基于BP神经网络的供水管网压力预测

预测供水管网的压力,对实现优化运行和降低能耗具有重要的意义。供水管网是十分复杂而且非线性的大型系统,目前一般使用微观或者宏观模型对其某点压力进行预测,采用微观建模方法建立的供水管网压力预测模型往往出现数值求解效率低而且不够准确的问题。根据供水网络的特点并利用采集的供水压力数据,建立城市供水网络某点压力的BP神经网络预测模型,预测的结果表明该模型对城市供水网络压力具有良好的预测性。     

基于智能分析的供水管网浊度模拟研究

在分析国内外供水管网水质研究现状的基础上,对管网水的浊度特性及演变规律进行了深入研究,总结了饮用水浊度指标在管网中的变化规律,并据此筛选出对管网水浊度变化影响较大的三方面因素,即流速、水龄、总铁含量.在对主要因素进行连续监测的基础上,运用MATLAB分别构建BP和RBF神经网络模型对管网水浊度进行模拟分析,结果表明模拟值与实测值吻合良好,RBF神经网络的非线性逼近能力更强,预测精度更高.     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。     

基于Elman神经网络的供水管网浊度预测研究

浊度作为反映供水管网水质变化的重要指标,建立水质模型对浊度进行预测有利于指导水质控制措施的实施.为了适应浊度监测数据的动态性,选用Elman神经网络构建浊度预测模型.对数据进行缺失值处理、异常值识别与处理、标准化和重采样后,构建浊度单指标、浊度-余氯多指标和浊度-压力多指标Elman神经网络对供水管网浊度进行预测和评价...     

基于BP神经网络的校园中水用水量预测研究

中水的科学利用可以有效节约水资源,但目前H校园中水供水系统由于运维管理模式依然处于经验调节方式,中水泵站供水能力与实际需水量不平衡,造成中水供水压力不稳定,泵站耗能高,压力过大导致管网漏损等问题。要实现管网优化调配,首要任务是对用水量进行预测,以九号宿舍楼为例,利用BP神经网络构建中水用水量预测模型,经过实例数据验证,证实预测模型具有一定的预测精度,能够达到预期效果,预测数据可以作为约束条件应用于中水供水优化调配研究中。     

基于RBF神经网络的边坡稳定性预测

RBF神经网络具有极强的非线性映射能力,精度高。本文基于RBF神经网络原理,采用自组织选取中心法,建立基于RBF神经网络的边坡稳定性预测模型,并选取大量边坡工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在处理边坡稳定性预测问题中,该方法具有很好的适应性和较高的精度。     

基于遗传算法优化的RBF网络预测瓦斯涌出量

RBF网络待定参数较多,难以确定出最佳值,因此利用RBF神经网络预测瓦斯涌出量具有一定的局限性。本文采用遗传算法优化、简化RBF网络结构及参数,建立GA-RBF预测模型对瓦斯涌出量进行预测。该模型利用遗传算法的选择、变换、变异等运算,再按照优胜劣汰的原则保留网络参数的最优值。仿真实验表明,GA-RBF预测精度优于传统的RBF预测模型,训练速度也有明显提高。     

基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。     

基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。     

多指标供水管网爆管快速定位

以城市供水管网的爆管定位为核心研究内容,进行了供水管网的爆管模拟试验,并建立了爆管检测定位的神经网络模型,运用神经网络对试验数据进行处理,并对虚拟爆管事件进行预测,以试验神经网络的正确性。     

供水管网爆管预测模型

基于北方某城市供水管网GIS数据库,首先对管网爆管基础数据进行分析与分类,并采用Logistic广义线性模型对管网爆管危险率进行预测研究;然后应用建立的供水管网Logistic爆管预测模型进行预测,并结合GIS系统的空间分析功能对模型进行检验。结果表明,当模型判别概率设为0.75时,其预测精度>90%,说明该模型具有较好的拟合效果和较高的预测精度,能够有效地筛选出爆管危险率较大的管道。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

