小波神经网络在水库流量预测中的应用

针对河南省某水库监测点实测的1991~2013年每月的平均流量样本进行归一化处理作为训练样本,构建了使用Morlet、Mexican hat以及高斯一阶导数小波基函数小波神经网络的预测模型实现对2014年的月平均流量的预测,并通过均方误差(MSE)和平均绝对误差(MAE)两项指标对每种网络的预测结果进行评价,从而选择较好的小波基函数作为小波神经网络的隐含层传递函数。研究表明,采用Morlet小波作为神经网络的隐含层基函数对该水库的月平均流量的预测效果要好于其他两种神经网络。     

基于卷积神经网络的图像大数据识别

针对现有的图像大数据识别方法具有收敛速度慢和识别精度低的问题,提出了一种基于卷积神经网络的图像大数据识别方法。首先,对传统的卷积网络结合改进的软最大化分类器进行分析,设计了卷积-软最大化分类器模型;对该模型中的卷积层、池化层、全连接层以及分类层均进行了描述。为了验证所提方法的优越性,在MNIST数据集上进行仿真,结果表明:与其它类似算法相比,所提的方法具有更低的误识率,在更短的时间内,能达到更低的分类均方误差。     

基于广义回归神经网络的压缩模量预测研究

压缩变形是引起沉降的重要影响因素，其值过大会造成重大地质灾害，压缩模量是其重要指标，预测压缩模量对于预防地质灾害具有重要意义。基于广义回归神经网络的基本原理，以常规土物性指标作为输入向量，以压缩模量(E_S1-2)为输出向量，网络输出结果的最大相对误差和最小相对误差分别为10.73%和0%、均方误差为0.683 1、与真实值吻合度很高，故模型可运用到压缩模量的预测。比较不同光滑因子值下的均方误差，0.9时的均方误差较其他取值小，故在参数设置过程中应该正确选取光滑因子的值。为证明基于广义回归神经网络的预测模型的性能，以均方误差为评价标准与其他算法比较，广义回归神经网络预测模型的均方误差小于其他算法，说明基于广义回归神经网络预测模型性能优于其他算法所构建的预测模型。     

冷却塔出塔水温预测方法的对比分析及应用

针对传统的BP神经网络预测方法存在的缺陷,提出了一种经遗传算法优化的BP神经网络预测方法。基于实测数据,比较分析了焓差法、传统BP神经网络法、优化BP神经网络法3种预测方法,并分析了循环水流量、进塔水温、湿球温度、干球温度对冷却塔出塔水温的影响。结果表明,运用优化BP神经网络法得到的出塔水温均方误差为0.000 787℃~2,平均相对误差为0.079 9%,均方根误差为0.028 069℃,明显小于其他预测方法。使用改进后的预测模型对某公司的开式冷却塔全年运行数据进行分析,发现出塔水温与循环水流量、进塔水温、湿球温度呈正相关关系,与干球温度呈负相关关系。     

模型参数误差对用神经网络进行结构损伤识别的影响

通过理论推导得到了模型参数误差对损伤引起模态参数改变的贡献的表达式,用该式可指导神经网络输入参数的选择和输入向量的构造.理论分析表明,适当地构造输入向量,可以减小模型参数误差对结构损伤识别的影响.在采用BP网络和合适的输入向量后,还用数值模拟的方式对一榀六层框架的损伤识别进行了确定性研究和概率分析,结果表明,用神经网络进行结构损伤识别,受模型参数误差的影响很小,在训练神经网络时,10%的模型参数误差是可以接受的.最后,用一个两层钢框架的实验数据验证了神经网络在有模型误差时的识别能力.     

基于径向基神经网络的变压器故障诊断方法研究

为解决变压器故障诊断难以智能判别问题,提出了一种基于径向基神经网络的变压器故障诊断方法。该方法采用气相色谱检测法,选用高斯函数作为径向基函数,并运用K-means聚类方法求解隐含层节点数据中心初始值,运用伪逆法求解隐含层到输出层权值初始值,运用最小均方误差方法随迭代计算不断自适应更新各个基函数的数据中心及方差、隐含层到输出层权值。仿真结果表明,该方法变压器平均故障诊断准确率为95.6%,并具有较强的容错能力,满足变压器故障诊断要求。     

基于BP神经网络的垃圾飞灰混凝土抗压强度预测模型

采用不同掺量的垃圾飞灰替代水泥制备高性能混凝土,分析垃圾飞灰不同掺量对高性能混凝土抗压强度的影响。在试验数据的基础上,建立以垃圾飞灰取代率、垃圾飞灰、水泥、砂/水泥、水胶比、龄期为因子的三层BP神经网络预测模型,将模型预测值与试验值进行对比,预测误差均在5%以内。结果表明BP神经网络在预测垃圾飞灰混凝土抗压强度上有较高的精度。     

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。     

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明：所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致...     

基于PCA-BP原理预测公路最终沉降量

路基的最终沉降量是公路耐久性评估的重要参数,影响路基最终沉降量的主要因素有空气中软土层厚度、软土压缩模量、硬层厚度、硬层压缩模量、路堤宽高比、路基施工工期、竣工时沉降量。基于以上7个参数,结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的多重共线性和降低输入数据维度的特点,建立了基于PCA-BP神经网络的路基最终沉降量预测模型。以30组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对路基的最终沉降量进行了预测。结果表明:PCA-BP神经网络预测误差低,实现了对路基的最终沉降量的较准确预测,PCA-BP神经网络模型为路基的最终沉降量预测提供了一种科学、可靠的方法。