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。     

采用遗传算法的小波神经网络在降雨量预测中的应用

为了提高降雨量预测的精度,提出了一种基于遗传算法(GA)优化小波神经网络(WNN)的降雨量预测方法.依据邯郸市1956—1998年历年的降雨量构造了两类不同的训练样本,分别利用BP神经网络、小波神经网络和遗传小波神经网络(GA-WNN)对7月份的降雨量进行了预测.仿真结果表明,遗传小波神经网络克服了BP算法容易陷入局部最优的缺点,提高了预测精度,为降雨量预测提供了一种新方法.     

基于BP神经网络和遗传算法的软基参数反演与沉降预测

以九江绕城高速公路桩网复合地基加固软基试验段为工程背景,利用智能反演方法、正交试验设计和有限元数值方法相结合,对软基土体参数进行反演和工后沉降预测。研究结果表明,采用有限元和正交试验设计方法相结合,可以为BP神经网络和遗传算法参数反演模型提供大量的训练样本,能够确保参数反演精度;工程应用证明,BP神经网络和遗传算法与ADINA有限元程序相结合对软基工后沉降进行计算和预测是可行的,BP神经网络反演方法计算的软基沉降最大误差为5.26%,遗传算法计算的软基沉降最大误差为3.1%,因此,遗传算法在桩网复合地基软基沉降预测中具有更高的预测精度。     

考虑小样本统计的BP神经网络配电系统可靠性预测方法

传统服务于系统规划的可靠性分析方法,由于多基于逻辑推理或统计分析,需要以足量‘故障停电’事件匀质样本为建模保障,在面对配电系统结构动态变化以及稀少数据环境时,难以对指标进行精确估计。在此背景下,提出一种考虑小样本统计的BP神经网络配电系统可靠性指标预测方法。为保证神经网络训练样本的充足性,并保留小样本自身的统计规律,该文提出并比较Bootstrap和核密度拉丁超立方采样2种小样本增广技术,基于扩充后的样本对具有相同结构的神经网络模型进行参数训练,利用所得的神经网络对可靠性指标进行预测的精度作为选择合适扩充技术与神经网络结合的依据。通过预测用户年均停电时间的算例分析表明,利用Bootstrap小样本扩充技术和BP神经网络相结合的方法在小样本统计条件下具有更高的预测精度。     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

神经网络的故障诊断方法研究

为了解决智能诊断应用中BP神经网络收敛速度慢、稳定性差以及精度不高的问题,通过嵌入到设备中的诊断Agent采集到设备各元件工作电压,以此为对象研究基于Elman的神经网络故障诊断方法,使用设备故障信息作为BP神经网络和Elman神经网络的训练样本.结果表明,在相同的神经网络训练样本和测试样本下,BP神经网络的收敛速度比Elman神经网络慢,Elman神经网络比BP神经网络诊断精度有提高.经过对训练过程和仿真结果的分析,验证了基于Elman神经网络的故障诊断方法收敛速度提高了约2倍、精确度提高约1.5倍,满足系统在线故障诊断需求.     

基于信息扩散和BP神经网络的水资源预测

将信息扩散原理和BP神经网络相结合,提出了一种新的水资源预测方法.用因素状态空间上信息扩散的方法对不完备的历史资料进行优化处理,把处理过的结果作为神经网络训练样本的输入和输出因素,并利用BP算法进行网络训练,当计算达到要求的精度后即完成训练.经训练所得的神经网络即可用于水资源预测.结果表明,该方法能较好地解决水资源系统中实测样本少和存在矛盾样本之不足,提高了水资源系统预测的精度和水平.     

基于支持向量回归的VPMCD方法及其在局部放电模式识别中的应用

针对传统VPMCD方法在回归预测过程中存在的缺陷,采用支持向量回归代替原方法中的多项式回归模型,解决了原回归方法对高维小样本数据预测精度差的问题。在基于支持向量回归的VPMCD方法中,首先采集各个不同类型的放电样本,并提取特征向量构成样本集合;其次,通过支持向量回归对训练样本进行训练,建立各放电类型的变量预测模型;然后,利用这些模型对测试样本进行回归预测,得到各样本相应的预测平方和误差;最后,以预测误差平方和最小为依据,识别各放电样本的放电类型。相较于BP神经网络、SVM、传统VPMCD方法,SVR-VPMCD方法具有更好的分类效果。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

电化学刻蚀超疏水表面的多目标优化

为了实现电化学加工参数的优化组合,提出基于神经网络和遗传算法相结合的多目标优化方法。采用人工神经网络和反向传播算法对试验建立了预测模型。根据训练样本和测试样本的误差分析了网络模型的预测精度。采用多目标优化方法非支配排序遗传算法Ⅱ对神经网络模型进行优化。试验结果表明,该模型在预测TA15表面疏水性方面具有较高的适用性和准确性,最佳结果的预测误差率仅为8.029 3%,并预测了一个pareto最优集,可用于电化学刻蚀后表面疏水性的预测和分析。     

BP神经网络预测管道运行费用研究

针对目前管道运行费用预测需要的参数基较多且包含许多时变参数这一问题,讨论了BP神经网络方法在管道运行费用预测上的应用策略,建立了一个1-7-1结构的3层BP网络预测模型.采用改进的BP算法对25组学习样本进行训练,并用训练好的网络模型对5组样本进行测试,预测值误差在±2%以内,完全满足工程实际需要.从而为能源管理部门制定能源消耗定额和计划财务部门预测成本提供了决策依据.     

