基于递归神经网络的风暴潮增水预测

风暴潮增水的准确预测能极大地减少人员伤害和经济损失,具有重要的实用价值。传统的风暴潮预报方法主要包括经验和数值预报,很难建立起相对准确的模型。现有的基于机器学习风暴潮预报方法大都只提取出静态数据间的关系,并没有充分挖掘出风暴潮数据背后的时序关联特性。文中提出了一种基于递归神经网络的风暴潮增水预测方法。本文对风暴潮时序数据进行特定的处理,并设计合适结构的递归神经网络,从而完成时序数据的预测。相较于传统的BP神经网络,递归神经网络能更好地应对时序数据的预测问题。将该方法用于潍坊水站的增水预测中,结果表明,相对于BP神经网络,递归神经网络能得到更好的预测结果,误差更小。     

粒子群算法优化的BP网络预测软件质量

预测软件质量的技术中,软件建模技术是软件质量评价体系中的关键技术,它可以发现软件中度量数据和软件质量要素之间的非线性关系。BP神经网络能够很好地模拟度量数据和质量要素之间的非线性关系,但是BP网络存在易于陷入局部极小和收敛速度慢的问题,所以提出了用粒子群算法优化BP神经网络,通过优化的BP网络建立软件质量模型,这样能很好地解决BP网络收敛速度慢和局部极小的问题。在实现该进化BP神经网络的基础上,利用28组数据进行实验,并通过与BP模型的结果的比较,验证了该模型。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

基于灰色BP神经网络模型的煤矿地下水位预测研究

针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型.分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确.     

矿井提升机钢丝绳张力不平衡预测

在阐述了多绳摩擦提升机钢丝绳张力不平衡的危害问题的严重性后,使用Matlab建立新陈代谢模型、BP模型和灰色BP神经网络模型根据200组实测数据,分别对钢丝绳间张力不平衡最大百分值进行预测.通过对预测结果对比,确定灰色BP神经网络预测方式效果较好.2011.07.11     

基于小波神经网络的IP网络流量预测

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对BP神经网络预测准确率不太理想的情况,将小波理论引入BP神经网络,引用小波理论中多分辨分析技术对基于BP神经网络的模型进行改进,建立了基于小波神经网络的IP网络流量预测模型。该模型利用小波多分辨分析分解信号,再用已分解的信号序列来训练BP神经网络。实验结果表明,小波神经网络比BP神经网络对网络流量的预测结果精度更高、性能更好,利用小波神经网络预测网络流量是一种可行、有效的方法。     

基于BP神经网络的水质预测方法的研究

为了建立相应的水质预测和评价管理决策支持系统,在了解和分析一些常规水质模型的基础上,提出了用BP神经网络进行智能建模的方法,并结合东江自动监测站的实测水质数据进行了初步的探索,建立了东江水质预测的BP神经网络模型,并给出了仿真结果。结果表明,BP神经网络模型可以很好地对水质进行预测,解决系统中复杂的非线性关系,具有预测精度高,简便可靠等特点。     

免疫人工鱼群神经网络的经济预测模型

针对BP神经网络在经济预测存在的问题,提出了一种新的经济预测模型──免疫人工鱼群神经网络（IAFSA-NN）。通过免疫人工鱼群算法（IAFSA）训练神经网络,能显著提高网络的学习精度、收敛速度、泛化能力、还能在一定程度上克服BP神经网络的缺陷。以广东省湛江市的经济数据进行建模,给出了IAFSA训练神经网络的基本原理和步骤,构建了一个免疫人工鱼群神经网络的GDP预测模型,并运用MATLAB7.0进行仿真。实证表明,该模型预测结果优于BP网络预测方法,更接近实际数据,IAFSA神经网络用于经济预测是有效可行的。     

改进神经网络模型在光伏发电预测中的应用

针对传统的BP神经网络模型在光伏发电功率预测中,存在着的预测精度不高、收敛速度较慢的弊端,本文提出一种改进型的BP神经网络模型,运用增加动量项以及自适应选取最佳隐含层的方法来改进传统BP模型的缺陷.文中首先进行了各类气象因素对于光伏发电功率输出影响的相关性分析,提取出最能影响光伏发电功率的6个气象因素,作为网络模型的输入,然后建立了改进型的BP网络模型,结合光伏功率输出的历史数据,来进行发电数据的直接预测;最后根据不同气候类型下的预测结果,分析并验证了采用该模型进行功率预测的可行性和有效性.     

改进的BP网络在大坝变形监测资料分析中的应用研究

针对经典BP神经网络运行中存在的缺陷,提出了改进的BP神经网络.应用改进的BP神经网络模型对李家峡拱坝各高程的变形监测数据进行了预测,并将其预测结果与实际测量值进行对比分析.结果表明,改进的BP神经网络模型在数据预测方面取得了很好的效果.     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

基于人工神经网络的混凝土碳化深度研究

介绍了BP神经网络的基本概念与结构,提出了计算和预测混凝土碳化深度的神经网络模型。建立1-3-1单因子(时间)输入向量网络与传统回归分析方法进行比较;建立6-4-1多因子输入向量网络计算及预测混凝土碳化深度。分析结果表明该模型计算和预测精度都能达到工程要求,适合在工程中应用。     

基于灰色BP网络的城市建设用地预测模型

城市建设用地的准确预测是城市合理规划,持续发展的重要保证,建立一种灰色BP网络预测模型,把灰色预测与BP神经网络组合起来,通过历史数据预测城市建设用地量,该模型既考虑了城市建设用地的时序特性,又考虑了它的非线性特性。通过具体的实例研究,对比了单独灰色预测模型与组合预测模型的预测结果,结果显示组合预测的结果与实际有较高的拟合度。     

改进粒子群—BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

基于改进粒子群优化BP网络的城市用水量预测

对城市用水量的科学预测是城市供水管网规划与设计基础,可以给供水系统安排生产与优化调度提供科学依据。由于传统BP神经网络应用于城市用水量预测存在训练收敛速度过慢、预测精度较低等缺陷,本文提出基于改进粒子群优化BP神经网络的城市用水量预测方法。实验结果表明,该方法的训练收敛速度、预测精度明显优于传统BP神经网络、粒子群优化BP网络的方法,可以满足供水系统生产与调度的实际需要。     

BP神经网络在水质参数预测中的应用

介绍了如何使用BP神经网络在已经有大量历史数据的基础上来预测未来的水质参数和如何使用函数来实现BP算法来预测未来水质参数的程序。     

基于QPSO的BP神经网络油田节能指标预测

针对BP神经网络易陷入局部极小问题以及收敛速度慢的问题, 引入量子粒子群优化算法和BP神经网络相结合的方法, 共享BP神经网络强大的灵活性和量子粒子群全局搜索能力强的优势, 通过改进QPSO的平均最优位置的计算方法, 实现基于BP神经网络和量子粒子群的油田节能指标预测. 以大庆某采油厂注水泵机组单耗数据为训练数据, 预测结果表明该方法能达到良好的预测效果, 具有可行性.     

基于改进BP神经网络私家车保有量的预测研究

根据某地区1996年-2007年连续12年私家车的保有量,提出了一种改进的BP神经网络的私家车保有量的预测模型,以人均国内生产总值、公交车营运总里程、居民人均可支配收入等10个指标作为网络的输入因子,以私家车保有量作为输出因子,利用1996年至2007年的数据进行训练和检验,得到了预测仿真的结果,预测值与实际值的误差比传统的神经网络预测的误差更小,达到了预期的目的.