蚂蚁算法在日用水量预测中的应用研究

城市日用水量预测是城市供水管网系统动态模拟的基础和前提,用神经网络对城市日用水量预测的非线性回归组合模型求解的过程中,提出了采用新型的仿生算法——蚂蚁算法来训练神经网络的权值．此方法简化了训练过程,避免了BP算法易陷于局部极值等问题．将经过蚂蚁算法训练的神经网络应用到S．X市日用水量预测模型中,显示了此网络模型具有良好的预测能力,验证了基于蚂蚁算法的神经网络在城市日1用水量的预测中具有有效性和可行性．     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

精车工件表面粗糙度预测系统的开发

开发精车丁件表面粗糙度预测系统．应用模糊自适应BP算法建立一件表面粗糙度与其影响因素之问的关系模型；依据给定的数据样本对模型进行训练，将训练好的网络用于实际的工件表面粗糙度预测；采用VB和MatLab语言相结合的方法开发系统．实现数据采集和神经网络预测功能．实验结果表明．利用该系统进行工件表面的粗糙度预测是切实可行的．     

城市用水量预测的人工神经网络模型

为预测城市用水量，提出了人工神经网络模型，用此模型对某沿海城市用水量进行拟合、预测。通过数据文件的建立及期望输出的选取，能充分体现数据系列的变化规律。实例结果表明，该模型拟合精度高，用于城市用水量预测可行、有效。     

城市用水量BP网络预测模型

城市用水量的预测结果，对于城市规划，供水系统的管理及改扩建有着重要的意义。寻求科学合理的预测模型是保障预测结果准确可靠的关键。针对这一问题，利用人工神经网络理论建立了BP网络预测模型，通过实例证明了该模型是一种行之有效的用水量预测模型。     

城市用水量的综合动态预测建模方法

基于BP神经网络，建立了一种综合时间序列分析和多元分析特点的动态水量预测模型，模型除了将影响用水量的因素作为输入节点之外，还将预报日前2d的用水量作为输入节点，使得模型不但反映了用水量与影响因素的关系，还揭示了用水量时间序列的非线性特性，经生产实践检验，该模型的预测精度达到工程要求。     

城市日用水量预测的神经网络方法

介绍了城市日用水量预测的BP神经网络方法,分析了日用水量的变化规律和影响因素.以每日最高温度、最低温度、晴雨情况、星期及前一日用水量为输入节点,预测日用水量为输出节点,建立了日用水量预测神经网络模型,编制出预测模型的计算机程序.通过实测数据进行了模型检验,对预测结果进行了分析.     

水文时间序列预测的径向基函数网络方法

提出了用多层径各基函数网络（ＭＲＢＦＮ）进行水文进行序列预测的神经网络方法，与通常水文时间序列预测的ＡＲ、ＡＲＭＡ、ＡＲＩＭＡ等模型相比，该方法有较强的非线性处理功能；与多层感知器相比，该方法具有训练时间和全局收敛性的优点。     

联合BP神经网络与基扩展模型的信道预测算法

针对高速移动的多输入多输出正交频分复用系统，提出了一种低复杂度的联合反向传播(BP)神经网络与基扩展模型的时变信道预测算法。为了降低计算复杂度，采用基扩展模型对信道进行建模，并通过对信道基系数进行线下训练与线上预测以获取未来时刻的信道信息。在线下训练中，首先基于历史接收的导频信号获取信道的基系数估计；然后构造训练样本，并将其送入BP神经网络训练中，以获取信道预测网络模型。在线上预测时，基于训练得到网络模型与历史基系数估计，从而获取未来时刻的时域信道。仿真实验结果表明，所提算法的计算复杂度较低，且预测精度较高，适用于未来高速移动环境下时变信道信息的高效获取。     

城市日用水量预测模型比较研究

目的 为保障预测结果准确可靠,建立精度高、可靠性强的城市日用水量模型.方法 应用单指数平滑法、灰色方法与BP神经网络方法,分别建立相应日用水量预测模型,并以哈尔滨市的日用水量数据为原始数据进行了实际预测.结果 单指数平滑法与BP神经网络模型预测精度较高.用灰色模型预测,所得数值呈递减趋势,其预测精度最低.结论 BP网络预测模型是最有效的日用水量预测模型.如果日用水量变化不大,还可采用单指数平滑法预测日用水量.     

