基于改进蚁群的BP神经网络WSN数据融合算法

为了保证无线传感器网络（WSN）在深井中能有效地工作,提出了一种改进蚁群的反向传播（BP）神经网络WSN数据融合算法（IFA-IACOBP）.通过规划蚂蚁运动方向和引入节点剩余能量对蚁群算法启发因子进行改进,优化蚂蚁下一跳节点选择概率,利用改进后的蚁群算法对BP神经网络进行优化,引入井下WSN数据融合,数据经两级融合处理后,能去除大部分冗余信息.仿真实验结果表明,IFA-IACOBP算法能有效减少网络数据通信量,提高数据实时性,降低网络能耗,延长网络寿命.     

遗传算法和BP算法相结合进行图像匹配

将神经网络理论应用于图像匹配 ,提出采用遗传学习算法进行全局寻优、利用BP算法进行精确训练、优化BP(backpropagation)神经网络权重学习和训练的神经网络图像匹配算法 .实验表明该算法的收敛性能及学习速度优于传统的BP神经网络图像匹配算法及其他同类改进算法 ,具有寻优的全局性和精确性 .     

基于GA的BP网络模型在水文计算中的应用

分析了BP神经网络的缺陷和遗传算法GA的特点,在对BP网络模型进行多方面改进的基础上,提出了基于GA的BP网络模型算法,该算法利用遗传算法全局寻优能力强的特点,可克服神经网络易陷入局部极小、收敛速度慢的缺陷.研究表明,基于GA的BP神经网络模型用于水文计算是有效可行的,该算法具有广泛的应用前景.     

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.     

GA-BP神经网络在隧道监测数据处理中的应用

隧道施工中围岩的变形监测直接关系到隧道施工安全和工程质量,隧道变形监测是现代隧道施工中必不可少的环节,选择合理数据处理方法对现场所测到的数据进行处理显得尤为重要.用遗传算法优化了BP神经网络,克服了BP神经网络易陷于局部极值、收敛速度慢、依赖初值选择等缺陷,并将优化后的GA-BP神经网络运用于现场监测的隧道断面水平收敛时间序列数据的处理,提高了预测精度和计算效率.     

基于BP神经网络的两阶段疾病预测模型

为了理论解决BP神经网络在进行多目标预测中出现的识别率和可信度不高的问题,提出了一种基于DS证据理论优化的BP神经网络预测模型用于疾病预测,实验中,对心脏病数据进行处理,结果表明,在预测准确度和算法鲁棒性方面,都具有较好的效果。     

基于BP神经网络及其改进算法的汽轮发电机组故障诊断

为了提高汽轮发电机组的故障诊断准确率,提出了基于BP神经网络改进算法的故障诊断系统.根据输入特征向量对BP神经网络进行学习,在matlab上分别采用两种算法对故障诊断模型进行测试.结果表明,改进算法能够更有效地预测汽轮发电机组的故障.     

数据处理中缺失数据填充方法的研究

针对数据处理中常见的缺失数据现象,研究了若干种数据填充方法.分别对拉格朗日插值法、回归分析法、灰色预测法和BP神经网络方法进行了缺失数据计算和算法对比研究.以武汉市2013年3-4月的PM2.5数据作为实验研究对象,用上述四种方法进行了缺失数据验证及估计.对比计算结果发现,对于此类数据,利用拉格朗日插值法进行缺失数据填充效果优于其他三种方法.     

基于改进Elman神经网络的变压器故障诊断方法

针对变压器故障诊断困难的问题,提出了一种基于改进Elman神经网络的变压器故障诊断方法.利用核主成分分析算法对Elman神经网络进行改进,通过引入累积贡献率计算得到改进Elman神经网络最优输入特征参数,基于数据集和测试集将改进Elman神经网络应用于变压器的常见故障诊断中,并将试验结果与其他故障诊断方法的诊断结果进行对比.结果表明,所提方法诊断准确率超过90%,与支持向量机和BP神经网络诊断方法相比,该方法的诊断准确率更高.     

