基于粒子群神经网络的凌汛开河日期预测研究

为了更准确地预测凌汛开河日期,提出用粒子群算法和BP神经网络相结合的粒子群神经网络模型。介绍了模型的设计和算法实现的流程。该模型通过粒子群算法对BP神经网络初始的权值和阈值进行优化,并以黄河内蒙段三湖河口站作为研究实例进行冰凌开河日期预测。结果表明,经粒子群优化后的BP神经网络预测精度比遗传神经网络和单一BP神经网络更高。     

黄河源区河道冰封开河预报研究

研究黄河源区封开河日期的预报模型,对于填补黄河源区凌情研究的空白,进一步了解气候变化对源区径流过程的影响十分重要。根据黄河源区的水文、气象资料,从热力因素、水力因素和河道条件等方面筛选了影响河流凌情演变的主要因子,选用多元线性回归法和人工神经网络法对封河日期和开河日期进行了预测,并对预测结果进行了对比分析,初步建立起具有一定精度的黄河源区河冰封开河预报模型。     

基于人工智能方法的隧道塌方风险预测研究

为了对隧道塌方风险展开研究,整理246起隧道塌方事故案例,通过建立塌方风险评估指标体系,基于人工智能预测方法,分别采用随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型,对塌方风险进行预测。结果表明,随机森林算法、径向基函数神经网络、BP神经网络模型、粒子群算法优化BP神经网络模型的塌方预测准确率分别为81.67%、83.33%、86.67%、93.33%,F₁值分别为0.645、0.642、0.5、0.833。粒子群算法优化BP神经网络模型预测准确率和F₁值均大幅提高,预测效果最好,大大减少了评估结果的主观性,为隧道塌方风险研究提供了新的研究思路。     

改进粒子群神经网络在变形预测中的应用研究

为更好地对变形体未来的形变量进行预测,研究粒子群BP神经网络模型,并对该模型进行改进,建立改进粒子群BP神经网络模型,结合工程实例,进行对比分析。研究表明,粒子群BP神经网络模型的拟合和预测精度均高于传统BP神经网络模型;改进后的粒子群BP神经网络模型进一步提高了拟合和预测精度,且随着改进方法的不断深入,其预测精度也逐渐提高;改进后的粒子群BP神经网络模型可以更好地对变形进行预测,优势显著。     

模糊优选神经网络BP模型在黄河内蒙段封开河预报中的应用

黄河内蒙段地处黄河流域最北端,由于它特殊的地理位置、水文气象条件、河道特性,几乎年年发生凌汛。在分析凌汛成因影响因素的基础上,选取合适的预报因子,基于模糊优选神经网络BP模型,对黄河内蒙段封河、开河日期进行样本训练和预报方案验证。预报结果表明,模糊优选神经网络冰凌预报模型计算简便,精度良好。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

黄河宁蒙河段封开河日期预报方法研究

采用多元线性回归分析方法建立了基于物理成因概念的三湖河口站封开河日期预报模型,通过相关分析方法初步挑选预报因子,再应用SPSS软件对多元线性回归的预报因子进行了筛选,并对预报模型的精度进行了评定。结果表明:①建立的多元线性回归模型能较好地拟合三湖河口站的封开河日期;②在模型检验过程中,个别年份出现了较大误差,这说明封开河日期不仅与气象因素有关,也和其他因素有关。     

基于AFSA-灰色神经网络模型的大坝裂缝预测

针对灰色神经网络模型的权值和阈值是人工随机初始化的,当对相关问题进行预测时,容易陷入局部最优解,导致预测精确度偏低的问题,采用人工鱼群算法(AFSA)对灰色神经网络的初始参数进行优化,构建AFSA-灰色神经网络预测模型,并利用该模型对某大坝的裂缝开度进行预测。与传统的BP神经网络、灰色神经网络的预测结果对比表明:AFSA-灰色神经网络模型的预测精确度更高,可以对大坝裂缝开度进行预测。     

基于动态微粒群算法的神经网络模型及应用研究

通过对微粒群PSO优化算法惯性因子和加速因子的动态调整,保证PSO算法迭代过程中全局与局部寻优能力的动态平衡,构造了一种更加稳定准确的动态微粒群DPSO优化算法。进而将动态微粒群DPSO优化算法与传统BP神经网络相结合,分别采用动态微粒群DPSO优化算法和自适应BP算法对神经网络权值进行全局优化和局部二次优化,建立基于动态微粒群优化算法的神经网络DPSO-NN预测模型。利用所建立的动态微粒群神经网络模型对渤海某海域年极值冰厚进行训练预测,并将训练预测结果与BP-NN、GA-NN、PSO-NN模型的训练预测结果、以及实际数据进行对比分析,验证DPSO-NN预测模型具有更优的训练稳定性和预测准确性,为冰区海洋平台安全评估提供了更为可靠的环境载荷参量。     

基于粒子群优化BP神经网络的隧道围岩位移反演分析

针对无锡惠山隧道岩体破碎、围岩稳定性差等特点,基于长期现场监测变形位移数据,借助粒子群算法的参数优化功能,利用Matlab神经网络工具箱编制了优化PSO—BP隧道位移反分析系统。PSO—BP系统利用正交试验设计和有限元方法获得学习样本,再通过粒子群算法搜索最优的神经网络模型参数。用BP神经网络模型建立待反参数与实测位移之间的非线性映射关系,最后用粒子群算法从全局空间上搜索最优反演参数。克服了普通智能优化算法收敛速度慢、正分析计算量大等缺陷,具有全局优化特性。将模型应用于惠山隧道Ⅳ级围岩断面ZK6+485的反分析中,计算结果与实测值对比表明采用PSO—BP预测模型进行隧道位移预测是可行的。