基于遗传算法优化的BP神经网络的变压器油中气体预测

对变压器的运行状态和潜伏性故障进行有效预测,可避免出现维修不足或过度维修。由于BP神经网络具有对初始值敏感、易陷入局部最小的缺点,因此,其预测精度不高。本文采用遗传算法(GA)优化的BP神经网络对变压器油中气体进行预测和分析,结果表明,所采用的方法可有效提高BP神经网络的预测精度。     

BP网络预测能力仿真与分析

人工神经网络用于预测时有多高的可靠性和精度?是一个还没有得到很好探讨的问题。本文以BP神经网络为对象，从数值仿真和欧氏空间理论的角度，分析了预测样本与训练样本之间的关系对网络预测能力的影响，给出一种预测精度的估计方法。     

BP神经网络预测管道运行费用研究

针对目前管道运行费用预测需要的参数基较多且包含许多时变参数这一问题,讨论了BP神经网络方法在管道运行费用预测上的应用策略,建立了一个1-7-1结构的3层BP网络预测模型。采用改进的BP算法对25组学习样本进行训练,并用训练好的网络模型对5组样本进行测试,预测值误差在±2%以内,完全满足工程实际需要。从而为能源管理部门制定能源消耗定额和计划财务部门预测成本提供了决策依据。     

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.     

基于遗传算法的BP神经网络在轻质路基沉降预测中的应用

为更好地掌握轻质路基施工过程中的沉降变形情况,选取宁芜保通线部分轻质路基沉降监测数据,在BP(back propagation)神经网络模型的基础上,采用遗传算法对其进行优化,并将优化后的模型应用于轻质路基沉降预测。结果表明：遗传算法优化的BP神经网络在全局搜索能力和收敛能力方面具有明显优势;在轻质路基沉降预测任务中,多数预测结果的相对误差集中在更低的范围内,监测点1和监测点2预测结果的模型评价指标MAE、RMSE、MAPE分别为0.017 mm、0.021 mm、0.679%和0.013 mm、0.016 mm、1.395%,预测结果拟合程度高,误差小,模型泛化能力强。因此,遗传算法优化的BP神经网络的沉降预测模型具有可靠的预测效果与预测精度,在实际工程中可行性较高,可作为轻质路基沉降预测和预警的一种辅助手段。     

软土地层盾构掘进参数分析及掘进速度预测

依托佛山地铁3号线逢沙站—创意园站区间隧道工程,通过现场实测数据,详细分析了土压平衡盾构穿越软土地层时盾构掘进参数内在变化规律,并建立了掘进速度预测模型。首先,对盾构掘进参数进行数理统计分析,对各掘进参数的分布进行正态性检验;其次,进行Pearson相关性分析,找出线性相关性较强参数间变化规律;再次,利用基于互信息的特征选择算法,筛选与掘进速度非线性相关性较高的参数变量;最后,分别建立随机森林回归预测模型和基于遗传算法优化BP神经网络预测模型,对掘进速度进行预测。研究结果表明：在软弱地层盾构隧道工程中,通常采用较低的刀盘转速、刀盘扭矩及较高的掘进速度、贯入度、盾构总推力、土仓压力;掘进速度等参数均通过了采用K-S检验法的正态性检验;掘进速度与贯入度存在极强相关性关系;基于遗传算法优化BP神经网络预测模型的预测精度略优于随机森林回归预测模型,随机森林回归预测模型在测试集中的平均绝对误差、均方根误差、拟合优度分别为4.055、5.038、0.871,而基于遗传算法优化BP神经网络预测模型分别为0.822、1.244、0.991。     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

压气机特性的高斯变换多层感知器预测方法

使用BP( back propagation)神经网络进行压气机特性预测时,容易出现外插精度低和系统稳定性差的问题.根据压气机特性图中等转速线线形分布特点,提出一种新型的多层感知器神经网络,利用高斯函数对数据样本进行变换,提取特性图中各条等转速线间的相似度关系.分析结果表明,该神经网络在预测精度、网络稳定性和逼近能力等方面优于BP神经网络.利用该神经网络对某型压气机特性进行预测,结果表明该神经网络对于样本数据内插值和外插值预测都有比较理想的精度.     

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。