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。     

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.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

基于遗传算法的BP神经网络在轻质路基沉降预测中的应用

为更好地掌握轻质路基施工过程中的沉降变形情况,选取宁芜保通线部分轻质路基沉降监测数据,在BP(back propagation)神经网络模型的基础上,采用遗传算法对其进行优化,并将优化后的模型应用于轻质路基沉降预测。结果表明：遗传算法优化的BP神经网络在全局搜索能力和收敛能力方面具有明显优势;在轻质路基沉降预测任务中,多数预测结果的相对误差集中在更低的范围内,监测点1和监测点2预测结果的模型评价指标MAE、RMSE、MAPE分别为0.017 mm、0.021 mm、0.679%和0.013 mm、0.016 mm、1.395%,预测结果拟合程度高,误差小,模型泛化能力强。因此,遗传算法优化的BP神经网络的沉降预测模型具有可靠的预测效果与预测精度,在实际工程中可行性较高,可作为轻质路基沉降预测和预警的一种辅助手段。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

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...     

遗传BP神经网络的煤价预测与煤价风险规避策略

分析了影响煤炭市场价格的因素,然后建立了基于遗传算法的BP网络模型,对秦皇岛港煤炭市场价格进行了预测,通过实证分析和预测误差评价指标比较,基于遗传算法的BP神经网络模型相比普通BP神经网络模型预测在煤炭市场价格应用中能有效降低预测误差。最后提出了在当前市场煤价高位运行情况下发电企业如何最大限度降低煤价风险的对策。     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.     

基于ABC-BP模型的基坑地表沉降预测

目前基坑工程普遍仅关心地表沉降值是否超出监测预警值,缺乏对基坑地表沉降短期实时预测的有效方法,降低了基坑安全性。利用人工蜂群算法优化BP神经网络的组合模型可合理预测基坑地表沉降。首先,结合灰色相关度理论,对输入变量进行筛选,提高网络结构的高效性;接着,利用人工蜂群算法优化BP神经网络初始值,实现对地表沉降累计最大值及位置的预测;最后,将ABC-BP模型与其他常见神经网络预测模型对比,验证模型有效性。从预测和对比结果中可知,ABC-BP模型训练及预测结果的平均相对误差为3.27%,均方根误差为3.87,验证模型有效。     

遗传算法优化神经网络用于大气污染预报

大气污染预报可以对大气污染提出警示,保护人体健康和生活环境.为了对北京市PM10的质量浓度进行预报,建立了用于大气污染预报的遗传神经网络模型,该模型运用遗传算法优化神经网络的权值和阈值,有效提高了网络的收敛性和预报准确率.用改进后的神经网络对北京市PM10的质量浓度进行了模拟,并将模型模拟结果与美国第3代空气质量模型Models-3(CMAQ)的数值模拟结果进行了比较.实验结果表明:遗传神经网络模型和数值模型的模拟结果的平均相对误差分别为0.21和0.26,用于空气污染物质量浓度短期预报时,神经网络模型的预测精度与数值模型的预测精度相当.对于没有条件开展空气污染数值预报的城市或地区,神经网络是一种有效的替代方法.     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

Optimizing neural network forecast by immune algorithm

1 INTRODUCTIONThe forecast of complicated nonlinear relation-ships among multi-factor ti me series can be ex-pressed as a multivariate ti me series analysis ,which si multaneously observes the dynamic processof a group of (multi-di mension) correlative randomvariables as a whole , while traditional linear fore-casting methods such as multiple regression mod-el[1], GM(1 ,N) model[2]seemto have many bar-riers on solvingthis complex nonlinearissue amongthese multi-factor ti me series .Artifi…     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

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EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

基于粒子群优化BP神经网络的医患关系风险预警模型

为了提高医患关系风险预警的准确度,提出一种基于粒子群优化反向传播(back propagation,BP)神经网络的医患关系风险预警模型.首先采用通过粒子群算法优化BP神经网络初始权值和阈值的方法来提高BP神经网络的预测准确度;通过对模型优化前后的对比分析,得出优化后模型预测误差更小的实验结果.仿真结果表明:此方法建立的医患关系风险预警模型收敛速度更快,预测精度更高.     

遗传神经网络在铁矿石需求预测中的应用

将遗传算法与BP神经网络结合,利用遗传算法的全局搜索优化BP网络的初始权重,有效地克服了BP算法的局部收敛和收敛速度慢等问题.使用主成分分析法选取输入变量,并将建立的混合模型应用于铁矿石需求预测中.实验表明,该方法改善了预测精度,达到了较好的预测效果.