的有力工具。本文在深入研究深度置信网络(Deep Belief Network,DBN)算法基础上,为使受限波尔兹曼机(Restricted Boltzman Machine,RBM)的在解决有监督学习问题时,充分挖掘标签数据特征,提出了基于分类分区受限波尔兹曼机的深度置信网络。为受限波尔兹曼机的隐含层单元参数增加分类分区惩罚项,惩罚项向量基于训练样本的标签值生成,服从高斯分布。该向量在系统初始化时确定,在训练过程中保持不变,每次训练根据标签分类决定所使用的惩罚向量。深度置信网络的第二阶段系统调优时取消惩罚项。增加分类分区惩罚项,可以增大训练时权重的不确定性,且根据标签分类不同,有倾向性的改变权重值的影响。改进后的算法对于阻止过拟合和学习不足有非常优异的效果。本文基于单户企业财务数据,建立了财务危机预警模型。基于大数据挖掘理念,针对人工智能系统与传统统计分类模型的区别,本文确定选取较大量的财务指标作为研究对象,将企业盈利与否作为预测的目标,建立基于分类分区受限波尔兹曼机深度置信网络的实证研究系统。对时间节点T的前叁年(T-1、T-2、T-3)叁个时间节点进行预测实证研究,叁个节点的第一类(危机)预测准确率分别为90.28%、88.24%h和84.20%。对样本量较少的第一类样本的分类准确率高于样本量较大的第二类样本的分类准确率。与相关工作相比预测准确率相对较高,也验证了改进后的算法对小样本数据的学习能力大幅提升。该实证研究初步搭建起商业银行信用风险单户财务危机预警系统框架,具有较高的实用价值。针对输入样本相同,输出为不同连续变量的多任务预测问题,提出了层次贝叶斯深度置信网络算法,提升有监督学习预测能力。本文利用A股上市公司财务报表进行了实证研究,预测的财务报表绝对误差较小,可信度较高,在具体指标预测上取得较大突破。有助于商业银行及其他机构预测企业未来经营状况,为各专业领域专家的分析提供可靠的数据依据。本研究成果,也可为其他度量模型提供可靠的中间数据,提高预测深度。本文研究的结论可以使商业银行系统开发人员根据自有数据对模型再次进行加工调整,经过简单的个性化改造后直接建立自有风险预警系统,应用于本行的管理实践。本文力图从金融机构经营实际需求出发,坚持理论与实践相结合,使科技真正成为促进经济发展的源动力。
车茜[7]2008年在《基于BP神经网络的季节冻土水分迁移机理研究》文中进行了进一步梳理本文结合国家自然科学基金项目“东北季冻区路基水分迁移的微观机理研究”(NO.40672180)及交通部西部项目“季节性冰冻地区路基路面稳定技术研究”,以长春-四平、长春-松原、长吉北线、朝阳公园及桥外基地五个取样点为研究对象,在相关的室内试验及室外监测数据研究的基础上对长春地区季节冻土水分迁移进行了系统地分析与研究。并将BP神经网络引入冻土水分迁移的研究中建立神经网络预测模型,有效地避免了非线性问题的复杂性和不确定性。首先,详细分析了长春地区季节冻土的粒度成分、矿物成分、化学成分及物理化学性质等,并对热交换系数、质交换系数及其影响因素进行了研究。针对不同压实度,分别采用卡明斯基毛管法、直接法和冻融法对土样的毛细水上升高度进行试验。其次,进行现场观测,设立了4个野外监测点,进行了地表温度、地温、冻深、不同深度含水率等的长期观测,对每个时期不同土层含水率进行对比,同时分析了土体中的温度与地表温度的关系。最后,介绍了人工神经网络的基本理论,采用BP神经网络算法对水分迁移的重要指标未冻水含量进行了预测,并分别对开放系统和封闭系统的正冻土中的水分迁移建立了预测模型,通过检验得到了满意的预测结果。论文通过大量的室内试验及现场观测数据,为长春地区季冻区水分迁移的研究积累了一定经验,并为工程建设冻害的预测、评价和防治提供了一定的理论依据。