RBF神经网络在燃气负荷预测的应用

介绍RBF神经网络技术,提出一种基于RBF神经网络的燃气月负荷预测模型,实例预测取得了较好效果。探讨了数据归一化参数对负荷预测精度的影响。     

基于GIS与RBF神经网络的水厂原水藻类预测

利用地理信息系统(GIS)对水厂原水水质信息进行管理,将水质信息与水厂的空间信息有机联系,可提高水厂水质管理水平。采用径向基函数(RBF)神经网络对杭州市的4座水厂原水中的藻类含量进行预测,建立藻类含量预测模型,结果表明,RBF神经网络藻类含量预测模型与常用的细胞计数法相结合,可提高藻类含量预测精度,同时采用GIS技术将藻类含量预测结果以空间图形形式显示和输出,更具可视性,可为水厂有效地控藻除藻提供支持。     

城市供水管网漏损时间的预测模型研究

城市供水企业迫切需要加强给水管网的漏损管理，以减少漏损水量和提高经济效益。在对华北某市供水管网漏损数据进行统计和分析的基础上，按照管段实际发生漏损次数分两种情况建立了供水管网漏损时间的预测模型，对漏损次数≤4次的管段采用基于SAS系统的多元线性回归方法，对漏损次数〉4次的管段则采用灰色预测方法。经实例验证，多元线性回归方法预测的平均相对误差为21％，灰色预测方法预测的平均相对误差〈6％，整套模型的精度可满足城市供水管网漏损宏观管理的需要，能够提高管网漏损防治的效率。     

MLP神经网络在供暖室内温度预测的应用

将济南市供热用户作为研究对象,将供热介质流量、供水温度、回水温度、室外温度作为输入参数,利用SPSS MODELER软件建立基于MLP神经网络的室内温度预测模型,对预测模型的构建及预测效果后评价结果进行分析。预测效果验证结果显示,预测室内温度与实测室内温度的平均相对误差为-2. 27%,基本符合要求。     

W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

基于小波神经网络对城市供水管网压力的预测

为了对城市供水管网的压力进行更准确的预测,提出了运用小波神经网络的方法,对供水管网压力进行预测。该方法以BP神经网络为基础,用小波基函数取代了BP神经网络的隐含层函数,并对其进行了优化,并用该方法进行模拟仿真。结果表明,小波神经网络比BP神经网络更能准确预测水压值,最大误差为4.39%,最小误差为0.31%。该方法具有更强的学习性能、精确度及容错能力,在水压预测中有更实用的价值。     

混凝土氯离子扩散系数的RBF神经网络预测模型

提出了一种基于RBF神经网络的氯离子扩散系数预测模型,将RBF网络模型预测的结果与另外三种不同输入的RBF模型、BP网络模型的预测结果以及实测结果进行了对比分析,结果表明,RBF神经网络模型相对其他输入指标体系模型的预测精度有所提高,且能满足工程的需要,可以作为氯离子扩散系数预测的一种新的有效的方法。     

人工神经网络预测供热系统供水温度

建立供热试验系统,试验数据为供水温度、室内温度、室外温度、太阳辐照度,数据采集时间间隔设定为0. 5 h。选取BP神经网络、Elman神经网络,将室内温度、室外温度、太阳辐照度作为输入数据,对供水温度进行预测。选用500组试验数据,对神经网络进行优化训练,确定输入层输入数据组数量以及其他参数。选用50组试验数据,对两种神经网络预测供水温度的准确性进行验证。在2018年2月4日、5日分别进行BP神经网络、Elman神经网络预测能力评价(室内温度设定为16℃)。两种神经网络的输入数据组数量均为7组(即为实现供水温度的预测,除当前时刻试验数据组外,还应输入前6个时刻的数据组)。由BP神经网络、Elman神经网络预测的供水温度与实际供水温度变化趋势基本一致,最大相对误差分别为-5. 66%、4. 32%。由BP神经网络、Elman神经网络预测的供水温度,可以维持室内温度,与设定的室内温度相比,波动范围分别为±1℃、-0. 8～0. 9℃,Elman神经网络的预测能力更强。