基于GA- BP神经网络的风电功率预测方法研究

为了解决风电功率预测易受各种因素影响产生异常数据导致预测准确度不高的问题,提出了一种基于遗传算法-反向传播(GA-BP)神经网络的风电功率预测方法。首先,通过数学模型中的四分位算法对异常数据进行识别,并通过加入带通滤波器剔除异常数据。然后,在风电功率预测的方法上设计新型GA-BP神经网络算法,通过自检验及循环检测的方式获得准确的风电功率预测结果。试验结果表明,该方法不仅有很强的异常数据识别能力,而且在进行风电功率预测时可以保持90%以上的准确率,具有良好的数据处理稳定性。该研究大幅提升了风电功率预测的工作效率,为风电功率预测技术的进一步发展提供了技术参考。     

改进的光伏发电系统MPPT预测算法的研究

在光伏发电效率预测的研究中,针对光伏供电系统受温度和光照变化影响大、太阳能利用效率低和最大功率点预测不准确等问题,提出一种改进的GA-BP神经网络的光伏系统MPPT预测算法,通过优化的BP神经网络训练光伏阵列实测数据,预测输出的最大功率.为提高算法预测精度,采用云模型云滴和遗传算法优化BP神经网络的初始权值和阀值,根据遗传算法收敛程度来调整云自适应交叉和变异算子.经Matlab仿真分析,在光照和温度变化时,改进的GA-BP神经网络比GA-BP神经网络和BP神经网络具有更好的预测效果.     

基于跳跃基因的GA-BP算法研究

GA-BP学习算法往往会出现收敛速度慢,可能陷入局部极值的现象。针对以上问题,选取了自适应GA-BP(AGA-BP)算法,并在GA-BP算法和AGA-BP算法的基础上添加跳跃基因,称之为JG-GA-BP算法和JG-AGA-BP算法,用于解决分类问题。算法在遗传算法的基础上增加了跳跃基因算子,用于优化BP神经网络的结构参数,从而建立相应的神经网络拓扑模型。为验证添加跳跃基因后的学习算法的分类效果,将JG-AGA-BP算法、JG-GA-BP算法、AGA-BP算法和GA-BP算法的性能进行比较。以随机数、iris、wine、鲍鱼数据集的分类实验为例,研究结果显示出添加了跳跃基因的GA-BP算法的准确率和收敛速度都有一定程度的提高。     

一种改进的GA-BP算法在手写体数字识别的应用研究

在分析GA-BP算法不足的基础上,通过对GA算法中的相应算子进行改进设计,从而有效避免了GA算法中的出现局部次优的情况,并把GA算法产生的最优个体作为BP神经网络的连接权值和阈值,应用于手写体数字识别过程中.实验结果表明,改进的GA-BP算法可以提高BP网络的学习速度和识别效果.     

基于GA-BP神经网络的配电网工程造价预测

为了解决前馈(BP)神经网络在配电网工程建设工程造价预测时,容易陷入局部极小而导致预测精度降低的问题,提出了一种GA-BP神经网络的配电网工程造价预测模型。模型试算与分析结果表明:除了个别样本数据外,GA-BP模型预测数据的相对误差小于BP模型预测数据的相对误差。其中,GA-BP模型的预测数据的相对误差整体最小,BP模型的相对误差整体最大,BP整体的相对误差要稍小于GA-BP。GA-BP和BP的模型平均相对误差数值更小,GA-BP模型的平均相对误差最小,说明该模型的预测稳定性最强。此外,GA-BP和BP的模型稳定性和预测的精度上都要优于GA-BP和BP。其中,GA-BP的预测模型最好,BP预测模型最差。该基于GA-BP神经网络的配电网工程造价预测模型为提高配电网工程造价预测精度提供了一定的理论基础。     

基于GA-BP神经网络的广州市降雨量预测

BP神经网络模型在预测领域中应用十分广泛,但其在网络学习过程中存在缺陷,结合遗传算法(GA)能够得到改善。历年的降雨量可以视为时间序列问题,本文分别建立BP神经网络和基于GA的BP神经网络对广州市降雨量进行预测,模型测试显示,GA-BP模型的预测效果优于BP模型。最后应用GA-BP神经网络模型对2014年的广州降雨量进行预测,预测结果为1635.1毫米。     