聂永[8]2008年在《Pi-Sigma神经网络的学习算法研究》文中认为Pi-Sigma神经网络是一种具有快速学习能力和强非线性处理能力的高阶神经网络,已应用于模式识别、信号处理、图像处理等智能化信息处理领域。和其它神经网络一样,Pi-Sigma神经网络的性能主要依靠收敛速度更快,学习效果更优的网络学习算法和网络结构优化方法。鉴于此,本文对Pi-Sigma神经网络学习算法做了深入的研究,主要内容及结果如下:第一,分析Pi-Sigma神经网络已有的常用学习算法,并总结各种学习算法的优缺点。第二,提出一种混合遗传学习算法(Hybrid Genetic Algorithm, HGA),将具有全局搜索能力的遗传算法和具有局部搜索能力的单纯形法(Simplex Method)结合起来。并对混合遗传学习算法的收敛性进行了分析。第叁,基于田口方法(Taguchi Method),提出了一种Pi-Sigma神经网络的结构优化方法,该方法使用混合遗传学习算法对Pi-Sigma神经网络结构进行优化的同时,利用田口方法增强遗传算子的性能,减少实验次数,从而减少算法优化时间。该结构优化方法在不明显增加训练误差的情况下,可以有效地删除Pi-Sigma神经网络冗余的连接权值,降低网络的复杂度和减少训练时间。最后,本文对所做的研究工作进行了总结,并对今后Pi-Sigma神经网络的学习算法及结构优化方法的研究进行了展望。
郭静[9]2008年在《基于静载试验的连续刚构桥承载力预测》文中研究指明桥梁结构的承载力可靠性评估是目前我国工程界亟待解决的问题。神经网络由于其极强的学习能力和非线性大规模并行处理的能力,正适合预测这类复杂的问题。本文以百色华村大桥为例,基于对静载试验以及神经网络机理的认识,提出了连续钢构桥承载力预测的神经网络模型。本文首先阐述了承载力的影响因素和评定方法;其次总结了桥梁结构静载试验的一般流程方法和事项,并进行了百色华村大桥静载试验;然后介绍了神经网络的基本概念、基本原理以及BP神经网络的有关特点,并对遗传算法的相关原理进行了阐述。最后在此基础上建立了承载力预测的神经网络模型。本文重点对神经网络方法在承载力预测这一问题上的可行性进行讨论。建立了以应力作为输入层神经元、挠度作为输出层神经元的叁层BP神经网络。基于MATLAB R2007平台,利用其自带的神经网络工具箱,编写了相应的程序。针对BP神经网络的缺点,采用了学习率自适应调整、试算法选择隐层神经元结点数以及遗传算法优化网络初始权重的方法对BP神经网络加以优化。最后,利用该神经网络预测模型进行了训练及预测分析,并将神经网络预测结果同静载试验结果进行了对比分析,验证了其良好的预测效果。
曾喆昭[10]2008年在《神经网络优化方法及其在信息处理中的应用研究》文中研究指明论文全面地介绍了神经网络研究的发展历史及其意义、神经网络研究内容、神经网络应用前景、神经网络基本概念等,重点阐述了BP神经网络还存在的各种局限性及其改进方法。针对线性方程组求解问题,论文提出了基于矩阵元素的神经网络模型算法、基于向量空间的神经网络模型算法以及基于LDU分解的神经网络模型算法,证明了叁种模型算法的收敛性,为神经网络学习率大小的确定建立了理论依据。在权值调整中采用龙贝格(Romberg)修正法,有效避免了BP算法存在局部极小的问题。仿真研究结果表明,所提出的基于神经网络算法的线性方程组求解方法不仅具有高的计算精度,而且不涉及逆矩阵运算,因而是有效的计算方法。针对非线性方程和非线性方程组的求解问题,论文分别对神经网络模型和算法作了探索性研究,证明了算法的收敛性,为神经网络学习率大小的确定建立了理论依据。在权值调整中引入了动量项,有效加快了网络收敛速度。仿真研究结果表明,本文研究的求解非线性方程和非线性方程组的神经网络算法具有收敛速度快、计算精度高、收敛性不依赖初始值等特点。