基于PSO-BP算法的神经网络模型预测策略研究

在非线性模型预测中,往往难以获得精确的非线性数学模型,从而对预测精度造成一定的影响。该文将粒子群算法与BP算法相结合,提出了一种PSO-BP算法,改进了BP算法的不足,并将其应用于神经网络模型预测当中,提高了非线性模型预测的精度。     

基于PSO?BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO?BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO?BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%。     

基于BP神经网络的钻井复杂情况和事故诊断

根据钻井过程中复杂情况和事故发生及处理的特点,基于人工智能BP神经网络算法,构建了BP神经网络的钻井复杂情况与事故诊断模型,对复杂情况与事故的预测更加合理,精度更高。分析了钻井事故状态下工程参数的变化,采用不确定理论建立了基于可信度因子CF的训练样本构建模型。对BP神经网络算法进行了修正,改进了网络适应度及运算精度。实例证明,基于BP神经网络的诊断模型,能够实现钻井复杂情况与事故快速可靠诊断。     

BP和RBF神经网络的地下水位预测结果比较

地下水位的变化是一个复杂的非线性过程,并且地下水位与其影响因素之间存在着复杂的非线性关系。对于处理这类问题神经网络是一种合适的方法。本文对BP和RBF神经网络在地下水位预测中的应用进行比较和研究。通过仿真实例结果显示,BP神经网络和RBF神经网络都能很好的对地下水位进行预测,但是RBF神经网络比BP神经网络的训练速度更快,精度更高,充分体现了RBF神经网络中在地下水位预测中的优越性。     

优化BP神经网络在森林病虫害预测中的应用

将优化BP神经网络应用于森林痛虫害——马尾松毛虫的预测。在马尾松毛虫预测预报中，建立一个根据以往积累的数据，预测下一、二代直至下一年全年的马尾松毛虫有虫面积、发生面积、虫口密度、虫株率的系统。经实测检验，面积预测平均误差为6．86％，虫口密度预测平均误差为10．93％，虫株率预测平均误差为10．13％，说明该系统具有较高的可靠性，可应用于实际预测。     

基于BP-MC模型的大型机电设备备件需求预测研究

针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型．以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。     

强制通风温度传感器辐射误差修正与网站设计

为降低太阳辐射误差,提高测温精准度,设计一款用于地面气象观测的强制通风温度传感器防辐射罩。以太阳辐射强度、风速、下垫面反射率作为影响参数,利用计算流体动力学(CFD)方法计算出不同环境因素下的辐射误差。借助BP神经网络算法拟合仿真结果,得到辐射误差值修正方程。分析训练输出与样本输出,两者的绝对误差仅在[-0.002 5,0.002 5],可见BP神经网络的预测精度达到理想范围。最后设计一个基于B/S结构的查询网站,用户可通过该网站付费下载修正前后的历史温度数据以及历史温度曲线。     

基于人工鱼群神经网络的景观生态规划方法

将改进人工鱼群- BP神经网络混合算法(RAAFSA - BP)应用于景观生态规划方法中,建立了景观生态规划的RAAFSA - BP模型,对城市景观进行规划和评价.结果表明,该算法泛化能力强,预测精度显著提高,为景观格局预测、模拟分析及景观规划提供了一种有效的方法.     

基于BP算法的多层前馈网络在质差建模中的应用

BP神经网络算法可以以任意精度逼近任何非线性函数,且具有并行分布存储、高度鲁棒性与容错能力,适合解决受多重因素交叉影响的复杂的非线性问题。主要提出了一种基于BP神经网络的预测方法,并详细阐述神经算法的基本原理、建模方法以及其在质差预测中的应用。     

基于改进型BP神经网络的电网负荷预测

考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求,使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题,该文使用模拟退火算法对BP神经网络权值训练算法进行优化,提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析,结果表明,所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络,具有更高的收敛精度,同时改进型BP神经网络预测模型的预测误差明显降低,具有较好的工程应用价值。     

土壤压实度的激光图像无损检测方法

为了实现土壤压实度检测,建立了土壤压实度的激光图像测量系统。首先采集土壤激光图像,并采用4邻域平均法对其平滑去噪;其次,采用Canny算法提取出激光图像中的激光光斑;然后选择含水量、激光光斑半径、吸收系数和散射系数作为分类器的输入特征参数;最后,利用反向传播(BP)神经网络预测压实度。实验结果表明,BP神经网络经过11次学习后,达到测量精确度的要求;与环刀法实际测量值相比较,平均绝对和相对误差在2%左右。因此,本文测量系统的检测精确度满足土壤压实度的检测要求。     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。     

