基于相似数据的人工神经网络短期风速预测模型

提出基于相似数据并结合小波分析的数据预处理模型,并运用基于反向传播(BP)神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本,采用小波分解将风速信号分解成低频趋势信号和高频随机信号,采用BP神经网络建模,合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明,相似数据有效地提高了数据的相关度,小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性,提高了预测精度。     

小波神经网络预测混凝土强度研究

小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络 ,它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题 ,大大简化了训练 ,具有较强的函数学习能力和推广能力及广阔的应用前景。小波神经网络用于混凝土强度预测的结果表明 ,它比传统的BP神经网络的收敛速度快 ,预测精度高     

基于小波神经网络对城市供水管网压力的预测

为了对城市供水管网的压力进行更准确的预测,提出了运用小波神经网络的方法,对供水管网压力进行预测。该方法以BP神经网络为基础,用小波基函数取代了BP神经网络的隐含层函数,并对其进行了优化,并用该方法进行模拟仿真。结果表明,小波神经网络比BP神经网络更能准确预测水压值,最大误差为4.39%,最小误差为0.31%。该方法具有更强的学习性能、精确度及容错能力,在水压预测中有更实用的价值。     

基于小波神经网络技术的基坑水平位移形变预测

基坑形变预测有助于工程建设决策,为提高形变预测的精度,提出将形变时序进行小波分解重构后进行神经网络预测,并用实测数据进行验证。结果表明:与BP神经网络预测相比,小波神经网络能取得更好的预测效果。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

基于SA—BP算法的小波神经网络在喷射器性能预测中应用

以现有的喷射器实验结果数据集作为样本,用三种小波神经网络分别预测喷射器的性能,网络的训练分别采用模拟退火BP算法和BP算法,得出了最适合本模型的小波函数.数值实验结果显示,这种小波神经网络预测喷射器性能的精度能够满足实际工程的要求,而采用模拟退火BP算法比采用BP算法训练的效果略好.     

基于小波神经网络的拦渣坝变形分析研究

本文介绍了小波分析与神经网络有机结合的小波神经网络的基本原理,并将其应用于某大型拦渣坝变形监测实例中,通过将所建立的模型与常规BP神经网络训练和预测结果的比较,可以看出小波神经网络在拦渣坝的变形预测中具有收敛速度快、预测精度高的特点。     

BP与小波神经网络短时交通流预测对比研究

短时交通量预测是实时管理、调度城市交通的基础。采用小波神经网络方法预测短时交通量,给出了小波变换的基本原理,选取母小波为隐含层基函数构建小波神经网络的基本框架。选取南京市某路段为实例,通过对比传统BP神经网络说明小波神经网络的准确性。实验表明,两种神经网络预测方法都具有一定的准确性,小波神经网络优于BP神经网络。     

小波神经网络的改进及在GPS高程拟合中的应用研究

本文首先介绍了GPS拟合和小波神经网络,重点是介绍小波神经网络的改进,及其在GPS高程拟合中的应用,为增强对比性,拟合的结果将与小波神经网络和二次曲面拟合、平面拟合的结果进行对比,证明对小波神经网络改进后收敛速度将加快,能更好地应用到GPS高程拟合。     

基于多分辨BP神经网络的城市日供水量预测模型

鉴于BP神经网络预测城市日供水量的不足,提出了基于多分辨BP神经网络预测模型。通过离散小波变换将日供水量序列的复杂特性转化为不同尺度下的单一特性,并分别进行BP神经网络预测。针对日供水量的混沌特性,对其进行相空间重构,重构后的时间序列为网络输入。应用实例表明,与单一BP神经网络相比,多分辨BP神经网络可更好地反映序列细节和变化特性,具有更高的预测精度,平均绝对百分比误差为1.481%。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。     

BP神经网络拟合高程在长线路工程中的应用

对BP网络神经方法在拟合长路线工程中的应用进行了研究,利用MATLAB编程计算得出BP网络神经拟合厘米级长路线水准面模型,并通过与传统模型二次曲面、Shepard曲面拟合效果的对比分析,得出其拟合精度略优于传统模型,为长路线工程提供了更加有效的解决办法。     

