城市生活需水量预测中智能算法的应用研究

在分析城市用水特点、筛选相关影响因素的基础上建立城市生活需水量预测模型,并研究了模型求解过程中智能算法的应用。采用改进的粒子群优化(PSO)算法对反向传播(BP)神经网络的初始设置进行智能优化,避免了传统BP神经网络模型在训练过程中容易陷入局部极小值的缺点。应用该粒子群优化神经网络(PSO-BP)算法求解需水量预测模型,其实例结果表明,该算法提高了神经网络的训练效率,基于该算法的预测模型具有较理想的可靠性和精度。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

PSO优化BP算法在基坑变形预测中的应用

地铁车站深基坑变形预测是保证地铁车站安全施工的一个重要手段,为了能够更准确更有效的预测地铁车站深基坑变形,采用粒子群优化算法即PSO算法对传统的BP神经网络的权值和阀值进行了优化,同时对该预测模型中的输出样本添加噪声训练,建立了基于粒子群优化BP神经网络的地铁深基坑变形预测算法。以合肥市轨道交通2号线长丰南路站深基坑为工程实例,经计算表明该算法取得了良好的效果,所预测的变形数据具有较高的可信度。     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

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。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。     

基于LMBP神经网络的建筑能耗短期预测

为解决BP神经网络预测速度慢不适于建筑能耗短期预测的问题,采用Levenberg-Marquardt算法改进BP神经网络建立了基于LMBP神经网络的建筑能耗短期预测模型。通过某建筑物1个月的电量,对模型进行训练和测试,结果表明基于LMBP神经网络的预测模型预测速度显著提高,预测精度满足实际需要,适用于建筑能耗短期预测。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

基于遗传神经网络对运行线路绝缘子污秽度的预测

为了实现对输电线路上绝缘子污秽度的预测,提出一种基于遗传算法优化BP神经网络的绝缘子污秽度预测模型。鉴于BP算法在训练神经网络模型时其收敛速度慢、动态特性不够理想等不足,故本文提出利用遗传算法来提高预测的精度。本文不仅以风力、温度、降水量和相对湿度等气象因素作为输入量,同时也综合考虑空气质量指数(AQI)中PM2.5、PM10等环境因素指标作为输入量,以绝缘子盐密(ESDD)和灰密(NSDD)的预测值作为输出量,建立绝缘子污秽度的预测模型。结果表明:优化后的预测模型相较于BP神经网络模型预测更加准确。     

基于数据驱动方法的污水源热泵故障诊断研究

利用反向神经网络(BP)构建污水源热泵机组故障诊断模型,并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。以陕西省某大型污水源热泵集中供暖系统为研究对象,采集2017～2018年冬季供暖期间机组的蒸发器,冷凝器,压缩机的压力、温度等工况数据作为训练测试样本,其神经网络的结构以12种故障特征向量作输入端,4种诊断结果作输出端,隐含层根据kolmogorov定理确定为25个,从而建立故障诊断模型,并分析其性能。实验结果表明:经过PSO优化后的BP神经网络故障诊断模型训练迭代次数降低了24.45%,诊断准确率提高了12%,性能优化显著。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于IPSO-BP混合模型的TBM掘进参数预测

通过TBM上升段数据预测稳定段的掘进参数,可以在每个掘进循环的起始阶段预测出各掘进参数的建议值,辅助进行TBM掘进参数的设置和优化调整。提出一种基于改进粒子群算法优化BP神经网络(Improvedparticle swarm optimization-back propagation,IPSO-BP)的TBM掘进参数预测模型,采用自适应惯性权重对标准PSO算法进行改进,并基于改进PSO算法对BP网络的连接权值和偏置进行优化。基于吉林引松工程TBM3标段802 d的TBM运行数据对训练集和测试集进行划分。选取TBM掘进上升段前30 s的刀盘扭矩、贯入度、刀盘功率、推进速度、总推进力5个掘进参数变化特征(均值和线性拟合斜率),以及岩性、围岩分级和地下水活动情况3个地质参数作为模型的输入,并通过试验法确定模型的3个关键超参数(隐含层节点数、学习率和粒子群种群规模),预测稳定掘进时的推进速度v、总推进力F和刀盘扭矩T。结果表明,所提出的模型对TBM稳定掘进段参数的预测拟合优度均达0.85以上,平均绝对百分误差均小于12.68%,相比于BP模型和PSO-BP模型具有更高的预测精度。     

粒子群优化BP算法在温室农作物所需空气湿度中的应用

人工智能化的推进,精准农业这个时代的代名词已经走进大众的视野。针对农作物不同生长时期对于空气湿度的不同需求,提出了粒子群算法优化的BP神经网络关于农作物空气湿度的预测研究算法。选择BP算法网络拓扑结构为2-5-1,改进PSO算法惯性权值,提出非线性惯性权值递减策略■,用改进的PSO算法训练BP算法,具有不使用梯度信息、跳出局部极值、降低算法的迭代次数和加快神经网络的训练速度等优势。根据MATLAB仿真的实验结果,提出的训练算法相对误差最低为0.013 4。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

一种基于t分布变异粒子群神经网络的路基沉降预测模型

针对已有的路基沉降预测模型精度较低的问题,在BP神经网络及粒子群算法的基础上,提出一种自适应t分布粒子群BP神经网络预测模型,提高路基沉降预测精度。     

基于PSO-BP神经网络盾构掘进参数预测研究

以珠海某城际铁路盾构隧道施工建设为背景,结合已采集的盾构施工数据,采用粒子群优化算法对BP神经网络算法中的连接权值和阈值进行优化,建立了PSO-BP神经网络盾构掘进参数预测模型,并对建立的模型和预测结果进行验证,为后续复合地层盾构掘进参数的选取提供一定参考。