导读:本文包含了神经网络群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,风速,算法,通流,抑制,故障,机制。
神经网络群论文文献综述
沈晴[1]（2017）在《面向交通拥堵预测大数据的神经网络群组快速学习》一文中研究指出交通拥堵状态的准确预测是智能交通系统的核心目标之一。城市交通状态具有一定的自相似性规律可以用于预测;但是道路和环境因素产生的路段多样性和外部因素干扰产生的路网动态性,使得全路网拥堵规律具有高度复杂性和不确定性。预测模型不仅需要适应复杂路网情况,实现高精度预测,而且需要根据路网环境变化,实现高效率更新,但传统方法在准确率和学习效率两个方面存在明显不足。本文提出神经网络群组快速学习方法,将大规模数据上的复杂学习问题转化为大量中小规模数据子集上的简单学习问题,在大量不同特点的路段子集上利用超限学习机算法快速训练子预测模型,从而建立城市路段全范围覆盖的拥堵预测群组模型,充分发挥超限学习机算法在小规模子集上准确度高、训练速度快、参数少、易于并行加速等优点,实现对大规模交通拥堵数据的高精度、高效率学习。第一,提出了神经网络群组快速学习方法,以路段属性特征划分数据子集,以拥堵现象特征训练子预测模型,通过共享网络简化群组存储,提升了交通拥堵预测模型的全路网预测准确率和模型训练效率。该算法将大规模复杂综合预测问题简化为大量小规模简单路段预测问题,利用大量超限学习机对各个子集进行快速训练;群组中各子模型数据独立,可以运用多进程并行运算提升运行速度。群组通过集成各个路段集合上的子预测器,组成全路网整体预测模型。第二,提出基于变差系数加权的聚类划分算法,解决了枚举划分神经网络群组枚举类型缺失、子集数据覆盖率不足、连续性数值特征划分不合理等问题。变差系数权值修正了样本距离计算方法,用差异化的标准衡量不同维度特征上的数据偏离程度,优化聚类划分;基于聚类的子集划分方式,适应了数值型数据的空间分布特点,可以准确划分训练集中缺失的路段类型,并选择近似的子模型进行预测;模糊聚类方式扩大了子集数据来源,提升了低覆盖率路段的预测准确率。预测模型通过两种划分方式的组合,并依据覆盖率高低分工预测,实现了预测高精度全路网覆盖,无死角。第叁,提出衰减加权超限学习机算法,解决了拥堵预测的不平衡问题,在不同平衡性分布的路段子集上提升少数类拥堵情况的预测准确率,并保持整体模型的预测精度。本文对比分析了混合采样和加权优化的方法,并在子模型训练上提出新的衰减权值设置模式。该模式在侧重少数类识别的同时兼顾子集划分对多数类的分类偏重,有差异地分配各类别样本的分类权重,提升了超限学习机训练的神经网络在子集数据不平衡情况下的识别准确率;从而使群组可以适应不同平衡性的数据集,提升高峰时段拥堵预测准确率,同时维持整体分类准确率。最后,本文以神经网络群组快速学习方法为核心,结合Web地图服务、浮动车技术、数据库技术等,建立了以全市交通路网拥堵预测为主、以交通评估、道路规划辅助、拥堵疏导建议为辅的交通拥堵评估与预测系统。实际应用中,多个拥堵预测模型训练高效,连续预测符合真实交通路况。系统给城市交通疏导和道路规划提供了有效支持,展现了神经网络群组方法良好的应用前景。(本文来源于《北京科技大学》期刊2017-05-22）
田野[2]（2016）在《基于动量因子的神经网络群电流负荷预测模型》一文中研究指出通过建立改进的4层神经网络群,以历史负荷电流作为样本进行训练,实现对于未来负荷电流的预测。针对传统BP神经网络易收敛到局部极值的问题,引入了动态调整的动量因子。为增强对于随月份动态变化较剧烈的负荷的预测能力,提出了BP网络群结构。数据模拟结果说明该算法具有高精确性,可有效估算出下一阶段线路电流负荷变化趋势值,并且预测速度满足实际使用要求。该模型可以用于监测重点单位用电负荷变化情况,及早提示供电单位采取相应措施,促进智能电网建设。(本文来源于《电力系统保护与控制》期刊2016年17期）
马亮,杨萍萍,高建宇[3]（2014）在《基于动态云—量子神经网络群的配电网实时故障定位方法》一文中研究指出针对传统的配电网故障定位方法在配电网故障信号微弱时存在的故障数据交叉现象严重、实时性较差等问题,提出了一种基于动态云-量子神经网络群的配电网实时故障定位方法;构建了用于配电网故障定位的动态云-量子神经网络群结构模型,提出一种动态云-量子神经网络群改进算法,并给出了基于该算法的配电网实时故障定位步骤;在Matlab软件中采用该方法对某10kV配电网进行故障定位仿真研究,结果表明该方法能够实时、有效地实现故障信号微弱情况下的配电网故障定位,测试精度为97.39%,训练时间为0.001 6s。(本文来源于《工矿自动化》期刊2014年11期）
白牧可,唐巍,张璐,丛鹏伟[4]（2014）在《基于BP神经网络群的中压配电网电压降落估算》一文中研究指出对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。(本文来源于《电力系统保护与控制》期刊2014年02期）
吕进,赵祥模,樊海玮,旺乃姆[5]（2013）在《基于生长自组织神经网络群的交通流预测》一文中研究指出为了提高城市交通流预测神经网络方法的快速动态学习能力,提出了一种生长自组织神经网络群,将复杂的神经网络个体分解为多个训练简单的神经网络群组,并利用设计的动态生长自组织算法来避免神经网络在学习新知识的时候对已有知识造成破坏,同时保持整个群工作的高效稳定,规模不过度扩张.该神经网络群尝试解决神经网络的一次性学习问题,具有动态知识增殖学习能力和更强的错误自修复能力及系统适应灵活性.仿真结果表明,这一方法能够更精确地实现函数逼近和城市交通流自适应动态预测,适用于需要不断快速动态学习的复杂系统.(本文来源于《交通运输系统工程与信息》期刊2013年03期）
