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。     

分布式计算框架下的大数据机器学习

本文利用多层神经网络使用单层神经网络实现数据集训练,对均方误差和改变迭代时间进行对比。通过试验结果表示,低于最高的均方误差,提高收敛速度。简单来说,所实现多层神经网络能够精准预测数据集。     

基于LSTM-BPNN混合模型的天然气负荷预测研究

准确的天然气负荷预测对燃气公司的生产运营、调度规划和安全供气至关重要。传统的天然气预测模型往往无法充分利用输入特征之间的时序相关性,这限制了它们的预测精度。因此本文提出了一种基于长短期记忆神经网络(LSTM)和反向传播神经网络(BPNN)的混合模型用于天然气负荷预测,其中LSTM用于对输入特征进行重编码,BPNN用于学习重编码特征和用气量之间的映射函数。该方法充分利用了LSTM的时序特征提取能力和BPNN的拟合能力,旨在对用气量进行更准确的预测。本文采用浙江某天然气门站1年用气数据对该方法的性能进行了验证。结果表明,与极端梯度提升树、BPNN和LSTM相比,该方法具有更高的预测精度。     

基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

强夯加固深度预测的神经网络方法研究

拟用神经网络方法对强夯加固深度进行预测。从国内的若干强夯工程实例中,选取了干重度、孔隙比、主夯击能、夯点间距等强夯加固深度的八个影响因素的相关数据,对相应数据按一定方法分类整理,把这些数据输入到一套基于神经网络方法的FORTRAN程序中对其进行训练,最后用该经过训练程序对两项工程进行加固深度预测。预测结果证明了此种方法不仅有效可行,而且具有工程实用价值和应用前景。     

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。     

基于长短期记忆神经网络的空间网格结构损伤预测和评估

以凯威特型(K6)球面网壳为研究对象,研究基于数据驱动的空间网格结构的损伤预测和评估。通过数值模拟得到大气均匀腐蚀作用下结构模态频率的结构健康监测(SHM)模拟数据,基于长短期记忆(LSTM)神经网络,建立了结构损伤预测和评估的深度学习模型。最后,总结了基于LSTM神经网络的空间网格结构损伤预测和评估方法。结果表明:LSTM神经网络可以对SHM数据建立基于数据驱动的深度学习模型,对结构健康状态进行预测和评估。建立的模型在模拟数据上表现良好,具有良好的抗噪性,能很好地拟合SHM模拟数据趋势。利用更新后的数据集重新调整模型,可以达到持续对结构健康状态预测和评估的目的。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

时间序列分析与频谱分析联合用于变形监测分析与预报

变形监测技术和理论在不断地进步和发展,很多优秀的方法被应用到变形监测数据处理方面。本文是基于时间序列法和频谱分析法对沉降观测数据进行处理,主要研究如何使用时间序列法和频谱分析法对变形监测数据进行处理和分析,并对未来短期内的变形趋势进行预测。首先从时序分析法入手,对数据进行处理、分析以及预测;然后再将频谱分析法融入到时序...     

基于BP神经网络的滑坡地质灾害预测方法

为了解决滑坡地质灾害传统预测方法中出现的综合性、实用性不强等问题,本文研究用基于优化参数设置的BP神经网络模型来预测滑坡地质灾害。该方法基于BP神经网络,顾及与滑坡地质灾害产生紧密相关的地质条件和环境因素,对BP神经网络的输入层、隐含层、输出层的参数进行优化;再由历史的经验数据通过训练、泛化建立基于BP神经网络的地质灾害预测模型;最后,按照0和1的组合结果对滑坡地质灾害进行预测。本文利用该模型对汶川地震诱发的滑坡地质灾害进行分析预测,结果表明:该模型的预测结果与实际结果吻合度达到86%~90%,预测精度较高,验证了基于改进的BP神经网络预测滑坡地质灾害的方法是实际可行的。