求解旅行商问题的自学习粒子群优化算法

针对旅行商问题,提出了一种带自学习算子的粒子群优化算法,根据旅行商问题及离散量运算的特点,对粒子的位置、速度等量及其运算规则进行了重新定义,为抑制早熟停滞现象,定义了变异速度来保持粒子群的多样性,使用自学习算子来提高算法的局部求精能力,使算法在空间探索和局部求精间取得了较好的平衡,与领域中的其它典型算法进行了仿真比较,结果表明,该算法具有良好的性能.     

粗糙集与改进的QPSO-RBF算法在柴油机气门故障诊断中的应用

针对气门故障,以缸盖振动信号的小波包能量谱作为故障特征参数,提出一种粗糙集(RS)与改进的量子微粒群径向基函数神经网络(QPSO-RBF NN)相结合的故障诊断方法.首先应用粗糙集对试验所得的特征参数进行属性约简,去掉冗余信息,简化RBF网络的结构;然后将带变异算子的QPSO算法引入到RBF网络的学习过程中,改进其现有的学习算法,进一步提高故障预测能力.通过对6135D型柴油机气门故障进行诊断,结果表明该方法提高了诊断的精度和效率.     

基于预测的纯量场数据压缩技术研究

大规模数值模拟产生了海量数据,对数据存储空间和I/O带宽都形成了挑战.针对纯量场数据,研究了外插与内插预测算子,分析了两种预测算子的优缺点,并提出了基于外插预测的纯量场无损压缩方法以及基于内插预测的纯量场有损压缩方法.提出的压缩方法的突出优点是内存开销比较小,适合于大规模的纯量场数据的压缩.使用光滑数学模型数据和真实物理模拟数据进行的测试实验表明,提出的基于预测的纯量场压缩方法取得了良好效果.     

基于提升格式的M带自适应小波变换

提出了基于提升格式的M带自适应小波设计方法.首先设定M带提升小波预测算子与更新算子的基本形式,然后根据提升结构及所选取的误差准则来自适应地调整预测算子及更新算子的系数,从而得到适合给定应用的最优M带提升小波.与目前对M带小波的研究相比较,采用提升格式得到的M带自适应小波既保持了提升方法的快速、简单及可直接在时(空)域上运算的特点,又具有根据实际问题设计出优化小波的优势.给出了两个3带自适应提升小波的设计实例.     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。     

改进的多智能体遗传算法求解TSP研究

多智能体遗传算法是基于智能体对环境感知与反作用的能力提出的一种新的函数优化方法,具有很快的收敛速度,尤其是在优化超高维函数时更显示出了它的优越性。针对这一特点对该算法进行了适当的改进,在邻域正交交叉算子中采用精英保留策略,在自学习算子中引入邻域正交交叉算子并采用小变异概率以加快收敛速度。求解TSP的实验结果显示,改进后算法的性能有了较大的提高。     

一种改进的GEP方法及其在演化建模预测中的应用

为了提高预测的准确性,结合基于突变算子的基因表达式和一种基于群体搜索技术的演化算法,提出了改进的GEP方法,并用其对数据进行演化建模。实例测试的结果表明,使用改进的GEP方法得到的模型要优于GP和单纯的GEP方法得到的模型,本方法具有良好的拟合度和预测精度。     