谷悦,唐巍,屈瑞谦[6]（2013）在《基于BP神经网络群结构的风电场短期风速预测》一文中研究指出在混沌相空间重构理论的基础上,利用神经网络自学习、自组织和自适应能力,建立神经网络群结构,对短期风速进行组合预测。将相空间重构理论与BP神经网络相结合,作为子网模型,子网由单独BP神经网络预测输出,形成总的拟合网络的训练样本,经典的3层BP神经网络作为最终总的拟合神经网络模型。经过实际算例分析,发现采用神经网络群结构进行预测,预测精度与子网单独预测相比有所提高。这表明本文提出的神经网络群结构可以达到各个子网优势互补,提高预测精度的效果。(本文来源于《农村电气化》期刊2013年01期）
梁爽,王从庆[7]（2010）在《一种基于IF模型侧抑制神经网络群的PITS学习算法》一文中研究指出构建了一种基于IF模型的侧抑制神经网络群,用以实现位置定位.采用基于H-H模型简化的IF模型构造神经网络群并基于概率密度分布进行位置定位.在神经网络群学习过程中,运用PITS(progressive interactive training scheme)方法进行参数学习,利用信息中心(IC)储存每次训练的结果,在保证输出收敛的情况下,比较跟踪结果的误差函数给出权值调整公式进行自学习.实验结果表明:基于IF模型构建的神经网络群可以实现位置定位.采用H-H模型简化的IF模型提高了学习效率和定位速度;运用PITS算法进行参数学习提高了定位精度.(本文来源于《东南大学学报(自然科学版)》期刊2010年S1期）
王从庆,杜红伟[8]（2008）在《一种基于皮层柱侧抑制机制的神经网络群》一文中研究指出建立了一种基于皮层柱侧抑制机制的神经网络群,模拟大脑皮层柱的神经元点火现象,并利用该神经网络群进行位置跟踪.采用Stein神经元构建神经网络群;将皮层柱的侧抑制机制应用于神经网络群编码、解码,实现神经网络群的负相关点火,并从理论上证明负相关点火的优越性.仿真实验结果表明,皮层柱侧抑制机制的应用大大提高了位置跟踪精度以及系统稳定性.(本文来源于《信息与控制》期刊2008年04期）
刘芳,李人厚,梅时春[9]（2004）在《基于进化规划的神经网络群的设计方法》一文中研究指出提出一种基于进化规划的神经网络群的自动设计方法.该方法不仅使得神经网络群中的个体网络倾向于完成不同的子任务,同时各神经网络个体在进化过程中不断寻找最好的协作关系,而且神经网络群的规模和结构不需预先设定.仿真试验表明,该算法是有效的.(本文来源于《控制与决策》期刊2004年08期）
宋锐,张静,夏胜平,郁文贤[10]（2001）在《一种基于BP神经网络群的自适应分类方法及其应用》一文中研究指出本文针对基于BP神经网络的分类系统 ,提出了神经网络群的概念 ,在此基础上给出了一种系统自适应增长算法 ,使得在新的目标类型加入时系统结构能够自适应调整 .验证结果表明 ,该算法可以在增加新的目标类型时简化系统结构的调整过程 ,缩短重新训练网络所需要的时间 ,从而有效地提高网络的训练效率(本文来源于《电子学报》期刊2001年S1期）
神经网络群论文开题报告
（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：
通过建立改进的4层神经网络群,以历史负荷电流作为样本进行训练,实现对于未来负荷电流的预测。针对传统BP神经网络易收敛到局部极值的问题,引入了动态调整的动量因子。为增强对于随月份动态变化较剧烈的负荷的预测能力,提出了BP网络群结构。数据模拟结果说明该算法具有高精确性,可有效估算出下一阶段线路电流负荷变化趋势值,并且预测速度满足实际使用要求。该模型可以用于监测重点单位用电负荷变化情况,及早提示供电单位采取相应措施,促进智能电网建设。
（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。
神经网络群论文参考文献
[1].沈晴.面向交通拥堵预测大数据的神经网络群组快速学习[D].北京科技大学.2017
[2].田野.基于动量因子的神经网络群电流负荷预测模型[J].电力系统保护与控制.2016
[3].马亮,杨萍萍,高建宇.基于动态云—量子神经网络群的配电网实时故障定位方法[J].工矿自动化.2014
[4].白牧可,唐巍,张璐,丛鹏伟.基于BP神经网络群的中压配电网电压降落估算[J].电力系统保护与控制.2014
[5].吕进,赵祥模,樊海玮,旺乃姆.基于生长自组织神经网络群的交通流预测[J].交通运输系统工程与信息.2013
[6].谷悦,唐巍,屈瑞谦.基于BP神经网络群结构的风电场短期风速预测[J].农村电气化.2013
[7].梁爽,王从庆.一种基于IF模型侧抑制神经网络群的PITS学习算法[J].东南大学学报(自然科学版).2010
[8].王从庆,杜红伟.一种基于皮层柱侧抑制机制的神经网络群[J].信息与控制.2008
[9].刘芳,李人厚,梅时春.基于进化规划的神经网络群的设计方法[J].控制与决策.2004
[10].宋锐,张静,夏胜平,郁文贤.一种基于BP神经网络群的自适应分类方法及其应用[J].电子学报.2001
论文知识图
