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。     

WPA-BP神经网络模型在枯水期月径流预测中的应用

通过8个高维复杂函数对一种新型仿生群体智能算法——狼群算法(WPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比。针对BP神经网络易陷入局部极值及初始权阈值参数难以确定的不足,利用WPA算法优化BP神经网络初始参数,提出WPA-BP径流预测模型,以云南省龙潭站枯水期月径流预测为例进行实例验证,并与PSO-BP及BP模型进行比较。结果表明:1WPA算法收敛精度远远优于PSO算法,具有较好的计算鲁棒性和全局寻优能力;2WPA-BP模型预测精度优于PSO-BP及BP模型,具有较好的预测精度和泛化能力。利用WPA算法优化BP神经网络的初始权值和阈值,可有效提高BP神经网络的预测精度和泛化能力。     

基于PSO的混凝土坝粘弹性力学参数反演

把坝和坝基视作一个系统。根据系统的实测位移反演系统材料的力学参数。用广义开尔文模型描述材料,用有限元软件MSC·Marc计算位移,按最小二乘进行优化,优化求解采用粒子群优化算法。编程进行了实例反演,所得结果的相对误差较小。粒子群优化算法较之遗传算法更大简便,可以较快地搜索到全局最优解。着重对粒子群优化算法作了介绍。     

花授粉算法-BP神经网络模型及其在月径流预报中的应用

通过5个典型高维函数对一种新型群智能优化算法——花授粉算法(FPA)进行仿真验证,并与粒子群优化(PSO)算法进行对比分析。针对BP神经网络初始权值、阈值参数难以确定的不足,利用FPA算法优化BP神经网络初始权值和阈值,提出FPA-BP预报模型,以清水江水文站12月月平均流量预报为例进行实例研究。结果表明:1FPA算法收敛精度优于PSO算法,具有较好的收敛速度和全局寻优能力;2FPA-BP模型对实例2001—2005年月平均流量预报的平均相对误差绝对值为2.38%(5次平均),预报精度优于PSO-BP、BP模型。利用FPA算法优化BP神经网络的初始权值和阈值,有效提高了BP神经网络的预报精度和泛化能力,且拓展了BP神经网络初始权值、阈值的优化方法,为相关预报研究提供了参考。     

灰色模型结合微粒群算法的城市用水量预测

为了提高城市用水量的预测精度,基于灰色GM(2,1)模型,采用参数ρ进行数乘变换,利用参数λ修正其背景值,引入微粒群算法(PSO)寻求参数λ、ρ的最优解,构建PSO-GM(2,1,λ,ρ)模型,对某市1990—2001年用水量进行预测,并与灰色神经网络(GNNM)算法预测结果进行对比。结果表明:引入PSO算法,利用其全局搜索、局部搜索相结合的搜索模式确定λ、ρ,可以提高灰色模型的预测精度;参数λ、ρ的随机性、灵活性加上PSO算法的搜索性、寻优高效性使PSO-GM(2,1,λ,ρ)模型比GNNM模型预测精度更高。     

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。     

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。     

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。     

动态自适应粒子群优化算法与最小二乘支持向量机在年径流预测中的应用

针对最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数以及基本粒子群优化算法(PSO)存在早熟收敛等弊端,通过对PSO惯性因子、加速因子以及粒子飞行速度进行动态调整,以及借鉴遗传算法变异思想引入自适应变异算子,对PSO算法进行改进,提出动态自适应粒子群优化算法(DAPSO),利用DAPSO算法优化选择LSSVM惩罚因子和核函数参数,构建DAPSO-LSSVM年径流预测模型,并与PSO算法优化选择LSSVM学习参数的PSO-LSSVM模型以及GA-BP、RBF、BP模型作为对比,以云南省某水文站年径流预测为例进行实例研究,利用实例前30年和后17年资料分别对各模型进行训练和预测。结果表明DAPSO-LSSVM模型对实例后17年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.31%、5.95%,预测精度优于PSO-LSSVM模型,大幅优于GA-BP、RBF和BP模型。DAPSO算法全局寻优能力强、收敛速度快,稳健性能好,利用DAPSO算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