基于BP神经网络的电视节目收视率预测模型

电视节目收视率预测是一种典型非线性预测,收视率在短时间内相对稳定。人工神经网络具有良好的容错性、自适应学习能力以及非线性映射能力,采用人工神经网络做收视率预测精度较高。基于BP神经网络建立了预测模型,并采用软件仿真的方式对预测过程以及预测结果进行分析,实验结果表明采用BP神经网络预测电视节目收视率是可行的。     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.     

基于EMD-BP模型的10 kV开关柜温度预测

实施变电站10 kV高压开关柜过热风险预警,对于保障变电站安全运行具有重要意义。因此,提出了一种基于EMD分解和BP神经网络相结合的10 kV高压开关柜温度预测方法。首先利用无线温度传感器收集开关柜产生过热关键位置的温度,其次将测得的原始温度序列分解成不同频率尺度的固有模态分量,再次利用改进BP神经网络模型进行温度预测,最后累加各模态预测值实现温度预测。研究表明,所提EMD-BP温度预测模型相比传统BP模型的预测精度更高,有利于无线温度监测条件下实现10 kV高压开关柜的过热风险预警。     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

微型近红外光谱仪在苹果糖度测量中的应用研究

为了评估微型近红外光谱仪应用于现场水果糖度检测的可行性, 采用粒子群算法结合反向传播(BP)神经网络建立了苹果糖度的无损高精度快速检测方法, 研究了微型近红外光谱仪NIRscan以单波长和阿达玛变换两种测量模式获得的光谱数据, 应用多种不同的数据预处理方法和多元线性回归、偏最小二乘法、粒子群算法(PSO)、BP神经网络等算法建立分析模型。结果表明, 以阿达玛变换工作模式测得的光谱数据更好, 以1阶导数结合Savizky-Golay平滑算法作数据预处理, 应用PSO结合BP神经网络建立的苹果糖度预测模型具有更高的预测精度, 预测相关系数和均方根误差分别为0.9911和0.1502。该微型近红外光谱仪NIRscan用于苹果糖度的现场快速和高精度无损检测具有可行性。     

基于遗传BP神经网络算法的主被动遥感协同反演土壤水分

提出了一种基于遗传神经网络算法的主被动遥感协同反演地表土壤水分的方法.首先,建立一个BP神经网络,并采用遗传算法对BP网络的节点权值进行了优化.然后分别将TM数据(TM3,TM4,TM6)、不同极化和极化比的(VV,VH,VH/VV)ASAR数据作为神经网络的输入,土壤水分含量作为网络的输出,用部分实测数据对网络进行训练并反演得到研究区土壤水分布图.最后,利用地面实测数据分别对遗传神经网络优化算法的有效性和主被动遥感协同反演的效果进行了验证,结果表明,新优化算法是有效可行的,且TM和ASAR协同反演的结果比两者单独反演的结果明显要好,体现了主被动遥感协同反演土壤水分的优势与潜力.     

LIBS结合ANN对不同类型土壤中的Cu的定量检测

不同种类土壤的Cu浓度与其激光诱导击穿光谱(LI BS)强度之间存在不同的规律,本文利用LIBS结合人工神经网络(ANN)对土壤中的Cu进行 了定量分析,以实现不同种类土壤中Cu的定量检测。分别研究了单一类型土壤和3种土壤 类型基体下神经网络的应用情况。结果表明,在单一土壤基体情况下,应用反向传播(BP)神 经网络可以对土壤中 的Cu进行准确的检测,检测误差最大为10.17%;而在3种土壤基体下 ,BP神经网络的预 测准确度降低,检测误差不大于16%,并且线性神经网络对Cu浓度较 高的土壤样品预测准 确度较高,两种方法的检测准确度均高于内标法,BP神经网络能够更准确的描述单一土壤 类型的基体效应。LIBS结合ANN能有效解决土壤间存在的基体效应,LIBS结合ANN能有效解决 土壤间存在的基体效应,实现不同类型土壤中Cu元素的定量检测。