CAST工艺的BP和RBF人工神经网络仿真模型

将误差反向传播前馈(BP)神经网络模型和径向基函数(RBF)神经网络模型应用到CAST工艺中,并采用多输入、双输出神经网络模拟处理过程中各变量之间的关系和预测出水水质.误差分析结果表明,训练阶段RBF神经网络模型的拟合精度比BP神经网络模型的高,但两者的预测精度相差不大;测试阶段BP神经网络模型和RBF神经网络模型预测出水COD的平均相对误差分别为6.35%、6.80%,预测出水TN的平均相对误差分别为7.19%、5.49%,均在8%以下,这说明两种神经网络模型均可用于模拟CAST污水处理工艺各变量之间的关系和预测出水水质,为污水厂的运行管理提供了理论依据.     

基于神经网络的GPS高程转换方法

本文介绍了用神经网络方法转换GPS高程为正常高 ,给出了一种BP神经网络的拓扑结构和算法 ,并与二次多项式曲面拟合方法作了比较分析。经实例验证 ,在较大范围内 ,用神经网络方法转换GPS高程优于二次曲面拟合方法 ,所获得的正常高可满足各种大比例尺测图的精度要求 ,具有一定的实用价值     

BP神经网络在五爱隧道地表变形预测中的应用

针对五爱隧道地表变形预测问题,采用BP神经网络方法利用已有观测点变形数据进行网络训练,结果表明BP神经网络的隐层节点数目对预测精度有较大影响,通过分析得出采用BP人工神经网方法可以较为准确地预测建筑物沉降量,并在一定程度上能够指导施工顺利进行。     

基于GM-BP神经网络的校园建筑能耗预测

针对季节更迭、教学活动等因素对校园公共建筑能耗的影响,通过建立GM-BP神经网络组合预测模型,借助MATLAB软件完成建模和仿真环节,对建筑能耗开展预测分析研究。同时,引入最大相对误差绝对值Emax、平均相对误差Eave和均方根误差RMSE 3个性能指标对各预测模型性能进行评价。结果表明,组合模型较单一的GM(1,1)模型和BP神经网络模型预测精度更高,拟合性能更好。研究成果对能源管理部门制定用能政策及科研院校从事建筑节能研究具有一定的借鉴意义。     

BP神经网络转换GPS高程的若干问题探讨

BP神经网络用于GPS高程转换是近年来应用的一种新的方法,该方法有着较高的精度,在某些情况下,该方法优于二次曲面拟合方法,所获得的正常高可满足各种大比例尺测图的精度要求,具有一定的实用价值。但它仍然存在某些不足之处,如网络的隐含层和隐含层单元个数选取,参加学习的样本的质量如何影响仿真精度等,本文结合实例分析了上述问题,得到了一些有益结论。     

基于遗传神经网络沥青混合料体积指标的预估

介绍了BP、遗传算法（GA）优化BP两种神经网络,并以此分别对沥青混合料的体积指标（VMA和VV）进行预测,实验结果表明,基于遗传算法（GA）优化BP神经网络的沥青混合料体积指标预测方法,能够使网络收敛速度加快并避免局部极小。GA-BP神经网络在收敛速度和预测精度方面均优于BP神经网络,从而为沥青混合料体积指标的预测提供了一种新思路。     

神经网络遗传算法与混合波阻抗反演

神经网络算法可以建立属性参数与预测目标之间的高度非线性映射,遗传算法有选择适者生存的特点,神经网络算法与遗传算法构成的混合波阻抗反演具有精度更高,收敛速度更快的优势。本文简述了BP神经网络算法和遗传算法的基本原理,用理论模型比较了BP人工神经网络、遗传算法与混合波阻抗反演各自的特点,用实际地震资料检验了混合波阻抗反演的实用性。