改进梯度下降BP算法在地下水位预测中的应用

本文给出了BP神经网络预测模型的原理,分析了标准BP算法缺陷,通过改变学习率和增加动量项改进BP算法。用改进的算法预测某地地下水位,并对训练过程进行优化,实验结果表明,改进的BP神经网络能有效地提高地下水位预测的速度和精度,比标准BP算法预测性能有较大改善。     

综合改进BP神经网络在边坡稳定性预测中的应用

针对标准BP神经网络存在收敛速度慢和易陷入局部最小值的问题,提出用附加动量法和自适应学习速率法来优化BP神经网络,提高其收敛速度;引入具有全局搜索能力的模拟退火算法,克服其容易陷入局部最小值问题。应用综合改进后的BP神经网络对已知的实际边坡进行了预测,并将其预测结果与标准BP神经网络和实际值进行对比分析。结果表明:综合改进后的BP神经网络在边坡稳定性预测具有较好的预测效果,与标准的BP神经网络相比,不仅提高了计算速度,而且较大地提高了预测精度,具有较好的应用前景。     

改进的BP神经网络在路基沉降预测中的应用

针对传统的BP神经网络存在的缺点,提出了用附加动量法、自适应学习速率和L-M优化算法等几种算法进行优化。通过对比分析,证明了采用L-M优化和附加动量因子算法相结合取得了最优的预测效果。该方法克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点。结合现场实测数据,将该优化模型与传统的BP神经网络预测模型对比,预测结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

基于改进BP神经网络的刮板输送机负载预测方法研究

为了对刮板输送机负载进行更有效的监测与控制,建立了基于BP神经网络的电流预测模型,结合自适应学习速率和附加动量法改进标准BP算法中连接权值和阈值的梯度下降更新算法,仿真实验表明平均相对预测误差为1.280 3%,效果良好。在刮板输送机WinCC远程监控平台中实现所述预测功能,结果显示,该系统能够实时预测工作面刮板输送机的运行电流。     

基于BP神经网络的移动机器人路径规划

对BP神经网络算法进行了改进,克服了直接使用神经网络算法进行路径规划的不足之处。仿真表明,设计了附加动量项的BP神经网络,能有效地提高算法的收敛速度。最后在MAT-LAB中给出了在有静止和运动障碍物的动态环境中路径规划仿真结果,结果表明此方法是可行的。     

基于神经网络的中厚板凸度预报

应用改进BP神经网络建立中厚板凸度预报的三层神经网络预报模型，用自适应学习速率法和附加动量法两种改进BP算法结合起来训练神经网络模型。试验仿真结果表明，该模型对测试数据预报结果均在3％之内，精度高，训练速度较快，具有很好的实用性。     

基于改进BP神经网络的孔板应力集中系数预测

在正交试验和无网格法数值计算结果的基础上,针对常用BP算法的不足,采用动量因子与自适应学习速率相结合的改进BP神经网络方法,建立了孔板应力集中系数预测模型。经过计算结果的检验,表明该模型是可行的,对今后孔板应力集中系数预测具有借鉴意义。     

基于改进BP神经网络的彩色图像边缘检测

利用改进的BP神经网络模型导出了一种新的彩色图像边缘检测算法。为了充分利用图像中的颜色信息,在RGB彩色空间中通过欧式距离度量像素之间的差异获得灰度图像;为了降低训练样本的数量,将灰度图像二值化作为导师信号;针对传统的边缘检测算法容易产生边缘断裂、不连续等缺点,文章将动量法与自适应学习速率结合起来对传统的BP神经网络进行了改进。利用该方法对二值图像进行了边缘检测,实验结果表明,该方法对二值图像的边缘检测较传统的检测方法具有更好的效果。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

基于BP网络的露天煤矿生产系统管理评价研究

综合考虑了影响露天煤矿生产系统各方面的复杂因素,采用改进的BP神经网络算法用于生产系统的管理评价,建立了一个评价指标体系,设计了BP神经网络模型,并运用MATLAB软件来进行网络设计和计算。最后,以实例来验证这种方法能够有效克服专家评价的主观因素,得到了合理的结果,能够更好地指导露天煤矿生产。     

基于GA-BP神经网络的毫秒延时爆破振动速度预测研究

基坑爆破开挖产生的振动效应受多种因素综合影响，传统的经验公式预测振动速度难以满足爆破安全需求。因此，如何优化爆破参数，减小爆破振动效应对保证临近既有建筑的安全具有重要意义。基于某基坑工程现场爆破监测所得的400组样本数据，采用遗传算法（GA）优化BP神经网络，对振动速度进行预测，将GA-BP神经网络振动速度预测结果与BP神经网络、萨氏公式的振动速度预测结果进行比较分析。结果表明：BP神经网络的振动速度预测精度显著优于萨氏公式，且经遗传算法优化的BP神经网络振动速度预测精度得到进一步提升。     

基于GA-BP算法的齿轮箱故障诊断研究

为了解决BP算法的缺陷,建立了GA-BP相结合的故障诊断模型。利用GA算法优化BP神经网络权值和阈值,改善故障诊断性能。GA-BP网络对齿轮箱的工作状态进行故障诊断,仿真表明:该算法可以高效、可靠地运用于齿轮箱故障诊断中。     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

基于改进的QPSO-BP算法的锌矿价格行情预测

为了提高锌矿价格预测精度,采用改进的QPSO算法优化BP网络的权值与阈值,将通过优化搜索得到的粒子位置向量解码作为网络的权值与阈值,优化BP神经网络,对锌价格进行建模预测。在输入因子相同的条件下,以PSO-BP与QPSO-BP模型分别预测未来锌矿价格行情,以预测精度(MAPE)和泛化能力指标(ARV)评定两种模型的优劣。结果表明,改进的QPSO-BP模型的预测精度和泛化能力明显高于PSO-BP模型,更能适用于锌价格预测,对项目投资决策和风险评估有一定的参考价值。     

基于遗传算法的模糊神经控制器

模糊神经网络是指利用神经网络结构来实现模糊逻辑推理,用神经网络实现模糊推理是为了融合两者的优点取得更好的推理效果,先用遗传算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明模糊神经控制器比模糊控制器取得了更好的控制效果。