遗传算法优化BP神经网络在大坝扬压力预测中的应用

针对BP神经网络的局部极小和收敛慢等问题,提出了利用遗传算法的选择、交叉和变异操作优化BP神经网络的权值和阈值,将优化后的BP神经网络用于预测大坝扬压力。通过实例应用,将遗传算法优化的BP神经网络与逐步回归、BP神经网络预测相对比,结果表明遗传算法优化的BP神经网络收敛快且预测结果精度高。     

遗传算法优化BP神经网络在求解水文地质参数中的应用

针对BP神经网络算法收敛速度慢、遗传算法搜索速度慢,两者单独求取水文地质参数效果不佳,结合两种算法的优点,采用遗传算法优化的BP神经网络方法求解水文地质参数,提高了运算速度和结果的准确性。以某抽水井为例,对比四种常见方法与本文算法的计算误差,结果显示采用遗传算法优化的BP神经网络方法求解水文地质参数误差最小,求参结果更为可靠。     

一种决策逆问题的研究方法及在防洪规划中的应用

指出了模糊优选BP神经网络模型的缺点，在模糊优选BP神经网络模型的基础上，引入加速遗传算法，提出融入遗传算法的模糊优选神经网络智能决策模型。并将其应用于某流域蓄滞洪区优选决策逆命题的目标权重计算，结果表明，该模型能够明显加快网络的收敛速度，改善网络的全局寻优能力，集成了模糊优选BP神经网络和遗传算法的优点。     

碟式太阳能集热器出口空气温度预测研究

提出使用BP神经网络对碟式太阳能出口介质温度进行预测。为提高BP算法的预测精度,采用遗传算法优化BP神经网络模型,建立基于GABP和实际数据结合的碟式太阳能温度预测模型进行预测,并通过Matlab仿真验证了该预测模型和策略的可行性和有效性。     

基于遗传算法:BP网络的空调水系统优化控制研究

针对BP神经网络收敛速度慢和易于陷入极小值的问题,采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了BP神经网络的计算精度和收敛速度.应用该模型对空调水系统进行了辨识,并以冷水机组和水泵能耗最小为目标进行优化,取得了满意的效果.     

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。     

基于遗传算法的BP神经网络在水利定额编制中的应用

针对BP神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法(GA)优化BP神经网络在水利定额编制中的问题。实例分析表明,优化后模型(GA-BP神经网络)结合了BP神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于BP神经网络,可运用于水利定额编制。     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足,本文提出了一种PCA-GABP神经网络方法预测发动机负荷特性,该方法由主成分分析(PCA)和遗传神经网络(GABP)两部分构成,采用PCA技术减少网络输入变量、精简网络结构、提高学习效率;GABP算法采用局部改进遗传算法优化神经网络权值,并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

基于遗传算法的BP网络在城区埋地燃气管道风险评价中的应用

将遗传算法和Bp神经网络进行融合,优化神经网络的权值和阈值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,并与纯BP神经网络进行了比较.城区埋地燃气管道的实例表明,基于遗传算法的BP神经网络不仅收敛速度快,而且易达到最优解.     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足，本文提出了一种PCA—GABP神经网络方法预测发动机负荷特性，该方法由主成分分析（PCA）和遗传神经网络（GABP）两部分构成，采用PCA技术减少网络输入变量、精简网络结构、提高学习效率；GABP算法采用局部改进遗传算法优化神经网络权值，并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

基于神经遗传的电站锅炉炉渣含碳量软测量技术

针对锅炉炉渣含碳量难以在线实时测量及测量精度低等问题,采用了基于神经网络结合遗传算法的新型软测量模型,通过遗传算法训练BP神经网络权值的方法,实现了对某热电厂220 t/h四角切圆煤粉锅炉炉渣含碳量的软测量。以锅炉实际运行数据为输入值得到的模型输出结果表明,该方法具有较好的软测量效果。     

