基于ELM算法的短时交通流预测研究

针对前馈神经网络(如BP)大多采用梯度速降的方法进行多次迭代,在训练过程存在耗时长,训练速度慢,容易陷入局部极小点等问题,本文根据极限学习机神经网络(extreme learning machine,ELM)算法,对青岛某一路口建立了短时交通流预测模型,同时对采集到的数据用Matlab进行仿真,并与传统的BP神经网络预测结果进行对比分析。分析结果表明,当仿真时间为0.67s时,ELM神经网络算法的最大相对误差为7.45%,平均相对误差为15.95%,均方根误差为28.16,说明采用ELM算法预测的数据和实际数据拟合度更好,并且运算速度更快。因此,本模型相对于传统的BP神经网络具有更好的预测精度和更快的学习能力。该研究适用于市区交通流预测。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

致密储层动态渗透率预测模型

为准确描述致密油藏开发过程中渗透率的动态变化规律.本文首先分析总结致密储层渗透率的3个主要影响——有效应力、温度和含水饱和度,并建立了以有效应力、温度和含水饱和度为输入层,渗透率为输出层,人工蜂群算法优化的BP神经网络渗透率预测模型.利用不同条件下的渗透率数据建立仿真数据样本进行训练,训练结果的最大绝对误差为0.063 47×10-3μm2,最大相对误差为4.382%,平均相对误差1.069%.说明人工蜂群算法优化BP神经网络模型很好的描述致密储层渗透率和各个影响因素之间的内在规律.常规BP神经网络渗透率模型训练结果平均相对误差达10.699%.说明较之常规BP神经网络,改进的BP神经网络预测精度及稳定性均有较大提升.综上,人工蜂群算法优化的BP神经网络模型能较好应用于低渗致密储层渗透率预测.     

基于RBF -BP神经网络融合的医学数据分类研究

为改善传统的反向传播(BP)神经网络和径向基函数(RBF)神经网络的学习能力和分类性能的不足,提出一种融合RBF网络与BP网络的混合神经网络算法(HRBF -BP),并将其应用到医学数据分类问题中.在网络结构的实现上,将RBF隐藏层与BP隐藏层进行级联融合,即在连接BP网络输入层与隐藏层之间加入RBF核映射层; 在学习算法的实现上,先采用k-均值聚类算法来实现RBF核参数的估计,然后再使用基于随机梯度下降的BP算法实现级联BP网络的权值优化.将该算法与SGBP、KMRB、PFRBF等算法在不同的医学数据集上进行分类实验对比表明,该方法的网络训练精度以及测试精度均优于SGBP、KMRB、PFRBF算法; 因此,该方法对提高BP网络和RBF网络的学习能力和分类性能具有良好的参考价值.     

基于思维进化优化的多源交通数据融合算法

针对交通数据多传感器融合算法精度不足、稳定性差等问题,提出一种基于思维进化算法(MEA)优化的BP神经网络(MEA-BP)融合算法。借助MEA所具有的"趋同"和"异化"操作,在介绍基本原理的基础上,设计了用于优化BP神经网络初始权值和阈值并定向搜寻最优BP神经网络融合模型的融合算法计算步骤。基于所选取的区间速度数据进行实证分析,结果表明:MEA-BP融合算法较BP神经网络算法具有更好的收敛性,在精度和稳定性方面分别提升了9. 38%和31. 44%;时间敏感性分析显示,MEA-BP融合算法也具有良好的可移植性。     

菜单基于神经网络的快速路交通流运行状态可靠性研究

对快速路交通流运行状态可靠性的概念进行了界定,分析了快速路可靠性的影响因素为饱和度、出入口密度、交通需求的波动和相连辅路的交通状况,提出运用神经网络建立快速路可靠度与其影响因素之间的关系.在对不同的输入变量进行归一化处理的基础上,构建了BP神经网络可靠性计算模型.最后通过实例对模型进行了验证,计算结果表明,实际输出与目标输出值的最大相对误差不超过3.5%.     

