基于新陈代谢无偏灰色神经网络的水质预测模型

针对水质参数样本数据少且非线性的特点,建立了新陈代谢无偏GM(1,1)与BP神经网络的组合预测模型,将通过新陈代谢无偏GM(1, 1)模型得到的数据集作为BP神经网络的输入,原始序列作为神经网络的期望输出,训练得到最佳BP神经网络。将该组合模型应用于乐山岷江大桥断面溶解氧浓度的预测,结果表明,相对误差均在3%以下,与传统灰色神经网络水质预测模型相比,该模型具有实时性及预测精度更高的优点。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

基于灰色BP网络的城市生活垃圾日产量预测模型研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的城市生活垃圾日产量预测模型,通过一组历史数据分别对GM模型和灰色BP神经网络模型进行了验证,得到了灰色BP神经网络的预测效果要比单纯的灰色预测模型精度要高的结论,本模型是研究通过少量数据进行预测的一种新方法。     

基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。     

基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测

为预测太湖梅梁湾叶绿素a浓度,建立了基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测模型,即通过灰色关联分析选取总磷、CODMn、水温、pH值、悬浮质为BP神经网络的输入变量,采用人工蜂群(ABC)算法优化网络权值与阈值,构造基于ABC算法优化的BP(ABC-BP)神经网络模型,预测出2014年1月~2015年12月的梅梁湾叶绿素a浓度。结果表明,经ABC算法优化后,BP网络模型预测梅梁湾叶绿素a浓度的最大绝对误差从3.54μg/L减小到1.28μg/L,最大相对误差从41.57%减小到20.62%,平均相对误差从8.83%减小到3.31%,可以提高梅梁湾叶绿素a浓度预测的准确性。     

基于BP神经网络模型的闽江流域地表水(福州段)水质变化趋势预测

为验证BP模型在河流水质预测中的有效性,利用2006~2011年闽江流域(福州段)闽侯竹岐、长乐白岩潭断面的河流水质数据,建立BP神经网络预测模型,从时间上对闽江流域(福州段)的水质进行预测,并用实际监测数据检验预测精度。结果表明,BP神经网络的水质预测模型在闽江流域(福州段)水质预测中有较好的预测精度。     

基于灰色BP神经网络的道路交通事故死亡率预测

建立基于灰色BP神经网络的道路交通事故死亡率预测模型,并为其编制Matlab程序。将该模型与GM(1,1)模型进行比较分析,结果表明灰色BP神经网络能更好地预测道路交通事故死亡率。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

基于DPBIL-SVM混合模型的电力现货市场出清价预测研究

为准确预测现货市场出清价,利用改进的基于种群增量学习的进化算法(DPBIL)对SVM参数进行优化,构建了基于DPBIL-SVM的混合预测模型,将该模型应用于挪威电力市场短期电价预测中,并与灰色GM(1,1)模型和BP人工神经网络模型进行比较。结果表明,所提模型能够将现货市场出清价预测误差控制在5%以下,合格率97%,效果优于灰色GM(1,1)模型和BP人工神经网络模型,符合现货市场实际报价的要求。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

基于随机森林的SCR脱硝系统出口NOx浓度预测研究

基于集成学习中的随机森林(Random forest, RF)算法,利用某燃煤机组SCR脱硝系统历史运行数据,通过计算各特征变量重要性评分选取出最优输入变量集,建立脱硝系统出口NO_x浓度最优的RF预测模型。与常见建模方法进行对比,结果表明:基于RF算法的模型预测精度明显高于BP神经网络和SVM等建模方法,且经最优变量选择后,具有更好的泛化能力和更短的建模时间,能够有效应用于电厂烟气脱硝系统出口NO_x浓度预测中。     

基于GA-BP神经网络的土壤-空气换热器换热量预测分析

文章对位于太原市一个日光温室内的土壤-空气换热器进行夏季工况试验,获得了不同运行工况下换热管内空气的温度和湿度的分布数据。试验结果表明:土壤-空气换热器具有一定的除湿效果;当换热管长度为17.2 m,换热管内空气流速为2 m/s时,土壤-空气换热器潜热换热量占全热换热量的31.37%,且潜热换热量在全热换热量中的占比随着换热管长度的增加而逐渐降低。文章将得到的试验数据分为训练样本和测试样本,同时,分别基于BP神经网络和GA-BP神经网络建立了土壤-空气换热器换热量的预测模型,并对模拟结果进行对比。模拟结果表明:GA算法对BP神经网络具有较好的优化作用;与基于BP神经网络建立的土壤-空气换热器换热量预测模型相比,基于GA-BP神经网络建立的土壤-空气换热器换热量预测模型的预测精度较高,收敛所需的迭代次数也较少。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

热电厂热负荷预测的神经网络模型

提供了一种基于改进的ＢＰ网络－合成ＰＢ网络的热电厂热负荷预测模型,并对网络结构的构造方法及拟合精度进行了讨论,实际预测结果表明,基于合成了ＢＰ网络的预测模型能很好地实现对热电厂热负荷的预测。