基于NMEA-BP大坝变形监测模型研究

在对思维进化算法(MEA)改进的基础上,开展了基于思维进化算法与BP神经网络的大坝变形监测模型的研究。通过引入小生境技术和思维进化算法,克服了BP神经网络易陷入局部最优值、训练时间长和收敛速度慢等缺点,极大地提高了其搜索效率和全局搜索能力。通过进一步利用改进的思维进化算法优化BP神经网络的权值和阈值,建立了NMEA-BP大坝变形监测模型,并用该模型对工程实例进行了拟合预测。结果表明,NMEA-BP模型有效提高了大坝变形预测的精度,能更高效准确的进行大坝变形监测。研究成果为大坝变形监测的理论和实践研究提供参考。     

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。     

MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的应用

由于单一的BP神经网络预测模型存在一些缺陷,对于复杂的非线性问题,BP神经网络预测模型的拟合能力具有局限性,容易陷入局部极小值,网络权值和阈值的选择具有随机性。运用具有全局寻优能力的思维进化算法(MEA)对BP神经网络的初始权值和阈值进行优化,建立MEA-BP预测模型。将单一的BP神经网络预测模型、基于遗传算法(GA)优化的BP神经网络预测模型与MEA-BP预测模型应用到实际工程中进行对比,预测结果表明MEA-BP预测模型在水布垭面板堆石坝沉降变形预测中的预测精度最高,效果最好,具有一定的实际应用价值。     

改进BP网络模型在径流预测中的应用

为了克服传统BP网络模型在训练过程中部分参数难以快速准确拟定的缺点,利用免疫粒子群算法对BP网络模型中隐含层节点数、最大训练次数、学习效率、动量因子等参数进行决策优选,建立了基于免疫粒子群算法的改进的BP网络模型。通过应用于某水电站水库的入库径流预测,结果表明,与传统BP网络模型相比,利用改进的BP网络模型所得的径流预测结果更准确。     

基于BP神经网络的水体叶绿素a浓度预测模型优化研究

利用自动监测数据,采用神经网络对水体中叶绿素a含量进行预测,是水体中叶绿素a含量预测的主要手段之一。但受梯度下降法局部搜索的限制,传统BP神经网络模型预测精度和稳定性均存在问题。鉴于此,引入全局搜索的思维进化算法优化BP神经网络权值、阈值,提高叶绿素a预测效率;并采用偏导方法对预测模型输入因子敏感性进行分析,精简模型输入因子。结果表明:在叶绿素a的BP神经网络预测模型中,引入思维进化算法可显著提高网络训练稳定性和精度,预测精度波动范围从[0.364,0.978]提高至[0.917,0.983],平均预测精度从0.950提高到0.968。利用Dimopoulos敏感性分析将模型输入因子从12因子精简为8因子后,平均预测精度从0.968降至0.962,预测精度波动范围从[0.917,0.983]变为[0.921,0.976],预测模型稳定性更好;在输入因子数目均为8条件下,基于Dimopoulos方法敏感性分析结果筛选出的输入因子组合平均预测精度明显高于基于主成分分析法筛选出的输入因子组合。研究可为基于BP神经网络叶绿素a预测模型输入因子优化提供参考,提高模型预测的稳定性。     

证据理论融合蚁群神经网络的水质预测方法

为了提高水质指标预测的精度,提出了证据理论和蚁群神经网络相结合的组合预测方法。用蚁群神经网络作为单一模型对水质指标进行预测,再由BP、RBF网络对预测误差进行分析建模,获取每个模型的可信度。利用证据理论获取单一模型的权值,实现水质指标的组合预测。该方法克服了常规BP算法收敛速度慢、易陷入局部极值的缺陷,能有效提高预测精度。     

基于改进GWO-BP神经网络模型的箱涵沉降预测

箱涵受外部荷载等多方面影响,会出现一定程度的不均匀沉降,可能会对箱涵结构造成破坏,因此箱涵地基沉降预测十分重要。引入灰狼算法(GWO)对BP神经网络的权值和阈值进行寻优,建立了基于改进的GWO-BP预测模型,对箱涵的沉降值进行预测。将该预测模型应用于南水北调工程天津某标段的箱涵沉降预测,并将预测值与实测值进行对比,相对误差在5%以下。通过与未改进的灰狼算法优化BP神经网络模型、BP模型进行对比,结果表明改进的灰狼算法优化BP神经网络预测模型具有更好的寻优能力与寻优精度,能够有效地对箱涵沉降值进行预测。     