粒子群算法优化BP在降雨空间插值中的应用

为更好地表达降雨量的空间分布,将粒子群算法(PSO)优化后的反向传输(BP)神经网络分别运用于三峡区间流域日、月和年降雨量的空间插值中,并与单纯BP神经网络和克里金的插值效果作对比。研究结果表明:在日和年的时间尺度上,PSO-BP插值性能较BP有明显改善,且优于克里金的插值效果;在月时间尺度上,PSO-BP插值效果与BP接近且优于克里金。因此,PSO-BP能较好地揭示降雨量在空间的分布规律,也具备在不同时间尺度上对降雨量进行空间插值的能力,是一种较优的降雨空间插值方法。     

基于改进PSO-RF算法的大坝变形预测模型

针对传统随机森林参数寻优方法的不足,引入均衡惯性权重和自适应变异对粒子群优化算法进行改进,提出了一种基于改进粒子群优化算法和随机森林算法(改进PSO-RF算法)的大坝变形预测模型。实例验证结果表明,在计算效率方面,与传统网格搜索法相比,改进PSO-RF算法显著提升了模型的寻优速度;在预测精度和稳定性方面,基于改进PSO-RF算法的大坝变形预测模型明显优于长短期记忆网络、支持向量机和BP神经网络模型。     

多组群教学优化算法-神经网络-支持向量机组合模型在径流预测中的应用

采用5个标准测试函数对多组群教学优化(MGTLO)算法进行仿真验证,并将仿真结果与基本教学优化(TLBO)算法、混合蛙跳算法(SFLA)、差分进化(DE)算法和粒子群优化(PSO)算法的仿真结果进行对比。利用MGTLO算法搜寻基于广义回归神经网络(GRNN)、径向基神经网络(RBF)、支持向量机(SVM)模型单元的组合模型的最佳模型参数和组合权重系数,提出MGTLO-GRNN-RBF、MGTLO-GRNN-SVM、MGTLO-RBF-SVM、MGTLO-GRNN-RBF-SVM 4种组合预测模型,以新疆伊犁河雅马渡水文站和云南省某水文站年径流量预测为例进行了实例分析,并将预测结果与MGTLO-GRNN、MGTLO-RBF、MGTLO-SVM和GRNN、RBF、SVM 6种单一模型的结果进行对比分析。结果表明:MGTLO算法寻优精度优于TLBO、SFLA、DE和PSO算法,具有较好的收敛速度和全局极值寻优能力;组合模型融合了MGTLO算法与GRNN、RBF、SVM模型单元的优点,在预测精度、泛化能力等方面均优于单一模型;MGTLO算法能有效优化各组合模型的相关参数和权重系数,MGTLO-GRNN-RBF-SVM模型预测精度最高。     

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。     

融合粒子群算法的混凝土裂缝预测模型研究

运用模糊优选人工神经网络对混凝土重力坝裂缝进行智能预测,在对模糊优选神经网络训练中采用融合粒子群算法,利用其全局寻优的能力和局部细致搜索优势,在解空间进行智能搜索,最终发现最优解。实例检验结果表明,采用这种方法可以提高模糊优选人工神经网络的训练效率,预测结果更合理。     

CPSO-NN模型在大坝安全监控中的应用

针对大坝安全监控中传统BP神经网络模型由于采用最速下降法求解网络权值而存在的计算过程复杂、易陷入局部极值点等缺点,提出大坝安全监控神经网络权值的协同粒子群优化求解方法。该方法先把网络权值的计算问题转化为粒子群的寻优问题,然后通过粒子群协同寻优实现对网络权值的计算。工程实例分析结果表明:基于协同粒子群算法的神经网络模型计算简单、收敛速度快、拟合精度高,为大坝安全监控分析提供了一种有效的新方法。     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。