基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

基于AFSA-BPNN的MRVM模型非线性融合建模

针对化工过程强非线性和多工况的特性,提出了一种基于BP神经网络(BPNN)有效非线性融合多关联向量机(MRVM)的建模方法.首先选择不同的核函数,采用样本数据建立单一RVM子模型;然后利用BPNN的强非线性拟合能力,对各子模型的预测信息进行非线性融合,并采用人工鱼群算法(AFSA)对BPNN的初始权重和阈值进行优化;最终建立MRVM非线性融合模型.将该建模方法应用于甲醇制烯烃生产过程(MTO)乙烯收率预测研究中,研究结果表明:与单一RVM模型和最优加权组合模型相比,基于MRVM的非线性融合模型具有更佳的预测精度.     

基于SVM的瓦斯涌出量非线性组合预测方法

为了提高矿井瓦斯涌出量的预测精度,提出了一种基于支持向量机(SVM)的瓦斯涌出量非线性组合预测方法.该方法应用结构化风险最小化准则且具有在全局意义上逼近任意非线性函数特性的SVM,建立了一个多输入单输出的瓦斯涌出量非线性组合预测模型,通过样本学习和平均绝对百分比误差最小原则确定预测模型的参数,对双曲线回归、指数回归和灰色预测方法得到的3个不同的单项预测数据进行非线性组合作为最终预测结果.结果表明,该方法的平均绝对误差为6.92%,均方根误差为0.93 m3/t,其预测精度明显优于各个单项预测结果,大幅降低了预测风险,为提高瓦斯涌出量预测精度提供了一条新途径.     

基于BP神经网络与多元线性回归的短期燃气负荷预测

影响燃气负荷变化的因素呈现非线性和随机性特征,单一数值算法很难进行精确预测。为了提高燃气负荷预测的准确度,使预测算法具备更好的适应性,提出了一种基于多元线性回归与BP神经网络的短期燃气负荷预测模型。该混合优化算法兼顾了多元线性回归算法的非线性特性和BP神经网络的泛化特性。以宁夏平罗县2011年城市居民燃气用气量为研究算例,应用灰色关联度对燃气负荷及影响因素进行相关性分析,并采用均方根误差及R~2判定系数作为预测模型性能评价方法。通过仿真,验证了所建立模型是可行且有效的。相比单一的多元线性回归方法或BP算法,采用混合算法所建立预测模型具有更好的适应性,预测误差更小。     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

基于灰色相关分析的GRFM倾斜量预测模型

针对时间序列的动态性、相关性、小样本性、非线性等特征,利用灰色模型的小样本适用性和神经网络的预测高精度等性能,提出了一种基于相关分析的灰色神经网络组合预测模型.首先,基于灰色相关理论定量分析了倾斜量与沉降观测指标时间序列之间的相关度;然后,采用GM(1,1)模型对原始序列累加求和,降低各因素原始数据的噪声干扰;利用优化径向基神经网络(Radial Basis Function,RBF)多步拟合训练,其中心点和扩展系数初值采用蚁群算法进行优化.最后,将该模型应用到了砖石古塔的倾斜量预测中,设计了沉降综合指数,通过计算,该指数与倾斜量的灰色相关度为0.789 1,采用该模型对某古塔倾斜量进行了预测,平均相对误差为9.056%.实验结果表明,该模型对小样本、非线性的时间序列预测具有高精度和有效性,为古建筑保护中变形预测提供了理论和实践经验.     

基于联系数的区域水资源承载力诊断指标组合预测研究

为提高区域水资源承载力诊断指标预测结果的精度和稳定性,在建立区域水资源承载力诊断指标预测的BP神经网络、多元线性回归和支持向量机模型(SVM)的基础上,建立了基于联系数的区域水资源承载力诊断指标组合预测模型(CFCN)。通过对区域水资源承载力水量要素能力表征指标的预测分析,结果表明,CFCN的预测平均误差最小(0.27%)、预测精度最高、稳定性最好,CFCN综合了BP神经网络、多元线性回归和支持向量机这3种预测方法的优势,克服了在区域可利用水量预测中BP神经网络外延性差、多元线性回归模型预测精度低、支持向量机拟合效果差的缺点,预测精度较单一的预测模型有显著提高。上述组合预测方法可为区域水资源承载力诊断指标预测提供有效的方法和技术支持。     

灰色BP神经网络在河南煤炭需求预测中的应用

在灰色GM（1,1）模型的基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省煤炭消费总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。实例结果证明该组合模型具有较好的预测精度,预测结果是可信的。     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

A PSO-SVM Model for Short-Term Travel Time Prediction Based on Bluetooth Technology

The accurate prediction of travel time along roadway provides valuable traffic information for travelers and traffic managers. Aiming at short?term travel time forecasting on urban arterials, a predict...     

