基于DE-BP和DE-SVM的风电功率预测研究

为提高风电功率预测精度,提出基于差分进化算法优化BP神经网络和支持向量机的组合预测方法,以进行风机发电功率预测.选取风速和风向角作为风机的影响因素.使用内蒙古某风电场实际数据对预测模型进行仿真,最终结果表明:组合预测方法比单一的BP神经网络或者支持向量机预测模型的准确性和有效性更高.     

基于差分进化算法优化BP神经网络的镍镉电池寿命预测

镍镉电池组作为移动电源对于现代军民用品是必不可少的.为了能够有效的提高镍镉电池寿命的预测精准度,在建立BP神经网络的电池寿命预测模型的基础上,运用差分进化算法(DE)优化BP神经网络连接的初始权值与阈值.预测结果表明:该改进的预测模型有较高的预测精度,误差控制在5%以内,有效地提高了BP神经网络的收敛速度,符合现实中镍镉电池实际运行的特性,对提高电池寿命评估的时效性和精确性具有重要的意义.     

一种新的温度传感器湿度补偿方法

针对温度传感器测量中易受湿度影响的问题,通过对思维进化算法(Mind Evolutionary Algorithm,MEA)中的趋同操作、异化操作及收敛条件进行研究改进,对趋同操作中的散布权值进行自适应调整,在异化操作中引入差分进化算法的变异操作,并考虑收敛条件中搜索平面平缓的情况,提出了基于改进思维进化算法的BP神经网络湿度补偿方法.由湿度影响检定实验得到的样本数据,利用此补偿方法建立湿度补偿模型,将补偿结果与未经优化的BP神经网络模型的结果进行比较研究.结果表明,基于改进思维进化算法的BP神经网络模型补偿精度较高,收敛速度快,计算量小,可有效提高温度传感器的测量精度和可靠性,便于实际应用.     

基于ADE-WNN的水电机组振动故障诊断方法

水电机组振动特征和故障类型之间存在复杂的非线性关系,结合小波神经网络和自适应差分进化法,提出一种新型水电机组振动故障诊断方法。该算法具有进化计算和群体智能的特点,能够根据个体的状态自适应调节交叉概率因子和缩放因子;自适应差分进化算法应用于小波神经网络的参数搜索中,加快了小波神经网络的训练速度,提高了网络训练精度。实验结果表明:该方法比传统的基于BP神经网络和小波神经网络的故障诊断方法,具有更高的准确度和更快的诊断速度。     

基于进化神经网络的岩土边坡稳定性预测方法

根据岩土边坡的力学特性和几何尺寸,将遗传算法和人工神经网络有机结合在一起,建立了基于进化神经网络的岩土边坡稳定性预测方法.为了提高神经网络的计算效率和克服BP算法的局部极小的缺陷,采用遗传算法进化神经网络的连接权值和阈值.工程实际应用表明,采用遗传算法训练的神经网络预测岩土边坡的稳定性具有收敛速度快、范化能力强和非常高的预报精度.     

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.     

供应链中趋势序列的神经网络预测研究

本将神经网络的方法用于带趋势的时间序列的预测中。对于趋势序列的预测，采用BP算法的改进算法进行了仿真。并得出结论，在对于带有趋势的时间序列进行预测时，相对数据进行差分处理能有效地提高预测精度。     

基于差分进化优化的BP神经网络图像复原方法

针对back-propagating(BP)神经网络收敛速度慢、易陷入局部最小的问题,基于差分进化算法,改进其差分策略,提出随机缩放差分进化(random scaling-differential evolution,RSDE)优化的BP神经网络(RSDE-BP)图像复原方法.该方法用高斯噪声对无噪图像进行模糊处理,将模糊图像和原图像组成训练对,用于训练和优化RSDE-BP算法.最后利用训练好的BP神经网络对测试图像进行复原,从而达到去除噪声的目的.仿真结果表明,与BP神经网络、PSO-BP算法和DE-BP算法相比,所提出的算法收敛速度快,迭代次数少,且复原图像在峰值信噪比和结构相似性等指标方面有很好效果.与自适应全变差复原方法和二阶广义全变差正则项复原方法相比,该方法能够较好地恢复被噪声和模糊污染的图像,同时可以很好地保留图像的纹理和细节信息.     

采用遗传算法的小波神经网络在降雨量预测中的应用

为了提高降雨量预测的精度,提出了一种基于遗传算法(GA)优化小波神经网络(WNN)的降雨量预测方法.依据邯郸市1956—1998年历年的降雨量构造了两类不同的训练样本,分别利用BP神经网络、小波神经网络和遗传小波神经网络(GA-WNN)对7月份的降雨量进行了预测.仿真结果表明,遗传小波神经网络克服了BP算法容易陷入局部最优的缺点,提高了预测精度,为降雨量预测提供了一种新方法.     

基于主成分分析的神经网络算法对期权价格预测研究

采用基于主成分分析的神经网络算法对华夏上证50ETF期权价格进行预测,并使用期权数据验证该方法的有效性。比较传统Black-Scholes期权定价、单个BP神经网络算法和基于主成分分析的BP神经网络算法对期权价格的预测精度,结果表明:基于主成分分析的BP神经网络算法预测精度最高,传统的Black-Scholes期权定价方法其预测精度最低。     

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。     

基于GA-BP神经网络的输油管道内腐蚀速率预测

针对BP（Back Propagation）算法的神经网络易陷入局部极小的缺点,尝试引入遗传算法（Genetic Algorithm）处理了BP神经网络的权值与阈值,并分别建立了BP和GA-BP两种不同算法的神经网络模型对输油管道腐蚀速率进行预测。对结果进行对比分析发现,GA-BP算法的神经网络预测精度要高于BP网络;GA-BP算法具有高的预测精度,其预测值与实验值相关系数为0.9863,表明该算法模型是合理可靠的。     

基于GA-BP神经网络的短期负荷预测

以供热系统为研究对象,针对集中供热热负荷中由于温度因素、随机因素以及建筑本身因素等导致预测精度不高的问题．提出了采用BP神经网络算法来进行预测,它对具有非线性的模型有很好的控制效果,并且可以进行自我学习．但由于BP神经网络的波动较大,比较容易出现局部优化现象,因此在使用BP神经网络的基础上进行改进,将BP神经网络与遗传优化算法相结合,弥补BP神经网络的不足．最后通过仿真实验,结果表明热负荷预测的误差大大减少,预测精度提高,继而实现合理供热．     

基于BP网络模型的青弋江水质预测研究

以水质因子CODCr为例,构建并训练BP神经网络预测模型,分别从空间和时间上对青弋江芜湖市区段水质进行预测,并用实际监测值检验预测精度.预测结果说明BP网络模型在青弋江水质的预测方面是一种简单有效的方法.     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

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。     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题; IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。