神经网络模型在水文模拟中的应用研究

针对传统BP神经网络模型存在收敛精度不高,引入小波函数对传统BP神经网络模型节点计算方法进行改进,并将改进的BP神经网络模型用于大洋河水文模拟研究中。研究结果表明:改进的BP神经网络模型可改变传统神经网络模型的收敛精度,在大洋河流域洪水尺度水文模拟中,相比于传统BP神经网络模型,模拟精度得到明显提高。     

基于改进BP神经网络模型的区域农业灌溉用水预测研究

传统BP神经网络模型局部易出现收敛,在模型求解过程,易出现求解不收敛的缺陷.为此引入小波分析函数对传统BP神经网络的节点计算进行改进.并将改进的BP神经网络模型运用于农业灌溉用水预测中,研究结果表明:改进的BP神经网络模型改变了局部易收敛的缺陷,模型求解更为合理.在农业灌溉用水预测精度上也明显好于传统的BP神经网络模型.     

改进的BP神经网络模型在地下水预测中的应用研究

针对传统BP神经网络模型局部较易收敛的缺点,引入小波分析函数对传统BP神经网络模型节点计算进行改进,并将改进的BP神经网络模型在新疆地区地下水预测中进行应用,研究结果表明:改进的BP神经网络模型可解决模型局部较易收敛问题,预测的地下水水位和实测的地下水水位更为接近,预测的地下水水位和实测水位之间的相关性年尺度达到0.85,高于传统BP神经网络模型的预测精度。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

改进的BP神经网络模型在辽宁中部河流水质预测中的应用研究

本文采用改进的BP神经网络模型对辽宁中部某河流水质进行预测。结果表明:改进的BP神经网络模型引入横向和纵向伸缩修正系数对模型梯度函数进行改进,提高传统BP模型收敛和计算精度。在区域河流水质预测精度明显好于传统模型,预测的河流水质总氮指标值相对误差均值明显减少,月尺度过程相关系数有较大提高。     

自适应BP神经网络在边坡稳定性预测中的应用

边坡工程是一个动态开放、非线性的复杂系统,应用传统的分析方法往往难以确切描述其非线性特性,采用学习率自适应调整和动量法,对BP神经网络存在易陷入局部极小值、收敛速度慢、对神经元个数依赖性大等缺点进行改进,建立了(6-13-2)结构的自适应BP神经网络模型。边坡预测实例表明:自适应BP神经网络的预测精度高于标准BP神经网络;改进后的BP神经网络提高了网络的训练速度,节省了时间,提高了计算精度。     

基于改进BP神经网络的海堤渗压监测模型研究

针对传统BP算法存在的收敛速度慢、易陷入局部极小等缺陷,采用附加动量算法和修正激活函数方法对网络模型进行改进。以BP神经网络为建模工具,将前期潮位因子、降雨因子和时效因子作为输入,多个渗压测点值为输出,建立了海堤渗压多测点监测预报模型。将原始网络模型、改进网络模型的预测值与实际测值进行对比分析表明,改进的BP神经网络模型在海堤渗压监测中具有更快的收敛速度和更优的预测精度。     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于免疫蛙跳算法的小波神经网络的水稻需水量预测

为了避免传统小波神经网络采用基于负梯度方向的BP算法学习训练过程中存在收敛速度慢、易陷入局部最小的缺点,采用改进的免疫蛙跳算法对传统的小波神经网络中各个参数进行优化,提高小波神经网络模型的收敛速度和预测精度,提出了基于改进免疫蛙跳算法优化小波神经网络的预测模型,将该模型应用于水稻需水量的预测中,研究结果表明：该耦合模型优于传统的小波神经网络,对水稻需水量有良好的预测性能。     

基于模糊神经网络和遗传算法的大坝安全监控模型

应用监控模型来监控大坝的工作性态是一条有效途径 ,但由于大坝工作条件复杂 ,影响因素繁多 ,为以精确的数学模型进行描述带来了很大的困难 ,而应采用从定性到定量的综合集成的方法 ,将专家知识、监测数据和各种信息与计算机软硬件技术结合起来 ,把坝工理论和坝工专家的经验结合起来对其进行研究。文中应用模糊神经网络和遗传算法等人工智能技术 ,依据专家的经验确定隶属函数 ,从而建立模糊神经网络预报模型 ,根据专家对实际情况的正确分析 ,对预报结果进行修正 ,达到进一步提高预报精度的目的     

大坝观测数据的模糊神经网络分析

针对某一混凝土重力坝水平位移实测值建立模糊神经网络预报模型，用改进的这传算法对参数进行调整和优化，并用自组织竞争神经网络来优化换糊神经网络结构。计算结果表明，其预报精度优于常规的统计回归模型。     

基于Matlab的土石坝变形分析BP神经网络模型的建立——以哈尔滨西泉眼水库大坝为例

针对传统的数学模型方法的不足,本文通过对BP网络模型的研究,建立改进的BP神经网络预测模型即采用附加动量法和自适应学习效率相结合的BP模型,并使用MATLAB语言编程加以实现。并将该模型应用于哈尔滨西泉眼水库大坝变形监测数据的分析和预测,发现其预报精度较传统模型有较大提高。     

BP神经网络模型应用于大坝原型观测研究

针对传统的多元线性回归方法的不足,提出将BP神经网络模型应用于大坝原型观测数据处理。并介绍了BP神经网络模型的结构和算法,以及训练样本的归一化处理方法;将BP模型应用于黑河金盆水库大坝原型观测,结果表明,其模拟和预测效果均优于多元线性回归模型。     

动态模糊神经网络在大坝变形预报中的应用

针对静态模糊神经网络的局限性,提出了在线动态建模的模糊神经网络方法.当新增样本进入训练集之后,根据新样本对模型的贡献大小,在已有模型的基础上进行动态修正,这样可以减少建模的计算时间.新方法实现了增加样本而矩阵阶数不增加,避免了矩阵求逆运算,理论上可以提高计算效率.实例表明动态模糊神经网络方法是可行的,可实现持久预报,具有较强的适应能力和较高的预报精度,可应用于在线实时变形预报及相关领域.     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

基于自适应模糊神经网络的光储系统优化控制

针对大规模光储电站中出力波动大、跟踪电网调度指令精度差。提出一种新型自适应模糊神经网络的光储系统优化控制策略,将低通滤波和自适应模糊神经网络相结合,在跟踪调度指令的频率波动范围内优化低通滤波参数,对某光储电站大量实测输入—输出数据经过反复试验、筛选和整理得出有代表性的数据。将光储出力与电网调度偏差和混合储能荷电状态的平均值作为模糊神经网络两个输入,得到满足混合储能充放电功率的输出优化功率指标的初始模糊控制,再将训练后的自适应模糊神经网络加入混合储能控制系统在MATLAB/simulink中对光储历史数据进行验证。仿真结果表明,光储电站出力可有效跟踪电网调度指令的同时减小储能充放电时的电压、电流波动,对实际光储出力跟踪调度指令具有现实指导意义。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于遗传算法的Elman神经网络模型在大坝位移预测中的应用

针对大坝位移预测问题的复杂性、时变性和传统预测模型的不足,结合遗传算法(GA)的全局随机搜索能力和Elman神经网络的非线性映射、动态反馈信息和记忆功能的特点,建立了GA-Elman神经网络模型。与Elman神经网络模型相比,GA-Elman神经网络模型在预测大坝变形时具有全局收敛的特点,可以克服Elman神经网络容易陷入局部极小的缺陷。将该模型用于预测某水电站大坝实测变形数据,表明GA-Elman神经网络模型的预测精度高,在大坝位移预测中具备实用性。