基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量(biochemical oxygen demand,BOD)难以实时准确测量的问题,提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先,使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量;其次,设计一种基于误差校正-敏感度分析的自组织RBF神经网络,使用改进的Levenberg-Marquardt (LM)算法对网络进行训练以提高训练速度;最后将软测量模型应用于UCI公开数据集及实际的污水处理过程,实验结果表明该软测量模型结构紧凑,训练时间相对较短,预测精度有所提高,能够对出水BOD实现快速准确预测。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量（biochemical oxygen demand，BOD）难以实时准确测量的问题，提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先，使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量；其次，设计一种基于误差校正-敏感度分析的自组织RBF神经网络，使用改进的Levenberg-Marquardt（LM）算法对网络进行训练以提高训练速度；最后将软测量模型应用于UCI公开数据集及实际的污水处理过程，实验结果表明该软测量模型结构紧凑，训练时间相对较短，预测精度有所提高，能够对出水BOD实现快速准确预测。     

基于ABC-BP神经网络预测钢筋锈蚀程度

将人工蜂群算法与BP神经网络原理相结合,设计了预测精度更高的ABC-BP神经网络,基于室内加速锈蚀实验所获得相关数据,建立了预测钢筋锈蚀程度的网络模型。利用MATLAB平台进行仿真训练,提取训练完成后的网络权值,研究了综合因素条件下混凝土内钢筋锈蚀程度与多个影响因素之间的关系。结果表明,ABC-BP神经网络较BP神经网络具有更高的预测精度,裂缝宽度对钢筋混凝土锈蚀程度影响较大,因此ABC-BP神经网络可用于预测钢筋混凝土构件锈蚀程度。     

基于人工神经网络的电力负荷预测算法研究

电力负荷数据管理系统是电力营销技术支持系统的组成部分,对电力系统运行有着重要的辅助作用。采用神经网络预测模型．设计输入变量和确定神经网络结构的方法和算法．可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用。预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值。因为电力负荷与环境因素有关,在输入、输出向量设计中输入变量加入天气特征值。根据输入、输出向量对BP网络设计。该算法结构简单,最后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。该模型具有网络结构较小,训练时间短的优点,并考虑不同小时负荷差异,易于实现,具有较高的预测精度．预测误差在15％以下,一定程度上克服传统算法收敛速度慢,容易陷入局部积小的缺点。     

一种简单的BP网络隐层扩展模型及其训练算法研究

为了提高神经网络的预测精度,设计一种动态扩展BP网络隐层的方法,在训练过的BP网络上动态增加一个具有线性激活函数的隐层,用改进的蚁群算法对新增权值进行训练,着重对算法的实现过程及算法分析进行论述.设计了算法改进前后用BP网络对催化剂活性进行预测的对比实验,结果表明,采用该模型及训练算法.可在不影响网络表达能力的基础上提高网络的训练精度及网络的泛化能力.     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

BP神经网络模型在生活污水处理中的模拟应用研究

通过构建并训练BP神经网络预测模型,分别对污水处理厂出水CODCr、NH3-N浓度进行预测,并用实际监测值检验预测精度。预测结果说明,BP网络模型在污水处理厂水质模拟预测方面具有可行性。     

基于优化神经网络的高拱坝力学参数反演

高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。     

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型，模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量，以煤灰流动温度作为输出量，对126组来自中国北部地区的煤灰样数据进行训练与测试，并建立常规BP神经网络模型，研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明：不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力，所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加，虽略微提高模型对训练样本的拟合程度，但也导致验证时过拟合现象的发生，模型对新样本的拟合优度下降。采用SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO和Na₂O+K₂O的质量分数6个参数作为输入变量的GA-BP模型最为适合，其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。     

神经网络在橡胶轻集料混凝土匀质性预测中的应用

基于神经网络原理,建立3层BP网络模型,以预测橡胶轻集料混凝土中的分布状况.根据试验训练样本数据,对该模型进行训练,建立BP网络模型系统.结果表明,基于模型系统的拟合曲线与试验曲线符合较好,为预测橡胶轻集料混凝土匀质性提供了参考.