BP神经网络预测管道运行费用研究

针对目前管道运行费用预测需要的参数基较多且包含许多时变参数这一问题,讨论了BP神经网络方法在管道运行费用预测上的应用策略,建立了一个1-7-1结构的3层BP网络预测模型。采用改进的BP算法对25组学习样本进行训练,并用训练好的网络模型对5组样本进行测试,预测值误差在±2%以内,完全满足工程实际需要。从而为能源管理部门制定能源消耗定额和计划财务部门预测成本提供了决策依据。     

改进的BP网络在嵌岩桩承载力预测中的应用

本文提出了用改进的BP网络对嵌岩桩承载力进行预测的新方法，并编写了相应的训练程序。实例计算表明，改进的BP网络算法比一般的BP模型结果误差小、收敛快，人工神经网络方法对嵌岩桩承载力的预测行之有效。     

BP神经网络预测管道运行费用研究

针对目前管道运行费用预测需要的参数基较多且包含许多时变参数这一问题,讨论了BP神经网络方法在管道运行费用预测上的应用策略,建立了一个1-7-1结构的3层BP网络预测模型.采用改进的BP算法对25组学习样本进行训练,并用训练好的网络模型对5组样本进行测试,预测值误差在±2%以内,完全满足工程实际需要.从而为能源管理部门制定能源消耗定额和计划财务部门预测成本提供了决策依据.     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

基于改进遗传算法的BP网络在降雨量预测中的应用

提出了一种改进遗传算法(GA)和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的动量BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。仿真实验结果表明,在大庆市2000年到2004年6月降雨量的预测方面,遗传算法与BP算法结合的模型预测误差平均为39.13%,标准BP算法的模型预测误差平均为194.66%。说明GA-BP算法模型预报精度较高,预测能力得到了改进。     

BP网络算法在平面运动测量误差补偿中的应用

在航天对接试验平台开发项目中,针对平面运动物体非接触高精度测量的难点,提出一种针对物体三自由度平面运动的创新性测量方法.利用激光测距传感器的并联组合,实现对物体位置和姿态的非接触式测量.以传感器测量值为输入样本,运用BP神经网络算法建立误差模型,通过调整权值因子使建立的网络模型能够拟合出测量误差,从而修正测量的数学模型.基于BP神经网络的误差补偿方法对平面运动物体测量误差的补偿具有明显的效果,能够满足位姿测量的精度要求.     

基于循环神经网络的双目视觉物体6D位姿估计

针对当前物体6D位姿估计任务准确率较低的问题，提出双目数据集制作方法及物体6D位姿估计网络Binocular-RNN.将YCB-Video Dataset中已有图像作为双目相机左摄像头捕获内容，利用Open GL将YCB-Video Dataset中相应三维物体模型进行导入，输入各物体相关参数，由虚拟双目相机右摄像头捕获合成图片.利用单目预测网络分别对双目数据集中左、右图像的几何特征进行提取.经过循环神经网络对几何特征进行融合，并预测物体6D位姿.以模型点平均距离(ADD)、平均最近点距离(ADDS)、平移误差和角度误差作为评价指标,对Binocular-RNN与其他位姿估计方法进行对比.结果表明，在利用单一物体对网络进行训练时，Binocular-RNN的ADD或ADDS指标得分分别为PoseCNN、GDR-Net的2.66、1.15倍.利用基于物理的实时渲染（Real+PBR）方式训练的Binocular-RNN的性能超过基于深度神经网络的迭代6D姿态匹配的方法 (DeepIM).     

改进的BP神经网络在石油测井解释中的应用

通过修正系统误差改进了传统的BP算法,改进后的BP算法具有收敛速度快的特点。在此基础上,利用多种测井解释数据及岩心分析资料作为网络训练样本,通过网络的训练、学习,建立了BP网络孔隙度模型,并利用该模型预测该地区新井的孔隙度值,实验证明用该模型进行孔隙度预测是可行的。     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

基于神经网络的大柔性灵巧手指弯曲角度预测

介绍了一种新型大柔性灵巧手指,该手指弯曲性能好、易于控制但数学建模复杂.基于BP神经网络基本理论,建立预测该手指弯曲角度的BP神经网络模型.通过大柔性灵巧手指弯曲特性实验获得样本数据,借助于MATLAB仿真软件中的神经网络工具箱作为开发平台,将实验样本数据用于BP网络训练.利用训练好的BP网络模型对手指弯曲角度进行预测,预测误差范围控制在3%以内.研究结果表明:这种神经网络模型能够准确预测手指的弯曲角度.     

