导读:本文包含了双隐含层论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,算法,水质,挖泥船,激光,蜂群,径流。
双隐含层论文文献综述
王志红,秦可,尹冬冬,卢梦成[1]（2019）在《基于双隐含层GA-BP神经网络的重型柴油车排放预测》一文中研究指出为了建立一种能够预测柴油车道路排放特性的模型,文章采用便携式车载(汽车尾气)排放测量系统(portable emission measurement system, PEMS),对某重型柴油车进行道路污染物排放特性测试;利用测得的试验数据,在双隐含层反向传播(back propagation,BP)神经网络的基础上,引入Levenberg-Marquardt(LM)优化算法,用遗传算法(genetic algorithm,GA)优化网络的权值与阈值;以车辆比功率(vehicle specific power,VSP)为输入,搭建CO、NO_x排放预测模型,并用试验数据对模型进行训练、验证。结果表明,CO、NO_x的预测结果与样本数据之间的皮尔逊相关系数分别为0.855 3、0.851 2,线性高度相关;在整体误差水平上,CO、NO_x排放因子的相对误差分别为2.61%、6.71%。该方法对车辆CO、NO_x的瞬时排放和整体排放特性的预测准确性较好,具有一定的理论意义和工程应用价值。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年06期）
查木哈,卢志宏,翟继武,张福顺[2]（2018）在《双隐含层BP神经网络模型在老哈河水质预测中的应用》一文中研究指出为了快速准确预测老哈河水质,采用老哈河2011-2015年水质监测数据,运用拉格朗日插值法补充缺失值,分别对化学需氧量、生化需氧量、高锰酸盐指数和总磷浓度建立Levenberg-Marquardt优化的双隐含层BP神经网络模型,利用2011-2014的数据建立训练网络,以2015年的数据进行验证与测试。结果表明:五日生化需氧量预测模型,第一隐含层节点数为4,第二隐含层节点数为12时,决定系数0.751 6(P=0.000 3),平均相对误差25.73%;化学需氧量预测模型,第一隐含层节点数为12,第二隐含层节点数为10时,决定系数0.887 5(P<0.000 1),平均相对误差27.69%;高锰酸盐预测模型,第一隐含层节点数为6,第二隐含层节点数为3时,决定系数0.854 7(P<0.000 1),平均相对误差28.90%;总磷预测模型,第一隐含层节点数为12,第二隐含层节点数为12时,决定系数0.889 2(P<0.000 1),平均相对误差17.94%。应用拉格朗日插值法对缺失数据进行补充后建立的双隐含层BP神经网络模型相对误差均小于28.90%,模型的预测效果较好,其中总磷浓度预测效果最好。通过拉格朗日插值,可以建立老哈河赤峰段甸子点位污染指标的双隐含层人工神经网络模型进行水质预测。(本文来源于《水资源与水工程学报》期刊2018年02期）
杨咪,徐盼盼,钱会,侯凯[3]（2018）在《基于人工蜂群算法的BP双隐含层神经网络水质模型》一文中研究指出采用人工蜂群算法优化BP神经网络的初始权值和阈值,同时采用双隐含层来提高网络精度,选取DO、IMn、COD、BOD5和NH3-N作为评价指标,建立一个基于人工蜂群算法的BP双隐含层神经网络模型,并应用该模型对2012年黄河水系下河沿断面的各月监测数据进行水质评价,同时与BP神经网络、模糊层次评价方法作比较。结果表明:基于人工蜂群算法的BP双隐含层神经网络在水质评价时,均方误差小,多次运行的结果始终一致,评价结果合理有效。(本文来源于《环境监测管理与技术》期刊2018年01期）
杨金宝,倪福生,魏长赟,郑庆云[4]（2016）在《基于双隐含层BP神经网络的绞吸挖泥船产量预测》一文中研究指出挖泥船的产量直接决定了工程效益,因此,产量的预测具有重要的意义。疏浚作业时绞吸挖泥船疏浚工况是非恒定的且产量计算极其复杂,故提出基于Levenberg Marquardt算法的双隐含层BP神经网络模型预测绞吸挖泥船产量。相对单隐含层而言,双隐含层BP神经网络则能改善网络的性能,从而提高模型预测精度。分别以绞刀电机电流、流速、吸入真空、横移速度作为输入因素,以泥浆浓度作为输出因素,建立产量预测模型。实验结果表明,双隐含层BP神经网络的预测结果更为精确,可为预测挖泥船产量提供有效的方法。(本文来源于《计算机与数字工程》期刊2016年07期）
崔斌,张丽[5]（2015）在《基于双隐含层BP算法的高清监控系统研究》一文中研究指出随着机动车保有量的增大,机动车监控面临的问题越来越突出。针对道路车流量监控问题,提出了一种基于双隐含层BP算法的高清监控系统实现方法。通过感应线圈感知车辆状态并将之作为车辆图像获取的触发信号,利用激光探测器作为车辆图像获取手段,能够得到清晰、高分辨率的车牌图像。采用双隐含层BP神经网络算法对车牌图像进行分析识别来得到车牌信息。实验结果表明,该系统对于清晰的车牌图像的正确识别率达到95%,能够满足系统运用的需要。(本文来源于《激光杂志》期刊2015年11期）