基于数据融合的日光温室传感器布设

针对北方日光温室内环境监测传感器的布设问题,设计了基于神经网络、分批估计理论与自适应加权平均融合算法的日光温室传感器布设方案.利用11个监测点采集到的温室内西红柿生长环境温度和湿度数据,在运用BP神经网络进行缺失值补全的基础上,结合分批估计理论和自适应加权平均融合算法进行多传感器数据融合.通过对比融合值与原始数据的相对误差,选择最佳传感器数据,以此为基础确定最优传感器布设区域.结果表明,相对于算数平均融合与自适应加权平均融合,基于分批估计的自适应加权平均融合方法可以更合理地反应多传感器数据特征.     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

基于差分进化的BP神经网络在纱线质量预测中的应用

为了提高BP神经网络在纱线质量预测上的精度,采用差分进化算法训练BP神经网络,利用差分进化算法的全局寻优能力优化BP神经网络的权值和阈值,建立了反映纱线质量的重要指标——单纱强度和条干CV%的神经网络预测模型.对真实数据的测试表明该算法效果良好,提高了BP神经网络算法的预测精度,能够为企业的纱线质量预测提供有效支持.     

神经网络预测日径流序列的数据适应性分析

对于不同数据特点的序列神经网络的逼近能力有较大的差异。为了使BP神经网络预测河流日径流的效果有较大改善,分析了S型神经元的训练和数据调整过程,提出了数据对神经网络的主动适应性的表征和判断标准,在提高其平滑度的基础上结合水文数据的结构特点,给出了日径流的非线性变换的几种基本形式。以广西平乐站29年的日径流量为例,通过适当的非线性平滑预处理后用神经网络进行预测,相对误差<10%的天数平均提高47.8%,相对误差<20%的天数平均提高35.6%。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于神经网络融合的目标识别技术研究

采用人工神经网络和数据融合技术设计了一种图像识别分类器.采用单层感知机网络、BP网络、径向基网络对汽车目标的特征数据进行识别,最后分别运用多数投票、平均Bayes、专家委员会三种融合算法把对各网络识别结果进行融合,得出最终判别结果.仿真结果证明了融合分类器用于图像目标识别/分类的有效性和可行性.     

基于nu-SVM的三坐标测量机空间相关动态误差建模

为了建立高精度的三坐标测量机动态误差修正模型,分析了三坐标测量机空间动态误差相关性的特点,介绍了所采用的建模方法支持向量机（nu-SVM）的基本原理和算法。利用双频激光干涉仪建立了MC850移动桥式三坐标测量机的单向动态误差分离装置,分离了不同空间位置下的单向动态误差。分别应用BP神经网络、nu-SVM建模方法和误差数据建立了测量机的空间三维动态误差模型,进行了验证和比较,nu-SVM的建模精度比BP神经网络高。     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.     

一种基于BP网络的流量分类方法

针对传统的网络流量分类方法准确率低、开销大、应用范围受限等问题,提出了一种基于BP网络的流量分类方法。该方法改进了标准的BP网络算法,采用基于Lyapunov函数得到的自适应学习率,并引入遗传算法优化网络的初始连接权值和阈值,使网络避免陷入局部最小,加速了网络收敛过程。实验结果表明,采用改进的BP网络算法来处理网络流量分类问题具有明显的优势：该方法的收敛速度和拟合精度均优于标准BP算法,而且流量分类准确率高于NB算法。     

基于数据挖掘的BP神经网络模型的一种改进算法

数据挖掘方法的人工神经网络是一种新的数学建模方式.传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的提出为处理非线性问韪提供了比较好的方法.针对BP算法的局限性提出了改进的BP网络模型,通过对CSP质量指标的预测结果与传统的BP模型比较,结果表明,改进的BP算法提高了学习效率,网络有较好的泛化能力,而且预测更可靠.     

基于BP神经网络的交通数据序列动态可预测性分析方法

为了进一步改善交通数据序列短时多步预测的效果,提出了交通数据序列动态可预测性分析的思想,在设计了交通数据序列动态可预测性关联数据特征指标的基础上,基于BP神经网络建立了交通数据序列动态可预测性分析方法,运用某城市快速路主线与匝道车辆检测器的实际数据对该方法进行了验证,并与不同固定预测步数条件下的预测效果进行了对比分析.结果表明,所提出的方法能对交通数据序列的可预测性进行在线分析,在保持预测精度的情况下,可最大限度地增加交通数据短时预测的步数.