基于人工神经网络的负荷预报模型

针对基于ＢＰ学习算法存在的问题,提出了变步幅最速下降和共轭梯度的混合算法来训练人工神经网络,并建立负荷预报人工神经网络模型,为了提高预测精度,对预报权值进行在线修正,实例证明,混合算法在全局收敛特性和收敛速度上要好于基本ＢＰ算法,所建立的预报模型能达到令人满意的精度。     

人工神经网络在CAPP定位基面选择中的应用

在分析专家系统和人工神经网络特点的基础上,提出了一种基于人工神经网络的零件定位基面选择方法,分组建立了ＢＰ网络模型,并要根据零件特征提出了网络的输入编码方法,针对ＢＰ网络的特性,在训练中采用了变步长和变精度和方法来加快收敛速度,并给出了实例。     

神经网络在混合电力系统短期预报中的应用

应用ＢＰ型即误差逆传播型人工神经网络对水火混合电力系统中的负荷及水库独立来水进行短期预报,结果表明该方法是有效可行的,对混合电力系统的最优经济调度具有积极作用．     

中厚板精轧机轧制力预报综合模型研究

为提高中厚板精轧机轧制力的预报精度,建立了Sims公式简化式与人工神经网络相结合的轧制力预报综合模型。以3 000 mm中厚板精轧机实测数据为基础,用Sims公式简化式计算轧制力主值,利用MAT-LAB人工神经网络工具箱,建立BP神经网络模型预报轧制力的偏差值,用提前结束的方法来训练网络。模型的综合采用加法和乘法两种方式。结果表明,与单独采用Sims公式简化式相比,综合模型的预报精度提高很多,而且加法网络算法的预报效果比乘法网络算法更好。     

基于神经网络的采场底板分类与顶板来压预报

建立了长壁工作面底板分类及单体液压支柱底座选型的人工神经网络（ＢＰ网络）模型，并通过网络自适应学习与匹配联想，得出了采场底板类别与单体液压支柱底座型式相对主尖的结果。同时，通过邻域相互作用算法与ＢＰ网络耦合，预报采煤工作面顶板来压，网络试验表明，所得结果与实际吻合良好。     

基于遗传BP算法的高斯基函数网络的非线性系统辨识

针对ＢＰ算法收敛速度慢而且可能陷入局部极小值的特点,提出了基于遗传ＢＰ算法的高斯基函数网络的辨识方法,并将它应用于非线性系统进行辨识,仿真实验结果表明该方法比基于传统的ＢＰ算法具有更快的收敛速度和精度。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

地震多参数BP人工神经网络自动识别小断层

依据小断层地震波运动学和动力学特征，提取了时间域互相关系数、极大方差范数及最大振幅值，频率域主频，频带宽度和主频带能量共６个参数．选取２０组学习样本，利用３层ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）人工神经网络模型，采用误差逆传播算法，训练ＢＰ人工神经网络，用训练好的ＢＰ网络自动识别小断层．经实例试算，证明该方法可行，精度高．     

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法,针对实时监测和诊断领域中对收敛速度和精度的较高要求,提出了一种面向诊断的自适应ＢＰ算法,仿真结果表明,该方法既能有效地减小振荡,又能提高收敛的精度和速度。     

四种水质综合评价方法的比较

将人工神经网络技术运用于水质评价,建立了地面水环境质量综合评价的ＢＰ网络模型和Ｈｏｐｆｉｅｌｄ网络模型,并与水质综合评价方法中经典的模糊综合指数法和灰色聚类法进行了比较,结果表明,ＢＰ网络是四种方法中的首选。     

Effective prediction of DEA model by neural network

In this paper,a fast neural network model for the forecasting of effective points by DEA model is proposed,which is based on the SPDS training algorithm.The SPDS training algorithm overcomes the drawbacks of slow convergent speed and partially minimum result for BP algorithm.Its training speed is much faster and its forecasting precision is much better than those of BP algorithm.By numeric examples,it is showed that adopting the neural network model in the forecasting of effective points by DEA model is valid.     

一种快速收敛的BP算法

在常规算法的基础上，提出了一种基于变斜率算法与共轭梯度算法的接力逆向传播算法。通过寻找神经元激活函数的最优斜率集来加速迭代，还充分利用了共轭梯度算法的快速二次收敛的特点。计算表明，该算法收敛速度快、学习精度高。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

蚂蚁算法在日用水量预测中的应用研究

城市日用水量预测是城市供水管网系统动态模拟的基础和前提,用神经网络对城市日用水量预测的非线性回归组合模型求解的过程中,提出了采用新型的仿生算法——蚂蚁算法来训练神经网络的权值．此方法简化了训练过程,避免了BP算法易陷于局部极值等问题．将经过蚂蚁算法训练的神经网络应用到S．X市日用水量预测模型中,显示了此网络模型具有良好的预测能力,验证了基于蚂蚁算法的神经网络在城市日1用水量的预测中具有有效性和可行性．     

Neural network based on adaptive chaotic gradient descending optimization algorithm and its application in matte converting process

An adaptive chaotic gradient descending optimization algorithm for single objective optimization was presented. A local minimum judged by two rules was obtained by an improved mutative-step gradient descending method. A new optimal minimum was obtained to replace the local minimum by mutative-scale chaotic search algo-rithm whose scales are magnified gradually from a small scale in order to escape local minima. The global optimal value was attained by repeatedly iterating. At last, a BP (back-propagation) neural network model for forecasting slag output in matte converting was established. The algorithm was used to train the weights of the BP neural net-work model. The simulation results with a training data set of 400 samples show that the training process can be fin-ished within 300 steps to obtain the global optimal value, and escape local minima effectively. An optimization sys-tem for operation parameters, which includes the forecasting model, is achieved, in which the output of converter increases by 6.0%, and the amount of the treated cool materials rises by 7.8% in the matte converting process.     

采用神经网络与模糊曲线相结合的短期电力负荷预测方法

文章提出了一种神经网络(ANN)与模糊曲线(Fuzzy Curve)有机结合的短期负荷预测方法,该方法采用ANN作为基本负荷预测,再用模糊曲线考虑影响负荷变化的因素(如天气的迅速变化、重大节假日等),对基本负荷预测做出修正,从而得到最终的负荷预测值。同时,针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能。实例表明,该ANN—FC模型实用有效、精度高。     

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。     

改进的BP算法在短期负荷预测中的应用

提出了一种改进的BP神经网络学习算法,并将其应用于短期电力负荷预测中,通过采用基于响应函数输出限幅和自适应调整学习率等措施,来提高神经网络本身的效率和精度,仿真结果验证了改进措施的有效性,取得了满意的预测结果.     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.