基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

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。     

结合自适应遗传算法与弹性BP神经网络的亚硝酸盐预测模型

针对目前营养盐检测主要是通过化学方法实现,无法获得在线检测的问题,利用营养盐与其影响因子之间的关系,提出结合自适应遗传算法与弹性BP神经网络的预测模型.利用改进的自适应遗传算法,通过交叉、变异获取弹性BP神经网络的初始权值与阈值,加速预测过程.该模型通过营养盐影响因子数据,预测亚硝酸盐浓度.仿真结果表明:基于弹性BP神经网络的预测模型预测营养盐浓度是可行的,其预测得到的亚硝酸盐浓度值的相对误差主要集中于0~30%;结合自适应遗传算法与弹性BP神经网络的预测模型的预测效果好于基于弹性BP神经网络的预测模型.     

基于遗传-BP神经网络预测单桩竖向承载力

在遗传算法改进BP神经网络的基础上,利用遗传算法的全局优化能力和BP神经网络的较强的高次非线性能力和自学习能力,建立预测单桩竖向承载力的遗传—BP神经网络模型。通过利用济南地区现场试桩资料对该模型进行训练和检验,证明本文所建立的遗传—BP神经网络预测模型预测精度高,适用性强,可以作为桩基工程设计和理论研究的参考计算工具。     

基于改进遗传算法和BP神经网络的矿井通风风速预测

矿井通风风速的准确预测对提高矿井安全性具有重要意义。为提高矿井通风风速预测的准确度,提出一种基于改进遗传算法和BP神经网络的矿井通风风速预测方法。该方法采用前向神经网络建立矿井通风风速预测模型,将排序选择策略和概率生存策略相结合,从而代替传统选择算子,得到一种改进遗传算法。采用改进遗传算法对网络最优权值和阈值进行全局搜索,在此基础上,再利用BP算法进行局部寻优,从而得到网络的权值和阈值。采用矿井工作面的数据作为实验数据进行仿真预测,并与已有的几种模型进行比较,仿真结果表明,该模型提高了矿井通风风速的预测精度。     

基于遗传-BP神经网络预测单桩竖向承载力

在遗传算法改进BP神经网络的基础上,利用遗传算法的全局优化能力和BP神经网络的较强的高次非线性能力和自学习能力,建立预测单桩竖向承载力的遗传-BP神经网络模型.通过利用济南地区现场试桩资料对该模型进行训练和检验,证明本文所建立的遗传-BP 神经网络预测模型预测精度高,适用性强,可以作为桩基工程设计和理论研究的参考计算工具.     

基于GA-BP-AdaBoost 强预测模型的大坝变形应用

基于大坝变形量与多影响因素复杂非线性关系问题,提出了基于遗传算法优化BP 神经网络的AdaBoost 强预测模型( GA-BP-AdaBoost) 。算例分析表明,该强预测模型融合了遗传算法全局优化和BP 神经网络的局部寻优的特点,同时AdaBoost 强预测器通过给弱预测器的预测序列赋予不同的权重,综合不同预测序列的精度优势,实现了AdaBoost 强预测器“优中选优”的目的,最大限度地提高了预测精度,验证了本文基于遗传算法优化BP 神经网络的AdaBoost 强预测模型在大坝变形监测中的可行性和实用性。     

煤层含气量预测的BP神经网络模型与应用

为了对煤层含气量进行定量预测,采用BP神经网络预测方法,建立了煤层含气量预测的BP神经网络模型．以沁水盆地南部主采煤层为对象,分析得出了影响沁水盆地南部煤层含气量分布的主要控制因素有煤层有效埋藏深度、煤变质程度和煤岩、煤质特征等,选择了煤层有效埋藏深度、水分与灰分以及镜质组最大反射率3参数作为BP神经网络模型的基本特征量,建立了煤层含气量与这些因素之间的相关关系和BP神经网络预测模型,对煤层含气量进行预测分析．结果表明：BP神经网络模型具有极强的非线性逼近能力,能真实反映煤层含气量与主控因素之间的非线性关系,预测结果与实测值之间误差小,相对误差小于10%,预测效果明显地优于基于朗格缪尔方程的煤层含气量预测模型．     

基于云遗传算法优化BP神经网络的轨道客流预测

城市轨道交通客流预测是线路规划和运营组织的基础,为提高客流预测的准确度,提出了基于云遗传算法优化BP神经网络的轨道客流预测模型.首先利用云模型云滴的随机性和稳定倾向性改进传统遗传算法中固定设置交叉和变异率的方式,克服了标准遗传算法搜索速度慢及容易早熟的缺陷;再通过改进后的遗传算法来优化BP神经网络的初始权值和阈值;最后...     

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BP神经网络的丝杠硬旋铣热伸长研究

研究硬旋铣加工时工件的热变形对提高工件加工精度、掌握硬旋铣加工技术是至关重要的。文章基于高效环保的滚珠丝杠螺纹硬旋铣工艺,围绕提高硬旋铣加工螺距精度问题,针对加工过程中的工件热伸长及误差补偿方法,通过基于BP神经网络算法的热伸长研究及补偿实验研究,探索了工件热伸长变化的特征值提取、BP预测模型的建立及验证、热伸长误差的补偿方法。结果表明:根据特征值法建立的BP神经网络热伸长预测模型精度较高,根据模型预测结果进行螺距误差插补补偿加工能够提高滚珠丝杠硬旋铣加工的螺距精度。     

BP神经网络在图像信息提取中的应用研究

本文阐述BP神经网络在图像信息提取中的运用,包括：遥感技术、图像识别原理和模式识别常用的神经网络模型．针对目前在目标识别中应用最多的前馈神经网络模型研究其采用的BP算法,讨论了由于标准的BP算法存在训练时间长、收敛速度慢和易陷入局部极小值等问题,提出了BP神经网络分类器的设计方法、样本的选择及组织的改进方法．     

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.     

BP神经网络预测技术在企业能源管理系统中的应用

针对企业能源管理系统(EMS)开发过程中的问题,提出了一种基于BP神经网络的预测技术,并运用BP神经网络算法对某钢铁企业能源管理系统能源消费量进行建模与分析。将MATLAB算法工具箱和编译技术开发组件嵌入到系统中实现实时在线计算。结果显示算法达到了很好的预测效果。可以让企业能源管理者预先掌握企业能耗动态趋势,指导企业生产和调度,保障企业能源供需平衡。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

镍氢电池剩余容量检测系统的研究

为了达到准确测量镍氢电池剩余容量的目的,在传统的检测镍氢电池剩余容量的安时法基础上引入人工神经网络的自适应特性,从而建立基于BP神经网络的电池状态检测数据预测模型,并对该模型进行分析计算,最终的试验结果表明该模型精度可以满足要求.     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.