施云清,余朋林[6]（2014）在《基于Matlab技术的双隐含层BP神经网络煤炭需求预测研究——以福建省煤炭需求为例》一文中研究指出煤炭是经济建设中的基础能源,合理利用煤炭资源,保证经济健康发展,煤炭需求的预测必不可少。近年来煤炭需求预测存在一定的不足,主要问题是预测精度较低。文中运用弹性系数法与基于Matlab技术的双隐含层BP神经网络法对煤炭需求进行模拟分析,经过实证分析,得出结论:基于Matlab技术的双隐含层BP神经网络法可以得出较准确的某一地区未来几年的煤炭需求预测量。文中以福建省为例进行介绍。(本文来源于《物流工程与管理》期刊2014年11期）
丁红,董文永,吴德敏[7]（2014）在《基于LM算法的双隐含层BP神经网络的水位预测》一文中研究指出为获得更精确的径流水位预测效果,文章提出了基于Levenberg Marquardt(LM)算法的BP双隐含层神经网络模型(BPDHLM)。LM算法是梯度下降法与高斯-牛顿法的结合,能缩短BP网络的收敛时间,改善网络的收敛性能;相对单隐层而言,双隐含层BP网络则能改善网络的性能误差,误差梯度,从而提高模型预测精度并改善网络性能。研究结果表明:该模型预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法。(本文来源于《统计与决策》期刊2014年15期）
王灿进,孙涛,石宁宁,王锐,王挺峰[8]（2014）在《基于双隐含层BP算法的激光主动成像识别系统》一文中研究指出在传统激光主动成像系统的基础上,结合目标识别技术搭建了一个激光主动成像识别系统实验平台,用于研究激光主动成像后的目标识别。介绍了实验平台的工作原理,基于Hu矩特征的双隐含层BP神经网络算法以及实验处理流程和实验结果。特征量由7个不变Hu矩构成,通过240张原始目标样本库对由136个权值系数构成的双隐含层BP神经网络算法进行了训练。利用训练好的双隐含层BP算法对黑夜条件下远处的运动目标--43式冲锋模具枪进行了实验研究,成功获得了清晰的红外激光主动成像效果。实验显示对450m处2 740帧和550m处2 420帧激光主动成像图像的统计识别率达到了68.87%和72.11%,其中旋转变换下的统计识别率可达80.05%和84%,好于仿射变换的识别效果。(本文来源于《光学精密工程》期刊2014年06期）
双隐含层论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了快速准确预测老哈河水质,采用老哈河2011-2015年水质监测数据,运用拉格朗日插值法补充缺失值,分别对化学需氧量、生化需氧量、高锰酸盐指数和总磷浓度建立Levenberg-Marquardt优化的双隐含层BP神经网络模型,利用2011-2014的数据建立训练网络,以2015年的数据进行验证与测试。结果表明:五日生化需氧量预测模型,第一隐含层节点数为4,第二隐含层节点数为12时,决定系数0.751 6(P=0.000 3),平均相对误差25.73%;化学需氧量预测模型,第一隐含层节点数为12,第二隐含层节点数为10时,决定系数0.887 5(P<0.000 1),平均相对误差27.69%;高锰酸盐预测模型,第一隐含层节点数为6,第二隐含层节点数为3时,决定系数0.854 7(P<0.000 1),平均相对误差28.90%;总磷预测模型,第一隐含层节点数为12,第二隐含层节点数为12时,决定系数0.889 2(P<0.000 1),平均相对误差17.94%。应用拉格朗日插值法对缺失数据进行补充后建立的双隐含层BP神经网络模型相对误差均小于28.90%,模型的预测效果较好,其中总磷浓度预测效果最好。通过拉格朗日插值,可以建立老哈河赤峰段甸子点位污染指标的双隐含层人工神经网络模型进行水质预测。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
双隐含层论文参考文献
[1].王志红,秦可,尹冬冬,卢梦成.基于双隐含层GA-BP神经网络的重型柴油车排放预测[J].合肥工业大学学报(自然科学版).2019
[2].查木哈,卢志宏,翟继武,张福顺.双隐含层BP神经网络模型在老哈河水质预测中的应用[J].水资源与水工程学报.2018
[3].杨咪,徐盼盼,钱会,侯凯.基于人工蜂群算法的BP双隐含层神经网络水质模型[J].环境监测管理与技术.2018
[4].杨金宝,倪福生,魏长赟,郑庆云.基于双隐含层BP神经网络的绞吸挖泥船产量预测[J].计算机与数字工程.2016
[5].崔斌,张丽.基于双隐含层BP算法的高清监控系统研究[J].激光杂志.2015
[6].施云清,余朋林.基于Matlab技术的双隐含层BP神经网络煤炭需求预测研究——以福建省煤炭需求为例[J].物流工程与管理.2014
[7].丁红,董文永,吴德敏.基于LM算法的双隐含层BP神经网络的水位预测[J].统计与决策.2014
[8].王灿进,孙涛,石宁宁,王锐,王挺峰.基于双隐含层BP算法的激光主动成像识别系统[J].光学精密工程.2014
论文知识图
