智能制造系统采用大量先进的信息技术,为车间实时调度提供技术基础.各类信息技术在生产制造过程中的广泛应用使得制造系统积累了大量与生产调度相关的数据,因此,通过利用历史生产调度数据和智能装备收集到的实时生产数据,建立基于数据驱动的生产实时调度方法成为新型制造环境下实现高效调度的新思路.针对智能制造环境下的混合流水车间实时调度问题,提出基于BP神经网络的数据驱动的实时调度方法,从历史近优的调度方案中提取用于调度知识挖掘的样本数据,通过BP神经网络训练学习获取生产系统状态与调度规则的映射关系网络,并将其应用于生产在线实时调度.数值实验表明,所提出的方法优于固定单一调度规则,在不同的调度性能指标下其效果均稳定且良好.

案例26 粒子群算法的寻优算法-非线性函数极值寻优

胡兆基机器学习课的笔记，非常精彩，利于学习消化理解

针对目前空气质量污染日益严重的问题，提出了一种基于神经网络的环境空气质量的预测方法。借助于Matlab分别建立空气污染指数（API）和环境空气质量指数（AQI）对空气质量影响的数学模型。利用Matlab对各污染物浓度数据进行分析，计算相应的空气污染指数（API）和环境空气质量指数（AQI），对结果进行对比。运用BP人工神经网络的多层神经网络对全市大气污染物浓度的实测值进行训练学习，建立模型。同时结合未来一周西安市天气预报，用此模型对污染物浓度进行预测和预报，以达到对大气环境质量进行预测预警的作用。应用实例表明：人工神经网络应用于大气环境质量预测预警是比较理想的。

用于水质综合评价的人工神经网络可采用具有一个输入层、一个隐含层、一个输出层的三层结构。已证明，三层网络可以实现任一非线性映射功能。据此，采用BP网络构造水质综合评价的人工网络拓补结构。根据水质评价的特点，针对上述BP网络结构，水质评价的训练样本为相应的水质分级标准，即网络输入为相应水质标准中各指标标准值，网络的希望输出为相应标准值组对应的水质等级。

作者：蒋宗礼 出版社：高等教育出版社 PDF

前馈内层互联网络 前馈内层互联网络：外部看还是一个前向网络，内部有很多自组织网络在层内互联着。

人工神经网络理论

数据挖掘在金融上的应用，详细介绍具体实现过程，人工神经网络也是当今较火的内容

Matlab关于人工神经网络在预测中的应用的论文二-基于RBF人工神经网络模型预测棉花耗水量.pdf 四、灰色人工神经网络人口总量预测模型及应用 摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990 年至2004 年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。对2005 年至2007 年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。 关键词：人口总量；灰色系统；BP 人工神经网络；灰色人工神经网络模型 引言： 本文从影响人口增长的诸多因素中筛选出6 个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络（Grey Artificial Neural Network，GANN）预测模型，对每一个指标分别用GM（1，1）模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6 个指标进行非线性组合得到人口总量的预测结果。该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。 中间内容省略~ 结语： 由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；同时，通过实验证明该方法不但比传统的FCM 算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR 图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。 灰色人工神经网络人口总量预测模型及应用.pdf 五、人工神经网络模型在研究生招生数量预测中的应用 摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。尝试采用人工神经网络模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。 关键词:黑龙江省;研究生招生;预测;人工神经网络模型 引言： 关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。 本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。 中间内容省略~ 结语： 采用人工神经网络模型可以有效的处理黑龙江省研究生数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。 人工神经网络模型在研究生招生数量预测中的应用.pdf 六、基于RBF人工神经网络模型预测棉花耗水量 摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。 关键词：预测；人工神经网络；径向基函数；棉花耗水量 引言： 计算机人工神经网络是20世纪80年