优化BP神经网络的位移预测模型

针对大坝位移预测常规方法存在的问题,基于改进粒子群算法的BP神经网络(IPSO-BP)的大坝位移预测方法,通过IPSO对常规BP神经网络的权值和阈值进行优化,弥补了BP网络的不足,保证了预测精度。以2011-12-21—2013-06-27观测得到的某混凝土重力坝某一典型坝段坝顶的顺河向位移值为研究对象,建立基于IPSO-BP的大坝预测模型并进行仿真分析研究。同时,为了验证该模型的拟合及预测效果,建立PSO-BP模型、利用最小二乘法求解参数的统计模型进行对比分析。上述研究结果表明,此模型预测精度优于常规模型且拟合效果好、预测结果的平均相对误差小,说明此方法有效可行。     

基于EPSO-NN模型的大坝安全监控数据处理

针对大坝安全监控神经网络模型中选入因子较多,使网络权值的计算成为高维问题,提出将粒子进化-多粒子群优化算法应用到人工神经网络,建立了EPSO-NN模型。该方法改善了BP神经网络易陷入局部极值和解不稳定的缺点。通过工程实例表明:EPSO-NN模型收敛速度快,求解稳定,预测精度比最小二乘回归和BP-NN高。     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

基于DGA的BP神经网络及其在一维河网模拟中的应用

考虑到BP神经网络的计算精度和稳定性依赖于初始权、阈值,首先对标准遗传算法进行改进,然后用改进的遗传算法优化BP神经网络的初始权、阈值。将遗传算法和神经网络结合起来建立河网BP模型,把实测资料或者水动力数学模型的计算结果作为学习样本对模型进行训练。将河网BP模型运用于西江三角洲河网,发现该模型与水动力模型的计算结果吻合较好,表明优化后的BP网络用于河网水力模拟是可行的。     

基于GRA-MEA-BP耦合模型的城市需水预测研究

针对城市需水量影响因子多、BP神经网络收敛速度慢、精度低、易陷入局部最优等问题,提出灰色关联分析、思维进化算法、BP神经网络三者耦合的改进预测模型,利用灰色关联分析(GRA)筛选需水量主要影响因子,采用全局搜索能力极强的思维进化算法(MEA)优化BP神经网络的权值和阈值,从而构建GRA-MEA-BP耦合需水预测模型,同时建立BP神经网络模型作为对比。实例应用结果表明,GRA-MEA-BP耦合模型具有更高的预测精度和预测速度,可作为一种有效的需水预测模型。     

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。     

基于遗传优化BP神经网络的GPS高程异常拟合模型研究

为解决标准BP神经网络模型存在的易陷入极小值、训练时间长、网络不稳定等问题,采用基于实数编码的遗传算法,优化网络初始权值和阈值,构建GPS高程异常拟合模型。通过实测数据进行计算分析,并将该模型的结果与平面拟合、二次曲面拟合及标准BP神经网络模型所得结果比较,得出如下结论:使用遗传优化BP神经网络进行高程异常拟合,模型误差和中误差均较小,故基于遗传优化BP神经网络模型具有较高的精度和较好的稳定性,可以应用于GPS高程异常拟合问题。更多还原     

基于遗传算法的模糊优选BP网络模型及其应用

在模糊优选BP神经网络模型的基础上，引入遗传算法，提出融入遗传算法的模糊优选神经网络预测模型，是对模糊优选BP神经网络模型的进一步发展。其基本思路是：在BP算法训练网络出现收敛速度缓慢时启用遗传算法优化网络的运行参数，把优化的结果作为BP算法的初始值再用BP算法训练网络，这样交替运行BP算法和遗传算法，直到达到问题要求的精度。在新疆雅马渡站年径流量的预报中，预测模型在预报精度和算法的收敛速度方面都达到了较好的效果。     

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。     

SSO-BP模型在水资源可再生能力评价中的应用

为评价区域水资源可再生能力,提出了水资源可再生能力评价指标体系和分级标准,构建了基于BP神经网络的评价模型,并以云南省文山州水资源可再生能力评价为例进行实例研究。首先,遴选出单位面积水资源量等10个指标,构建水资源可再生能力评价指标体系和分级标准;其次,针对BP神经网络初始权值和阈值难以确定的不足,利用一种全新的仿生群体智能算法--群居蜘蛛优化（SSO）算法优化BP神经网络初始参数,提出了SSO-BP评价模型,并通过6个高维复杂函数对SSO算法进行验证,且与粒子群优化（PSO）算法进行对比;最后,利用SSO-BP模型对实例进行水资源可再生能力评价。结果表明：① SSO算法具有较好的收敛精度和全局寻优能力,可有效提高BP神经网络模型的预测精度和泛化能力。② 文山州各评价区域2014年水资源可再生能力处于最强与中等之间,符合区域现状。     

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。