基于遗传算法优化BP神经网络的管网漏失定位模型研究

针对BP神经网络用于管网漏失定位时易出现收敛速度慢及陷入局部极小值的问题,利用遗传算法对BP神经网络的权值和阈值进行优化,并以A市供水管网为例,选取各个分区的供水管段进行不同程度的漏失模拟,将模拟数据作为训练样本训练遗传算法优化的BP神经网络,得到管网漏失时压力监测点的压力变化率和漏点位置之间的非线性关系,构建基于遗传算法优化BP神经网络的管网漏失定位模型。实例应用结果表明,基于遗传算法优化BP神经网络的管网漏失定位模型的收敛速度和预测精度均优于传统BP神经网络模型,可应用于实际工程。     

基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于BP神经网络与遗传算法风电场超短期风速预测优化研究

风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。     

多逆变器并网光伏系统孤岛检测技术研究

针对当前常用多逆变器并网孤岛检测方法的不足,提出一种基于小波变换与神经网络的孤岛检测方法。该法利用小波变换提取公共耦合点(PCC)处的电压信号与逆变器输出电流信号的特征量,再采用BP神经网络通过模式识别以判断孤岛现象是否发生。Matlab仿真和实验结果表明,该方法能快速检测出孤岛状态,检测盲区小且对电能质量无影响,有较高的准确性和可靠性。     

基于主成分分析法的BP神经网络在气敏传感器阵列检测方法中的应用

模式识别方法在变压器的油色谱数据处理中起着至关重要的作用。采用主成分分析法与BP神经网络相结合的方式对传感器检测的油中气体进行处理,解决了传统的BP神经网络模式识别收敛速度慢且精度不高的问题。之后将基本的BP神经网络分析法与BP神经网络主成分分析法作了对比。结果表明,该方法能有效解决气体传感器的交叉敏感问题,提高了网络的训练速度和气体的检测精度。     

双自适应神经网络和快速TLS-ESPRIT的谐波检测方法及仿真

针对BP神经网络应用于谐波分析时收敛速度慢、初始值选取不当等问题,为实现谐波的准确检测,提出双自适应BP神经网络和快速TLS-ESPRIT(总体最小二乘法—旋转矢量不变技术)相结合的检测方法。该方法利用快速TLS-ESPRIT算法得到频率和信号源个数,将频率作为BP神经网络的初始值,信号源数作为中间节点个数,经双自适应BP神经网络得到网络权值,进而完成谐波的幅值和相位检测。仿真试验结果表明,该算法在检测谐波时,检测速度更快,且具有较高的检测精度。     

基于GA-BP的电站锅炉NOx排放特性建模研究

NOx排放模型是电站锅炉实时控制系统的基础。针对普通BP神经网络建模方法收敛速度慢和易陷于局部极值点的问题,提出基于遗传算法（GA）优化BP神经网络的建模方法。通过电站锅炉热态试验获取样本数据,对BP网络隐节点数进行优化后,建立了GA-BP模型。相比BP神经网络模型,该模型训练时间短,拟合误差大大降低。仿真试验表明：GA-BP模型性能得到改善,泛化能力明显提高,能准确预测NOx排放。GA-BP模型可为运行人员提供指导,也可作为电站锅炉实时控制系统的基础模型。     

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。     

基于蚁群灰色组合算法的瓦斯爆炸检测仪研究

瓦斯气体检测仪传感器在实际生产中由于自身构造和环境因素的影响会产生输入、输出非线性问题,针对这一问题,通过蚁群灰色组合模型算法对传统BP网络进行优化。该方法在传统BP算法的基础上,建立了蚁群灰色神经组合算法来调整BP网络权值的新模型。将新模型与传统BP模型进行仿真实验比较,实验结果表明:蚁群灰色神经网络算法可以有效的克服BP算法所存在的缺陷,能够提高瓦斯检测系统的精度及收敛速度。