变结构神经网络模型的BP算法及其应用研究

神经网络模型是一种非常有效的数据处理工具,但是存在结构确定困难的缺点.针对神经网络算法的这种缺点,提出了变结构神经网络模型.此模型增加了神经网络隐节点的决策变量,并对此决策变量进行松弛.在采用BP梯度算法确定神经网络结构的同时,确定网络参数.由于电缆的状态监测是时序数据,将此模型应用于电缆的状态监测过程中,能体现出较好的适应性.     

基于GA-BP神经网络的某型装备作战效能评估方法

针对BP神经网络存在易陷入局部极小值的缺点,利用遗传算法全局搜索能力强的特点,对BP神经网络的权值和阈值进行优化,建立了基于GA-BP网络的某型装备作战效能评估模型,给出了实际数据的评估结果.实验结果表明:GA-BP神经网络的泛化能力、评估准确性比BP神经网络的效果更好,这为评估某型装备的作战效能提供了一种新的思路.     

利用气象条件预测西安市可吸入颗粒物浓度

建立3层BP神经网络模型,采集气温、露点、相对湿度、能见度、天气情况等18种气象条件数据,将天气情况转换成天气情况系数,从中选择和PM10浓度相关度较大的11种数据作为神经网络输入向量,利用历史数据训练神经网络,并用较新的数据进行网络仿真,较准确地预测了PM10的浓度.     

基于空间信息格网与 BP神经网络的灾损快速评估系统

针对传统洪灾损失评估中存在的问题,建立了基于空间信息格网与BP神经网络的灾损快速评估系统.首先,利用Arc GIS空间分析技术提取洪灾区域,用信息格网技术将受灾区域格网化,分类提取不同受灾地类的受灾面积、淹没深度;其次,实地采集数据,构建受灾样本数据库;然后,建立基于空间信息格网与BP神经网络的灾损快速评估模型,并将评估模型使用程序编码的方式实现;最后,利用基于模型开发的评估系统针对某县受灾区域进行了洪灾经济损失的评估计算,结果表明,基于该模型方法计算结果与洪灾损失统计值相差不大,说明基于空间信息格网与BP神经网络的灾损快速评估系统具有一定的可靠性.     

基于压电阻抗测试的结构诊断神经网络方法

采用单片压电陶瓷片PZT粘贴于某工程结构表面,用阻抗分析仪测量其不同结构状态引起的阻抗特性变化,测试扫描频率范围为1～700 kHz.将得到的导纳曲线数据作为神经网络的输入参数,建立一个BP神经网络模型,进行结构状态的识别.该方法与传统的模态方法等相比具有许多优点,如PZT安装方便,不受结构限制,PZT的激励和测试能够利用一组电缆同时进行,测试操作简单.同时,由于直接将测试数据作为神经网络模型的输入参量,因此无需对测试数据进行复杂的特征提取处理.用实测数据对构建的BP神经网络进行了训练和测试,应用结果表明,训练收敛的网络可以较好地识别不同的结构状态.     

基于粗糙集神经网络的网络安全态势评估方法

为克服多源数据融合中存在信息高维、冗余和噪音等大量不确定性因素给网络安全态势评估带来的复杂影响,提出一种基于粗糙集神经网络的网络安全态势评估方法。该方法既利用粗糙集理论在机械学习、处理冗余信息和特征提取等方面的能力,又结合神经网络处理噪音和任意逼近能力构造出由指标层、离散层、规则层、决策层组成的态势评估模型,并与BP神经网络方法进行对比研究。仿真实验结果表明,所提方法偏差较少,更能客观、准确地分析网络安全状况。     

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.     

基于大数据的配电网谐波经济损失评估方法研究

为了解决目前配电网谐波经济损失评估缺乏统一、科学的评估体系的问题,以电力大数据平台为基础支撑,建立了包含数据层、指标层和应用层的配电网谐波经济损失评估体系总体架构,构建了谐波经济损失评估指标体系.对常规粒子群算法进行改进,并和径向基(RBF)神经网络结合,利用混沌自适应粒子群优化的RBF(CAPSO-RBF)神经网络进行谐波网损评估.将Simoni模型与交联聚乙烯(XLPE)电缆谐波线芯温升模型结合,得到了谐波影响下的XLPE电缆绝缘老化寿命评估模型.案例分析证明了方法的可行性,验证了评估体系的合理性和电力大数据的优势.     

基于大数据的考虑谐波影响的配电网 经济损失评估方法研究

谐波对配电网的危害较大,带来了巨大的经济损失。目前,关于配电网谐波经济损失评估方面,缺乏统一、科学的评估体系。针对以上问题,以电力大数据平台为基础支撑,建立了包含数据层、指标层和应用层的配电网谐波经济损失评估体系总体架构,构建了谐波经济损失评估指标体系。对常规PSO算法进行改进,并和RBF神经网络结合,利用CAPSO-RBF神经网络进行谐波网损评估。将Simoni模型和XLPE电缆谐波线芯温升模型结合,得到了谐波影响下的XLPE电缆绝缘老化寿命评估模型。最后,案例分析证明了本文方法的可行性,验证了评估体系的合理性和电力大数据的优势,对配电网谐波经济损失评估具有一定的指导和参考意义。     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

基于神经网络模型的智能电网线损估计方法

为了准确、有效、实时估计智能电网中配电网线损,提出了一种基于神经网络模型的智能电网线损估计方法.在BP神经网络算法的基础上采用LM算法对神经网络权重和阈值进行连续优化从而实现网络自适应调节,进而搭建神经网络模型.将模型应用于IEEE33节点系统进行实验,实时估计每条线路的功率损耗并将估计线损值与实际测得的线损值进行比较并提出相应的评估指标对方法有效性进行评估.结果表明,与传统的潮流法相比,所提出的方法具有更优的运算速度和准确度.     