考虑气象因素的短期电力负荷预测研究

针对如何提高短期电力负荷预测精度的问题,提出基于核主成分分析法(Kernel principal component analysis,KPCA)和改进的回声状态网络(Echo state network,ESN)算法相结合的方法对短期电力负荷进行预测研究。通过卡尔曼滤波(Kalman filtering,KF)方法训练回声状态网络的输出权值,引入修正因子对卡尔曼滤波的协方差矩阵进行修正,从而实现回声状态网络结构参数的调整,获得理想的网络结构模型。采用Lyapunov理论验证了改进回声状态网络算法的收敛性。采用核主成分分析法对气象因素进行降维处理,获得能够体现数据信息的主元信息。通过UCI(University of California Irvine)数据集仿真对比,验证了该算法相比于ESN、SVM(Support vector machine)、BP(Back propagation)、GA(Genetic algorithm)等算法具有更高的预测精度。在考虑气象因素的前提下,对短期负荷预测进行仿真实验,实验结果显示在正常天气和存在气象突变的情况下,改进的回声状态网络算法较GA-ESN和GA-BP算法有更高的预测精度,验证了该方法的实用性。     

新型NN训练算法及其在优化设计中的应用

提出采用GA-BP贝叶斯算法来建立优化设计近似模型。该算法是一种新型神经网络训练算法,它以提高网络的泛化性能为主旨,其训练目标是获取对应于后验分布最大值的权值向量。以方形扁平封装器件为例,采用GA-BP贝叶斯算法建立了温度场分析的近似模型,基于它对封装散热结构进行了优化,并与L-M BP算法进行了对比。结果表明,基于GA-BP贝叶斯算法的温度场分析近似模型,对芯片中心温度的预测精度更为理想,并且受随机因素的影响很小。GA-BP贝叶斯算法克服了现有网络训练算法对初始权值敏感、建模精度不高的缺点,在工程优化设计中具有实用价值。     

前馈神经网络在汽车悬架设计中的应用*

提出采用GABP贝叶斯算法来建立悬架运动学分析近似模型。该算法是一种新型前馈神经网络训练算法,它以提高网络的泛化性能为主旨,其训练目标在于获取对应于后验分布最大值的权值向量。以双横臂式前独立悬架为例,采用GABP贝叶斯算法建立了以车轮接地点侧向最大滑移量为输出的运动学分析近似模型,并与LMBP算法、多项式回归和广义回归神经网络这三种方法进行了比较。结果表明,基于GABP贝叶斯算法的近似模型的预测精度明显高于其他几种模型,并且受随机因素的影响很小。     

正交M ult i-agen t 遗传算法及其性能分析

将Multi—agent系统、遗传算法与正交试验设计方法相结合，提出一种新的遗传算法——正交Multi—agent遗传算法，其主要思想是：利用正交设计的方法产生初始化种群；用正交交叉算子代替传统的算术交叉算子；利用agent间的竞争作用与每个agent所具有的知识和自学习能力进行启发式搜索，以提高进化的速度，仿真试验和性能分析表明，正交Multi—agent遗传算法不但具有很强的全局优化能力和较快的收敛速度，而且具有很强的鲁棒性。     

全信息变权缓冲算子的拓展、优化及其应用

针对冲击扰动系统的建模预测问题,对全信息变权缓冲算子进行拓展,提出两类含幂指数的全信息变权缓冲算子,并从理论上揭示强化缓冲算子与弱化缓冲算子的转换关系.在此基础上,给出新算子参数优化机理以及具体算法,并探讨算法的时间复杂度问题.最后,以全国风力发电装机容量的冲击扰动数据预测为例,验证算子的有效性和优越性.结果表明:所提出的新算子及其优化算法在不增加时间复杂度的条件下,能够显著提高缓冲算子对冲击扰动系统的适应能力和灰色模型的预测精度.此外,全信息变权强化(弱化)缓冲算子为新算子的特殊形式,当幂指数取值为1时,新算子退化为全信息变权强化缓冲算子;当幂指数取值为-1时,新算子退化为全信息变权弱化缓冲算子.     

基于种群熵的GA-BP混合优化算法及其应用

文章通过引入种群熵的概念把遗传算法和神经网络的BP算法有机结合起来,提出了一种新的混合算法GA-BP混合优化算法,从而充分利用了遗传算法和神经网络的BP算法各自具有的优点,并把GA-BP混合优化算法应用到机器人坐标逆变换中去。实验表明,GA-BP混合优化算法能较好地实现机器手端坐标到关节角的变换。