基于实测数据的地铁隧道长期沉降预测模型研究

基于上海地铁二号线的实测沉降数据,运用遗传算法(GA)和粒子群算法(PSO)对传统BP神经网络进行了优化,以弥补BP神经网络在网络结构、权值和阈值选择上的随机性以及容易局部收敛等缺陷,据此提出了两种新型隧道长期沉降预测模型,即GA-BP神经网络和PSO-BP神经网络模型;并对比研究了经验曲线、BP神经网络、GA-BP神...     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

基于GA-BP神经网络的输油管道内腐蚀速率预测

针对BP（Back Propagation）算法的神经网络易陷入局部极小的缺点,尝试引入遗传算法（Genetic Algorithm）处理了BP神经网络的权值与阈值,并分别建立了BP和GA-BP两种不同算法的神经网络模型对输油管道腐蚀速率进行预测。对结果进行对比分析发现,GA-BP算法的神经网络预测精度要高于BP网络;GA-BP算法具有高的预测精度,其预测值与实验值相关系数为0.9863,表明该算法模型是合理可靠的。     

不平衡数据下基于PSO-BP算法的输电线路弧垂预测

针对架空输电线路弧垂在计算过程中易受测量数据(温度、风速、档距等参数)影响的问题,提出了基于数据预处理的PSO-BP神经网络弧垂预测模型.对收集数据中部分样本缺失的情况,使用合成少数过采样技术(SMOTE)对不平衡样本进行合成;构建PSO-BP神经网络用于弧垂预测,使用不同工况条件的数据训练网络,实现弧垂预测的目的,并将网络的性能与传统的BP神经网络性能进行对比.实验结果表明,与传统BP神经网络模型相比,本文提出的模型进行弧垂值预测后所得的误差绝对值显著降低.本文提出的模型可以加快训练速度、提高预测精度.     

基于集成深度学习模型的空气质量指数预测

大气污染严重危害居民的出行安全和身体健康,空气质量指数(AQI)是一种用于测量空气质量状况的综合指标,对AQI的预测可以提醒公众空气质量信息,使人们做出更明智的出行决策.通过提前预测空气质量的变化,政府和环保部门可以采取应急措施以减轻空气污染.本文提出基于卷积神经网络和门控循环单元的集成深度学习模型(CNN-GRU)对AQI进行预测.其中,卷积神经网络(CNN)提取污染气体浓度和AQI的时空特征并完成特征映射,门控循环单元(GRU)建模时序关系并高效完成计算.选取2014—2022年北京市和广州市的6种主要污染气体(PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃)日平均质量浓度和AQI进行实例研究,使用CNN-GRU模型对AQI进行预测,与多元宇宙优化的广义回归神经网络模型(MVO-GRNN)、遗传算法优化的BP神经网络模型(GA-BP)对AQI的预测进行对比分析.实验结果表明,本文提出的CNN-GRU模型对AQI的预测误差最小.     

基于改进遗传算法的BP网络在降雨量预测中的应用

提出了一种改进遗传算法(GA)和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的动量BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真实验结果表明,在大庆市2000年到2004年6月降雨量的预测方面,遗传算法与BP算法结合的模型预测误差平均为39.13%,标准BP算法的模型预测误差平均为194.66%。说明GA-BP算法模型预报精度较高,预测能力得到了改进。     

基于优化BP神经网络的TBM性能预测

由于隧道掘进机(tunnel boring machine,TBM)掘进速度与机器参数、岩体参数之间的非线性关系复杂,难以准确预测,为了构建可靠的TBM性能预测模型,分析TBM掘进速度的主要影响因素,提出应用模拟退火算法(SA)和遗传算法(GA)优化BP神经网络的TBM性能预测模型,并使用吉林引松供水工程的TBM数据库对GA-BP模型和SA-BP模型进行训练测试。结果表明,与传统BP神经网络方法相比,优化后的模型预测泛化性更好,且精度明显提高。优化后的BP神经网络能在一定程度上克服易陷入局部最优的缺陷,应用于TBM性能预测具有良好表现。     

基于BAS-BP模型的电缆阻水性评估研究

为准确评估电缆绝缘性能,提出一种基于BAS-BP神经网络的电缆阻水性评估模型。该模型针对不同型号电缆进行浸水试验,选取不同时间测得的各项数据作为评估指标,利用KPCA数据处理后输入模型进行评估,并与BP、GA-BP和PSO-BP三种模型进行对比分析,证明天牛须搜索算法优化BP神经网络对于评估电缆阻水性准确有效。     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

基于电性参数和GA-BP神经网络的砂岩孔渗预测

以地表岩性复杂的四川盆地为采样区,基于神经网络可解决电性参数与储层物性参数之间非 线性映射问题的优势性能,讨论低孔低渗致密储层的砂岩孔渗预测方法。 以密度、电阻率和极化率 等电性参数作为网络模型的输入参数,利用遗传算法(GA)对 BP 神经网络(BPNN)的权值和阈值进 行优化,进而建立并训练 GA-BP 神经网络模型。 与传统的多元回归法相比,GA-BP 神经网络模型 的孔渗预测实验结果更优。     

