基于灰色关联分析-GA-BP模型的叶绿素a含量预测

为提高水体叶绿素a预测精度和收敛速率,提出一种基于灰色关联度分析和遗传算法优化BP神经网络预测水体叶绿素a的方法。即先采用灰色关联度分析法选取合适的水质指标作为输入因子,然后优化网络隐含层的结构参数,引入遗传算法优化BP神经网络的初始权值和阈值,最后以预测太湖叶绿素a为例进行比较分析。结果表明,优化神经网络隐含层数能进一步提高网络的预测精度、缩短训练时间;灰色关联分析-GA-BP模型相较于BP、GA-BP模型具有更高的预测精度和收敛速度,可为控制水环境监测和决策平台提供科学依据。     

基于主成分分析的神经网络在需水预测中的应用

需水量预测是水资源规划与管理的重要内容,建立高精度的需水量预测模型,可为区域水资源规划提供技术支撑。以南昌市为例,利用2005~2015年的实际用水量数据,对南昌市16个用水总量影响因子进行主成分分析,以提取的主成分作为BP神经网络的输入样本,建立BP神经网络需水预测模型。结果表明,经过主成分分析,16个用水量影响因子可用8个主要影响因子代替。建立的BP神经网络模型的需水预测平均相对误差仅为1.37%,预测精度较高,可作为区域需水预测的一种可靠方法。研究成果可为类似区域提供借鉴。     

GA Elman多元变量需水预测模型及其应用

针对传统静态前馈神经网络动态性能差、预测精度不高等问题,以上海市需水预测为例,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman模型,并与GA-BP、Elman、BP需水预测模型做了对比。结果表明,GA-Elman需水预测模型行之有效,预测平均相对误差和最大相对误差分别仅为2.764%和6.578%,优于其他预测模型,具有较好的预测精度和泛化能力。     

基于主成分分析的RBF神经网络在需水预测中的应用

针对需水预测方法大都存在一定的局限性,导致预测值与实际值差别较大的问题,采用主成分分析与径向基函数(RBF)神经网络相结合的方法建立需水量预测模型。首先借助SPSS进行主成分分析,对影响因子进行降维处理,以此减少各影响因子之间原有的多重共线性;其次,选用RBF网络,运用Matlab神经网络工具箱,建立了基于主成分分析的RBF(PCA-RBF)神经网络需水预测模型;并以辽宁西部地区凌源市需水预测为例,对预测模型进行了校核。利用训练好的PCA-RBF神经网络需水预测模型对凌源市2014、2015年的总需水量进行模拟预测,预测结果与实测数据相对误差分别为2.9%、0.4%。这说明该模型可相对全面地模拟需水量变化规律,能够用于半干旱山区和材料相对较少时需水量的精准预测,为水资源规划管理提供了理论依据。     

基于灰色关联度与BP神经网络的清河水库总氮浓度预测模型

为了实现清河水库总氮浓度的预测,建立了基于灰色关联分析的BP神经网络水质预测模型(GRABP),即采用灰色关联度的方法,选取总磷、挥发酚、化学需氧量、pH值、氨氮五项水质指标作为BP神经网络总氮预测模型的输入变量,根据五项最优影响因子与总氮浓度的对应关系,对模型进行了训练,并将训练好的模型应用于2016年8~12月的总氮浓度预测中。结果表明,GRA-BP网络模型较BP网络具有较高的预测精度,预测的相对误差均在5%以内,可为清河水库的水质管理提供科学的指导。     

GA-BP遗传神经网络在地下厂房变形预测中的应用

大型水电站地下厂房多采用分层分区开挖方法,施工期围岩变形受施工程序的影响呈强烈的非线性特点。针对传统回归模型对此类地下厂房围岩变形预测精度较低的问题,考虑了影响围岩变形的主要因素,采用遗传算法优化BP神经网络,结合动态分析法建立了施工期围岩变形预测的GA-BP模型。GA-BP模型在向家坝地下厂房运用结果表明,与回归模型相比,GA-BP预测模型提高了预测结果的精度与稳定性,适合施工现场的监测分析与预测。     

基于灰色关联度分析的山西省PSO-SVR需水量预测模型

为准确进行需水预测,提出一种基于灰色关联度分析的PSO-SVR需水预测模型,该模型运用灰色关联度分析方法筛选出需水的主要影响因子,在此基础上应用粒子群算法优化支持向量回归机(SVR)模型中的参数,并利用此模型预测2015?2017年山西省需水量.结果表明,总需水量相对误差的绝对值分别为0.02％、0.08％、0.03％...     