改进蚁群算法与BP网络融合预测铅酸蓄电池SOC

人工神经网络通过模拟人脑神经网络的方式记忆、处理信息,具有很高的智能性,近些年来,被广泛应用在太阳能用铅酸蓄电池剩余电量预测的研究中,但是,收敛速度慢、对初值敏感以及较易陷于局部极小值等是单一神经网络算法难以解决的缺点.针对该问题,将蚁群算法进行改进并与BP神经网络相融合,先采用改进的蚁群算法将BP神经网络的权值参数进行全局训练,然后,采用BP神经网络算法进一步进行局部学习,从而获得最优的BP神经网络权值.最后,通过MATLAB仿真和实验验证了本课题所采用的改进蚁群与BP网络融合算法能明显改善BP网络的收敛速度以及预测精度,能准确地预测出太阳能蓄电池SOC.     

改进BP神经网络在裂缝预测中的应用

常规基于线性的测井计算方法不能很好地表征复杂的裂缝系统,而现有的成像测井技术虽然分辨率高,能较好地记录裂缝特征,但其成本高,实用性不强。因此,本文首先研究了改进BP(Back Propagation)神经网络算法,极大地提升了BP神经网络算法的收敛速度和全局收缩能力,然后将该算法引入到裂缝预测中,使利用常规测井曲线就能较好地达到预测裂缝的目的。结合实际的生产资料进行了效果分析,结果表明,对常规测井资料应用神经网络技术能较好地识别裂缝。     

基于BP神经网络的PID变桨距风电机组控制

针对变速变距型风力发电机组的液压驱动式变距执行机构，提出基于BP神经网络的PID变桨距控制方法，以解决变桨距机构的非线性、参数时变性、抗干扰、滞后性控制问题.分析了三种不同工况下的液压油路变化、数学模型和参数变化，阐述了BP神经网络的PID控制算法，并根据7.5 kW变速恒频试验机组液压变距机构设计数据进行仿真结果比较、分析.     

水轮机调节系统的神经网络控制

设计了一个三层ＢＰ神经网络,对有功功率反馈参与控制的水轮机调节系统,以其典型工况下的最优ＰＩＤ系数作为训练样本,对所设计的ＢＰ神经网络进行离线训练,进而构成一个基于ＢＰ神经网络的变参数ＰＩＤ控制器;利用ＢＰ神经网络的函数逼近能力来实现ＰＩＤ控制器在线调整,以达到优化控制的目的。对简单电力系统的仿真结果表明,这种控制器与常规ＰＩＤ控制器相比可以取得较好的控制效果,是实现水轮机调节系统自适应控制的一种可行的方法。     

人工神经网络结合遗传算法反演岩体初始地应力的研究

提出综合应用实数编码的遗传算法与改进的BP神经网络的优化反演分析方法,并通过数值分析,探讨了该方法在应用于位移反演岩体初始应力与材料参数方面的有效性.在算例中,以Burgers模型的计算数据作为改进神经网络的训练样本,用遗传算法搜索待反演参数解向量.计算结果表明利用遗传算法优化神经网络权值能提高神经网络迭代算法的效率与可靠性.该方法应用于岩体初始应力场的反演具有迭代过程平稳、收敛快、结果准确等特点,能够有效地求得岩体初始应力与材料参数.     

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法（sparrow search algorithm,SSA）优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了 0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。     

煤与瓦斯突出预测的改进差分进化神经网络模型研究

鉴于常规煤与瓦斯突出BP预测模型的不足,将改进DE算法用于BP网络模型参数的优化及训练,提出结合两者优点的改进差分进化神经网络(IDEBP)煤与瓦斯突出预测模型.模型通过对变异模式、变异交叉因子自适应确定等改进,有效提高了标准DE的性能.实现了DE全局优化搜索与BP自适应、自学习的有机结合,稳健性得到加强,更能充分辨识煤与瓦斯突出样本的复杂非线性知识.以36组工程实例数据,进行了IDEBP和DEBP模型与BP模型仿真对比实验.结果表明:该模型能有效避免常规BP的不足,在收敛迅速、结果辨识和预测精度等方面均大为提高,为瓦斯智能预测提供了新的解决方案.     

基于自适应模糊神经网络的水轮机特性辨识研究

利用自适应模糊神经网络(ANFIS)较强的非线性逼近能力,建立了辨识模型,对水轮机非线性特性进行了辨识.训练算法采用最小二乘和梯度下降结合的算法来训练参数,模型能很好地辨识水轮机特性,并有一定的透明性,为研究智能水轮发电机控制策略提供了有效的建模方法.     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器.由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高.将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器.算法在matlab中实现,对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率.