On the short-term regional prediction of foF2 based on the support vector machine

Ionospheric short-term forecasting is very important to radio communication, navigation and radar systems. In this paper, in order to improve the regional prediction accuracy of ionosphere, a model of regional prediction of the ionospheric F2 layer critical frequency in China area 1 hour in advance is set up based on the support vector machine (Support Vector Machine, referred to as SVM for short) method. In this model, the influence of solar activity, geomagnetic activity, the upper atmosphere, geographical location and other factors on the ionosphere is taken into consideration. Results of this model is compared to Back-Propagation referred to as BP for short the neural network of the same input parameters and the IRI model (International Reference Ionosphere, referred to as IRI for short). The results show that the average relative error of annual prediction of SVM in high solar activity years decreases by 2.5％ and 9.6％, respectively, compared with the neural network and the IRI models and in low solar activity decreases by 1.8％ and 7.5％, respectively. In the low latitude area, the prediction of SVM has more significant advantages over the BP neural network. In the high and low solar activity years it decreases by 3.2％ and 2.7％, respectively. During the storm time SVM also shows a relatively good prediction ability. This proves that the developed model based on SVM in the paper has more advantages over the BP neural network and IRI model.     

PSO-LIBSVM在污水水质建模中的应用

针对间歇式活性污泥法(SBR)复杂非线性等问题,常规神经网络建立的出水水质模型性能精度不高。采用支持向量机建立生化需氧量(BOD)软测量模型,并通过粒子群算法弥补支持向量机模型参数的不足。仿真结果表明,相对于BP神经网络、标准SVM模型,PSO-LIBSVM模型的误差小、精度高,降低了模型的复杂度并提高了其泛化能力,能达到较好的预测效果     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度，针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题，提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力，结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心，进而优化神经网络结构。通过路网真实交通流数据进行训练，选择常用于短时交通流预测的BP神经网络，RBF神经网络，广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于SVM-GA模型的城市天然气长期负荷预测

天然气长期负荷预测能够解决城市燃气供需不平衡的问题,为城市燃气公司的管理运行提供帮助。为了提高天然气长期负荷的预测精度,提出了基于SVM-GA(SupportVectorMachines-GeneticAlgorithm)的天然气长期负荷预测模型。分析确定影响天然气用气量的相关因素,应用遗传算法和交叉验证方法分别对支持向量机模型的惩罚因子c 及核函数参数g 进行优化,以期提高支持向量机模型的预测精度,将优化后的参数输入支持向量机模型中,进行天然气长期负荷预测。以某省实际的样本数据为例,将SVM-GA模型的预测结果与SVM 和交叉验证法结合模型及BP(BackPropagation)神经网络模型的预测结果进行比较分析。结果表明,SVM-GA 预测模型分别比SVM 和交叉验证法结合预测模型和BP神经网络模型在衡量预测精度的相对均方误差、归一化均方误差、归一化绝对平方误差、归一化均方根误差、最大绝对误差五个指标分别高0.58%、3.98%、2.99%、4.58%、8.64%和6.13%、26.28%、19.71%、21.09%、31.48%。因此支持向量机与遗传算法相结合的模型能够较准确地预测天然气长期负荷。     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

构架式空间可展开天线结构优化参数预测模型

为了得到构架式空间可展开天线结构优化中目标函数与设计变量的解析表达式,基于BP神经网络建立一种天线结构优化参数的预测模型．根据天线背架的结构及神经网络的训练原理,构建对优化参数进行预测的网络模型;应用有限元软件ANSYS对优化参数进行数值计算,通过正交试验设计,得到BP神经网络的训练样本;调整传递函数、隐层节点数及训练...