基于样本扩张灰色关联分析的光伏出力预测

光伏出力准确预测是光伏并网安全运行的重要基础,样本容量增大、计及多影响因素能有效提高光伏出力预测精度。以小时段为单位建立一种基于样本扩张灰色关联分析的光伏发电短期出力预测模型,扩张有限的样本容量,能分析多因素影响。首先分析影响光伏出力的多种因素,通过灰色关联度分析的方法对样本进行分析,得到扩张最优相似小时段样本;通过遗传算法对BP神经网络的权值和阈值进行优化,并对神经网络进行训练;最后进行光伏出力预测。该文所建立的预测模型有效扩张了样本容量,提高了突变天气时预测准确度,有一定应用价值。     

基于MIV分析的GA-BP神经网络光伏短期发电预测

针对光伏发电神经网络预测模型输入变量较多,造成网络预测的稳定度与精确度不高的问题,提出一种基于改进MIV(mean impact value)算法的GA-BP神经网络光伏短期发电预测的方法。此方法结合Spearman相关系数显著性检验与利用欧式距离计算变化因子α改进的MIV分析,得到输入变量(气象因素)与输出变量(光伏发电量)的外部相关程度与内部相关程度,筛选出对输出变量相关程度最大的输入变量,利用优化的神经网络对光伏发电进行短期预测。实验结果表明,该方法的均方误差由BP、GA-BP预测网络的3.7034、1.8552减小到0.6450,提高了预测网络的稳定度与精准度。     

基于BP神经网络的燃煤锅炉内H_2S质量浓度建模预测

基于BP神经网络算法和遗传算法优化的BP神经网络算法(GA-BP算法)建立了燃煤锅炉内H_2S质量浓度的预测模型,以燃烧调整试验得到的数据作为训练样本和测试样本,对所建立的H_2S质量浓度预测模型进行评价。结果表明:基于BP神经网络算法建立的H_2S质量浓度预测模型出现过拟合现象,而基于GA-BP算法建立的H_2S质量浓度预测模型具有较好的逼近能力和泛化能力,可用于锅炉内H_2S质量浓度建模预测,为运行优化和控制燃煤锅炉内H_2S质量浓度奠定了基础。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测

为预测太湖梅梁湾叶绿素a浓度,建立了基于灰色关联和ABC-BP神经网络的叶绿素a浓度预测模型,即通过灰色关联分析选取总磷、CODMn、水温、pH值、悬浮质为BP神经网络的输入变量,采用人工蜂群(ABC)算法优化网络权值与阈值,构造基于ABC算法优化的BP(ABC-BP)神经网络模型,预测出2014年1月~2015年12月的梅梁湾叶绿素a浓度。结果表明,经ABC算法优化后,BP网络模型预测梅梁湾叶绿素a浓度的最大绝对误差从3.54μg/L减小到1.28μg/L,最大相对误差从41.57%减小到20.62%,平均相对误差从8.83%减小到3.31%,可以提高梅梁湾叶绿素a浓度预测的准确性。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

轮古7井区低渗透油藏水锁损害实验评价及预测

针对低渗透油藏易受水锁损害的特点,介绍水锁损害机理,提出水锁损害实验室评价方法。同时,针对水锁损害实验评价既需要代表性的储层岩心,又耗费大量人力物力的缺点,介绍了BP神经网络原理和灰色系统理论,把两者引入水锁损害研究中来,将灰色GM(0,N)预测法和BP神经网络法有机结合,建立一种新的预测模型——灰色-神经网络预测模型,并分析其可行性,用计算机C语言程序实现了上述过程。以塔里木油田轮古7井区15块有代表性的岩心室内水锁损害评价结果为学习样本,另外5块岩心为预测样本,建立了灰色-神经网络水锁损害预测模型。预测结果表明,模型预测结果与实验室实测结果吻合程度较好。并通过与回归分析法、灰色GM(0,N)预测法和神经网络法这三种预测方法进行比较,发现灰色-神经网络水锁损害预测模型效果明显优于其他几种方法。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于BP神经网络的球磨机磨矿浓度的预测分析

对球磨机磨矿过程的能耗进行分析,并利用灰色系统关联度分析法分析影响能耗因数,找出主要影响因数,通过BP神经网络建立球磨机磨矿浓度预测模型对磨矿浓度进行预测,对于降低球磨机能耗、解决冶金企业能耗问题具有一定的指导意义。     

基于遗传算法的BP神经网络在水利定额编制中的应用

针对BP神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法(GA)优化BP神经网络在水利定额编制中的问题。实例分析表明,优化后模型(GA-BP神经网络)结合了BP神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于BP神经网络,可运用于水利定额编制。