基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

基于Wrapper的信用风险预测模型研究与应用

研究了一个有效适用的企业信用风险预警模型。针对单一BP神经网络预测模型由于财务指标选择不当导致误判率较高的问题,提出了首先进行特征选择,利用遗传算法搜索出最优特征子集,并采用BP神经网络作为遗传算法的评估函数,构建了一个基于Wrapper方法的神经网络信用风险预测模型。以沪深股市1998—2004年间的制造企业数据为例对模型进行实验,结果表明,新模型提高了预测准确率,评估结果更具科学性,实际应用具有良好的信用风险预测能力。     

基于小波神经网络的畸形波预报

为对畸形波这类突发性事件进行较为准确的预报,避免畸形波对海上建筑物和人员安全产生的巨大危害.采用紧致型小波神经网络模型,根据某岛礁地形实测数据建立的岛礁三维模型中测得的波高试验数据,选取试验数据中3种典型波高时间序列分别实现了包含畸形波的波浪数据对常规波浪的预报、包含近似畸形波的波浪数据对畸形波的预报以及常规波浪对包含畸形波的波浪数据的预报.为验证小波神经网络模型精度,同时采用常规神经网络BP模型在相同条件下对3种典型波高时间序列进行预报,最后将两种神经网络预报结果精度进行对比.研究结果表明:小波神经网络能较好的捕捉畸形波突发事件,对于3种工况中的波面整体预报精度以及畸形波处的预报精度,小波神经网络预报模型均高于BP神经网络预报模型,预报的波高曲线也与实际波高曲线拟合效果更好.在神经网络训练样本中若存在畸形波特征,也将进一步提高对未来畸形波的预报精度.该项研究对船舶或海洋工程的畸形波风险预警具有一定的应用价值.     

基于神经网络模型的母线保护故障定位研究

母线是发电厂和变电所的重要组成部分之一,对可靠性高及智能化程度高的母线保护技术及方法的研究具有重要的理论和现实意义。本文采用实际采集到的各种类型故障数据作为样本数据,利用这些样本数据对构建的神经网络模型进行训练,使母线保护神经网络模型具有故障识别和判断能力。神经网络模型分别采用了BP算法和RBF算法。利用该模型就两种不同的改进型的神经网络算法对各种母线故障的分类进行了分析比较,给出了两种网络下的仿真结果。结果表明经过训练以后的母线保护人工神经网络模型能准确判断母线的正常运行方式,对其内部的各种故障能正确区分,并且满足保护精度的要求。     

神经网络在锈蚀钢筋疲劳寿命预测中的应用

在锈蚀钢筋轴向拉伸疲劳试验的基础上,利用BP神经网络较强的高次非线性能力和自学习能力,建立预测锈蚀钢筋等幅疲劳寿命的BP神经网络模型。基于非线性疲劳损伤理论,把等幅疲劳荷载作用下锈蚀钢筋的疲劳寿命预测神经网络模型进一步发展成变幅疲劳荷载作用下的锈蚀钢筋疲劳寿命预测神经网络模型。通过利用锈蚀钢筋混凝土梁的疲劳试验数据对该模型进行训练和检验,证明所建立的预测锈蚀钢筋变幅疲劳寿命的BP神经网络预测模型精度较高,适用性强,可为锈蚀混凝土桥梁的剩余疲劳寿命评估提供必要的依据。     

基于改进的BP神经网络模型的雷达网效能评估

为拓展雷达网效能评估的内容、改进评估方法和提高评估效率,重构了雷达网效能评估指标体系,给出了各指标的量化模型和方法;针对BP神经网络收敛速度慢、局部极小化问题,提出了利用遗传算法(GA)优化BP神经网络的方法,并采用GA+BP神经网络模型对雷达网部署方案进行了评估优选.仿真结果表明,运用GA算法改进的BP神经网络具有更快的收敛速度和更高的预测精度,可作为雷达网效能量化评估的有效手段,为雷达兵作战筹划提供科学决策依据.     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

多元线性回归与BP神经网络预测模型对比与运用研究

对多元线性回归模型及BP神经网络模型的理论及运用方法进行研究,采用SPSS及MATLAB软件分别建立多元性回归和BP神经网络预测模型,通过农村居民纯收入预测的算例,对多元线性回p-3和BP神经网络预测模型的拟合优度、初始数据的仿真与模拟能力和新数据的预测能力进行对比,数据结果表明BP神经网络预测模型优于多元线性回归预测模型．     

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。