基于遗传神经网络沥青混合料抗车辙性能研究

动稳定度是评价沥青混合料在规定条件下抵抗塑性流动变形能力的指标,它的大小直观反映了沥青混合料抗车辙能力的强弱。介绍了BP、遗传算法(GA)优化BP两种神经网络,建立了沥青混合料抗车辙性能预估模型,并以此分别对沥青混合料车辙动稳定度进行预测,实验结果表明:基于遗传算法(GA)优化BP神经网络的沥青混合料动稳定度预测方法,能够使网络收敛速度加快并避免局部极小;GA-BP神经网络在收敛速度和预测精度方面均优于BP神经网络。     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于改进的GABP神经网络光伏发电短期出力预测

分析了影响光伏出力的主要因素,选取了太阳辐射量,以及隐含前一日综合气象信息的历史出力数据为关键影响因素,建立了改进的GA-BP神经网络的短期光伏发电功率预测模型.对样本空间进行了合理降维和去噪,并利用遗传算法逐步迭代出优化的初始权值,将得到的最优权值(阈值)赋值给预测网络各层进行学习和预测.仿真结果表明,改进的GA-BP神经网络模型能够剔除冗余的样本数据和优化初始权值,既具备了较快的收敛速度又不易陷入到局部极值中,具有较强的泛化能力,预测精确度大幅提高.     

基于IACO-BP算法的洪涝灾害应急物资需求预测

为了提高洪涝灾害应急物资需求预测的准确性,提出了一种改进蚁群优化BP神经网络智能算法.以受灾转移人数为预测对象,选取受灾人口、最大降雨量、洪水等级、降雨等级、受灾范围、房屋倒塌数、降雨时长和预报水平等洪涝灾害指标为研究因素,获得基于IACO-BP算法的受灾转移人数预测模型.结合库存管理知识间接预测洪涝灾害应急物资需求量.结果表明:IACO-BP算法获得预测值的均方误差比BP和PSO-BP算法获得的均方误差分别小93.62%和90.91%;IACO-BP、PSO-BP和BP网络运行时间分别为3、10和33 s;IACO-BP算法具有更高的精度和网络迭代效率.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于CNN-Attention-BP的降水发生预测研究

在综合分析降水统计预测模型特点的基础上,提出一种基于Attention机制、卷积神经网络(CNN)和BP神经网络的CNN-Attention-BP组合模型,并对1961—2020年不同气候类型的长春站、白城站、延吉站夏季降水进行实证分析.首先,运用卷积神经网络对6—8月20—次日20时降水量、平均气压、平均风速、平均气温和平均相对湿度进行特征学习,利用Attention机制来确定气象影响因素对降水预测的权重;然后,使用BP神经网络进行降水发生预测,选用准确率、交叉熵损失函数和F1-score来综合评价CNN-Attention-BP组合模型的性能.最后,将单一的支持向量机、多层感知机和卷积神经网络模型与组合模型进行比较分析.结果表明,CNN-Attention-BP组合模型具有自主学习和关注更重要信息的特征,能够有效提高吉林省夏季降水发生模型的预测能力,在样本越均衡、降水频率越接近于0.5的站点,预测精度越高,准确率最高可达88.4%.CNN-Attention-BP组合模型的准确率相较于其他单一模型最高可以提高近17个百分点.     

PSO-BP神经网络在MBR工艺中的膜污染预测

针对MBR膜污染因子较为复杂且各因子之间相互交叉,提出基于PSO-BP神经网络的膜污染预测方法.首先用主成分分析法实现输入变量的去维和去相关,简化网络的输入,然后应用粒子群算法优化神经网络的权值和阈值.网络训练时使用的数据是在不同操作条件下,采用孔径为0.038μm的聚醚砜超滤膜处理印染废水溶液时得到的膜通量实验数据,最后用训练好的PSO-BP神经网络对膜通量进行预测.结果表明,与传统BP算法相比,PSO-BP神经网络算法能更快实现收敛,提高运算速度以及膜通量预测的准确度.     

死端微滤牛血清白蛋白溶液膜通量的预测

为实现对不同操作条件(操作压力、料液质量浓度和温度)下的牛血清白蛋白溶液死端微滤膜通量的预测,以训练步数、绝对相对误差和相关系数作为预测的衡量指标,并对所建立的3层BP神经网络和RBF神经网络基本模型的内部参数进行了优化.优化的BP神经网络模型的拓朴结构为3-9-1,学习率为0.05,学习/训练函数为traingdx,隐层到输出层的传递函数为logsig,该网络对牛血清白蛋白(BSA)溶液膜通量预测的平均绝对相对误差为2.37%,相关系数为0.9960;优化的RBF神经网络的网络设计函数为newrbe,散布常数为400,该网络对BSA溶液膜通量预测的平均绝对相对误差为4.83%,相关系数为0.987 0.结果表明,BP神经网络优于RBF神经网络.