针对数值积分问题背景,论文对神经网络模型和算法作了一系列探索性研究,分析了神经网络算法的收敛性,为神经网络学习率大小的选择建立了理论依据,创造性地建立了数值积分与神经网络权值之间的关系。仿真研究结果表明,所提出的数值积分方法具有计算精度高,计算速度快的特点。针对微分方程初值问题的求解,论文探索性研究了求解微分方程初值问题的神经网络模型算法,并分析了算法的收敛性,为神经网络学习率大小的确定建立了理论依据。仿真结果表明,解微分方程初值问题的神经网络算法可以对微分方程初值问题的解建立数学模型,因而可以计算出任意给定点处的函数值,这是任何差分方法无法做到的。针对FIR(Finite Impulse Response)线性相位数字滤波器优化设计问题,提出了以余弦基函数cos( nω)为隐层神经元激励函数的神经网络模型算法,证明了神经网络算法的收敛性,为神经网络学习率大小的确定建立了理论依据。此外,本文将四种情况下的FIR线性相位数字滤波器的优化设计进行了有效统一,算法的通用性强。仿真实验结果表明,所提出的FIR线性相位数字滤波器优化设计方法有效避免了求逆矩阵的问题,因而有效克服了高阶FIR线性相位数字滤波器的优化设计瓶颈。针对信号的频谱分析问题背景,本文探索性研究了基于傅立叶基函数的神经网络模型算法,研究了算法的收敛性,为神经网络学习率大小的确定给出了理论依据。所提出的基于神经网络算法的信号处理方法(频谱分析、随机噪声滤波)不涉及复数的乘法运算和复数的加法运算,计算精度高,特别适合基于DSP芯片的软、硬件实现。最后,本文介绍了神经网络算法在传感器中的应用实例。使用傅立叶基函数神经网络算法拟合曲线的方法,对传感器灵敏度-温度特性曲线进行了拟合。研究结果表明,用傅立叶正交基函数神经网络算法拟合的曲线十分光滑,拟合精度高。基于正交基神经网络算法的传感器误差补偿方法具有高的补偿精度,计算量小,收敛速度快,与最佳直线拟合法、最小二乘法多项式曲线拟合法、非线性反函数补偿法以及其它神经网络的非线性补偿等方法相比具有明显的优势,因而是一种有效的传感器误差补偿方法。利用正交基神经网络与最小二乘递推算法相结合的多传感器信息融合方法对参数进行检测时,不需要知道传感器量测数据的任何先验知识,就可以通过神经网络训练估计出分布式参数的值。该方法既可以提高参数的检测精度,同时也具有很好的稳定性,计算量小,便于计算机实时处理,因而是一种有效的多传感器信息融合方法。
参考文献：
[1]. BP神经网络及应用研究[D]. 贺清碧. 重庆交通学院. 2004
[2]. 基于星座聚类与神经网络的调制识别研究[D]. 叶健. 解放军信息工程大学. 2007
[3]. 基于神经网络的信息融合技术与应用[D]. 邹永祥. 成都理工大学. 2008
[4]. 基于神经网络的变压器故障诊断技术的研究[D]. 郭磊. 西华大学. 2008
[5]. BP神经网络在股票预测中的应用研究[D]. 王莎. 中南大学. 2008
[6]. 基于深度置信网络的商业银行信用风险预测实证研究[D]. 卢慕超. 太原理工大学. 2017
[7]. 基于BP神经网络的季节冻土水分迁移机理研究[D]. 车茜. 吉林大学. 2008
[8]. Pi-Sigma神经网络的学习算法研究[D]. 聂永. 苏州大学. 2008
[9]. 基于静载试验的连续刚构桥承载力预测[D]. 郭静. 广西大学. 2008
[10]. 神经网络优化方法及其在信息处理中的应用研究[D]. 曾喆昭. 湖南大学. 2008
标签：自动化技术论文; 信用风险论文; 信息融合论文; bp算法论文; 神经网络算法论文; 网络模型论文; 预测模型论文; 仿真软件论文; 分类数据论文; 能力模型论文; 系统学习论文; 监督学习论文; 故障诊断论文; 算法论文; bp神经网络论文;