基于GA-BP神经网络的柴油机NO_x瞬态排放预测

开发了一种柴油机NOx瞬态排放预测研究的方法,该方法采用BP神经网络进行建模,并加入遗算法优化网络权值弥补BP网络缺陷。模型选取影响NOx排放的控制参数作为输入量。网络训练中采用早停止策略防止训练网络过拟合,保证网络泛化能力。模型总排放预测相对误差为3.63%,尤其对加减速等瞬态变化工况的预测效果更优,相对误差小于3%,可以用于NOx瞬态排放预测,并且模型输入参数多为控制参数,有利于对模型进行深入研究。     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点．本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算．预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络．     

基于模糊C-均值聚类分析与BP网络的短期负荷预测

提出了一种基于模糊C-均值聚类分析与BP（Back-propagation）网络的短期负荷预测方法，通过模糊C-均值聚类分析将历史负荷数据分成若干类，建立相应的BP网络模型，用LM（Levenberg-Marquardt）优化法进行训练，找出与预测日相符的BP网络，预测一天中96点的负荷，实际负荷预测结果表明，该方法具有较好的训练速度和较高的预测精度。     

BP网络的城市时用水量预测组合模型

为建立起城市用水量与其影响因素间的预测模型,以预测的城市用水量趋于合理,针对城市时用水量的特点及影响因素,在考虑充分利用各因素历史观测数据的基础上,利用BP神经网络建立了城市时用水量的时间序列预测与解释性预测组合模型,并对南京市的时用水量进行了预测.预测结果与实际情况具有很好的一致性,预测误差小,能满足供水系统调度的实际需要.可见,本预测组合模型是合理的,为城市时用水量预测提供了一种可行方法.     

开采地面沉陷预测的神经网络方法研究

应用神经系统网络理论，建立了开采地面沉陷的BP神经网络模型，采用开采地面沉陷实测数据对网络进行了训练，以此训练好的BP神经网络模型来描述开采地面沉陷与其影响因素之间的非线性映射关系，并采用测试样本对模型进行了测试，结果表明，网络的预测性能是令人满意的。     

水文时间序列预测的径向基函数网络方法

提出了用多层径向基函数网络（ＭＲＢＦＮ）进行水文时间序列预测的神经网络方法．与通常水文时间序列预测的ＡＲ、ＡＲＭＡ、ＡＲＩＭＡ等模型相比，该方法有较强的非线性处理功能；与多层感知器相比，该方法具有训练时间短和全局收敛性的优点．     

城市日用水量预测的部分线性自回归模型

根据城市用水量影响因素及特点,针对线性回归模型与线性自回归模型误差较大的缺点,建立了城市日用水量的部分线性自回归预测模型,其中线性部分考虑日用水量,非线性部分考虑当天的最高温度,该模型综合了非参数回归模型与线性自回归模型的优点,因此在拟合与预测精度上比线性回归与线性自回归模型有所提高,证明该方法在城市日用水量预测中是有效的.     

人工神经网络中隐含层节点与训练次数的优化

目前构建定量构效关系人工神经网络模型中隐含层节点数和网络训练次数大多是依靠试验方法来确定，针对该方法运算工作量较大、模型质量和预测精度没有保证等问题，通过编写程序获得有关网络的预测精度和百分误差与网络隐含层节点数和训练次数之间关系的大量数据，采用Matlab语言分别绘制预测精度和百分误差与网络隐含层节点数和训练次数之间的三维关系图，从图中可以很容易判断出达到最佳预测精度和最小百分误差的隐含层节点数和训练次数。该方法和技术从根本上提高了选择人工神经网络隐含层节点数和训练次数方法的效率。     

变结构遗传最小二乘支持向量机法预测日用水量

为解决日用水量预测模型的动态参数估计问题,提出了基于变结构遗传最小二乘支持向量机的预测模型.以日用水量的主要影响因素和相关日用水量为输入,利用遗传算法对基于LSSVM的历史日用水量模型参数进行寻优,获得模型结构参数序列;采用扩展卡尔曼滤波器估计基于最小二乘支持向量机的预测日用水量模型参数,进而预测下一日用水量.实例分析表明:提出的模型具有较高的预测精度,预测的最大绝对相对误差仅为9.3%,平均绝对相对误差为2.09%.     

集对分析聚类预测法在区域用水量中的应用

精确预测用水量有利于水资源的规划和管理.本文利用集对分析联系度及聚类思想建立了集对分析聚类预测模型,并应用于山东省用水量预测中.结果表明,山东省2010年用水总量预测的计算值与实际值相对误差为0.67%,采用灰色GM(1,1)模型预测的相对误差为4.95%,采用BP神经网络预测的误差为4.77%.进一步对山东省2011—2013年用水量的年增长率进行预测,相对误差较小.可见,集对分析聚类预测模型精度较高,可用于区域产业用水量的预测研究中.