基于BP神经网络的装备使用维修费用预测

在对装备使用维修费用分析的基础上,利用神经网络理论,建立了时间序列对象的反向传播(back-propagation,BP)预测模型,并应用于装备使用维修费用的预测研究,并通过对某型装备使用维修费用的预测分析,证实了本模型的科学性与正确性。     

基于神经网络的室内热舒适评判模型

为更加科学地建立室内热舒适度评判体系，以某个体对不同热环境4个室内环境主要影响因素(环境温度、风速、相对湿度、平均辐射温度)的热舒适判断作为教师对神经网络的权值进行修正，以MatLab为开发工具，建立了室内热舒适的BP神经网络评判模型，给出了模型的算法．几种不同环境的验证结果表明，该模型的预测结果与此个体的实际判断高度吻合．     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点．本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算．预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络．     

电价与负荷的相关性分析及其在电价预测中的应用

为解决传统电价预测模型需要对周末等电价波动较大预测日单独建模,以及模型不加区分地引入负荷因素影响预测精度的问题,提出了利用电价与负荷的相关系数判定是否将负荷因素引入粒子群-BP神经网络模型的新方法,将相关系数作为输入样本的阈值,判定是否在模型输入样本中引入负荷因素.在电价变化平稳、电价与负荷相关性较弱时,在电价预测模型中不引入负荷因素,解决了粒子群-BP神经网络模型由于非关联输入样本过多而影响学习效率、导致预测精度降低的问题.仿真结果表明,新的预测模型对电价相对平稳和波动较大的预测日预测精度明显提高,可用于电力市场的短期电价预测.     

基于BP神经网络自贡房地产价格走势预测

文章通过分析调查影响自贡房地产市场的主要因素,基于BP神经网络,结合自贡住宅市场的实际情况,建立两类BP神经网络预测模型：基于时间序列的趋势预测模型、基于影响因素的回归预测模型,预测了自贡房地产市场价格走势。模拟预测2010年的结果证明了2011年房价预测的有效性,可为自贡城市建设的可持续发展提供有价值的指导意见。     

基于混沌小波网络的交通流预测算法研究

实时准确的交通流量预测是实现智能交通诱导及控制的前提与关键,也是智能化交通管理的客观需要.结合交通流预测的特点,提出了一种基于小波网络的路段交通流预测方法,把混沌优化算法引入小波网络的拓扑构造,结合提出的相似时段的预测思想,给出了一种基于混沌优化算法的小波网络交通流量预测模型.实验结果表明,引入相似时段的预测思想可以有效提高交通流的预测精度,基于混沌优化算法的小波网络在交通流预测的精度和收敛速度方面明显优于常规BP网络     

基于统计降尺度方法的夏季降水精细化预报

利用1999—2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插值预报相比,能很好地反映出降水的基本分布及局地特征;预报对象为单站降水序列的神经网络模型在以平原、河流为主要地形的区域预报效果较好,预报对象为REOF主成分的神经网络模型则在山地和丘陵地形区域预报效果较好.     

基于IACO-BP算法的洪涝灾害应急物资需求预测

为了提高洪涝灾害应急物资需求预测的准确性,提出了一种改进蚁群优化BP神经网络智能算法.以受灾转移人数为预测对象,选取受灾人口、最大降雨量、洪水等级、降雨等级、受灾范围、房屋倒塌数、降雨时长和预报水平等洪涝灾害指标为研究因素,获得基于IACO-BP算法的受灾转移人数预测模型.结合库存管理知识间接预测洪涝灾害应急物资需求量.结果表明:IACO-BP算法获得预测值的均方误差比BP和PSO-BP算法获得的均方误差分别小93.62%和90.91%;IACO-BP、PSO-BP和BP网络运行时间分别为3、10和33 s;IACO-BP算法具有更高的精度和网络迭代效率.