基于GA-BP与多隐层BP网络模型的水质预测及比较分析

采用循环算法确定最佳BP神经网络结构,建立BP神经网络水质模型进行预测.鉴于BP神经网络学习收敛速度慢、易陷入局部极值等缺点,在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建GA-BP以及多隐层BP神经网络水质预测模型,以云南省某水库总氮预测为例进行预测与比较分析.结果表明:①GA-BP网络水质模型预测精度高于基本BP网络,表明遗传算法能有效优化BP网络初始权值和阈值.②增加BP神经网络隐层数能进一步提高网络预测精度,但训练时间也随着延长.③GA-BP及多隐层BP可作为提高网络预测精度的有效方法,二者均可用于水质预测预报,可为水质预测预报提供新的途径和方法.相对而言,GA-BP模型收敛速度快、预测精度高,具有一定的计算优势.     

基于免疫进化算法的BP网络模型在径流预测中的应用

在BP网络模型基础上,引入免疫进化算法,建立了基于免疫进化算法的BP网络模型。该模型在一定范围内随机生成初始权值群体,用BP网络进行训练,选择群体中具有最大适应度值的权值个体作为最优个体,应用免疫进化算法生成下一代权值群体,再用BP网络对权值群体进行训练,此迭代过程反复进行,直至达到问题求解精度要求为止。将该模型应用于新疆伊犁河雅马渡站的径流预测,并将预测结果与基本BP网络模型和基于遗传算法的模糊优选BP网络模型的预测结果进行比较,结果表明,该模型不仅精度较高,而且稳定性较好。     

BP网络及多元线性回归在长江堤防监测资料分析中的应用

为比较BP网络及多元线性回归方法在工程中的应用效果,采用这2种方法对长江重要堤防隐蔽工程典型监测断面的资料进行了分析.结果表明:2层的BP网络以及使用线性函数的3层BP网络与多元回归方法的预测效果基本一致,能够满足实际工程需要;使用"S"型活跃函数的3层BP网络预测精度较差.     

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。     

基于BP网络的黑龙江省粮食播种面积动态仿真研究

首先简要分析了BP网络的结构和学习过程,以黑龙江省连续29 a的粮食播种面积数据为例,通过自相关分析,确定输入输出样本对,进而建立BP网络动态仿真模型,并对仿真结果进行拟合和预测精度检验。研究结果表明：模型仿真精度较高,可以对黑龙江省未来粮食播种面积进行预测。预测结果可以为黑龙江省粮食发展规模的确定和农业长期规划的编制提供一定的数据参考。     

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。     

大坝变形预测的径向基函数网络模型

在大坝变形预测中,运用人工神经网络模型进行预测分析已较为广泛,目前使用最多的是BP网络模型,但由于存在计算量巨大,且易出现局部极小和收敛慢等缺点,为此建立了大坝变形预测的径向基函数神经网络模型,并与改进的BP网络模型进行比较.实例表明,径向基函数模型具有良好的泛化能力,克服了BP模型的局部极小和收敛慢等缺陷,在预测精度及训练速度方面显著优于BP模型,具有一定的推广价值.     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

基于粒子群收缩因子算法的BP网络径流预测模型

BP网络模型在径流预测中应用较广,效果较好.但目前对BP网络的初始权重及偏值、学习率、动量因子和训练次数多采用"试错法"来确定,具有较大的不确定性,影响到模型的收敛速度和精度.为此,提出一种利用粒子群收缩因子算法(CFPSO)对BP模型上述参数进行优化的方法,并利用径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度.     

自适应BP神经网络在边坡稳定性预测中的应用

边坡工程是一个动态开放、非线性的复杂系统,应用传统的分析方法往往难以确切描述其非线性特性,采用学习率自适应调整和动量法,对BP神经网络存在易陷入局部极小值、收敛速度慢、对神经元个数依赖性大等缺点进行改进,建立了(6-13-2)结构的自适应BP神经网络模型。边坡预测实例表明:自适应BP神经网络的预测精度高于标准BP神经网络;改进后的BP神经网络提高了网络的训练速度,节省了时间,提高了计算精度。     

基于小波分析的径流分级组合预报模型

为进一步提高径流预报精度、降低预报的不确定性,利用小波分析法提取径流系列的概貌和细节成分;采用BP网络模型、RBF网络模型、SVM模型分别模拟预报,进行径流分级。根据不同级别的径流,对预报结果予以变权重组合,构建了基于小波分析的径流分级组合预报模型,并对其预报结果作了分析和总结。宜昌站中长期径流预报结果表明,组合预报模型能够较好地提高预报精度。     

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。     

快速BP算法在年径流预测研究中的应用

中长期径流预测是水资源研究领域的一项重要内容,本文针对汾河上游兰村站的径流量进行预测。建立三层BP神经网络模型,采用Levenberg-Marquardt(LM)法对模型进行训练。结果表明:模拟和预测的结果精度较高,满足精度要求。LM-BP神经网络模型在汾河上游兰村站的径流预测中是可行的,研究结果可为区域水资源规划管理提供科学依据。     

基于SOFM和BP短期负荷预测方法

基于以自组织特征映射神经网络(Self-organizing feature map,SOFM)先聚类、神经网络再预测的模型以往多用在对疾病、天气方面的预测,由此提出了一种以SOFM与误差反向传播算法的神经网络(Back Propagation,BP)相组合应用为基本原理的短期电力负荷预测的组合模型。该模型主要基于SOFM网络的主要特性聚类,预先将训练样本集采取聚类分析,对其分为具有相似数据的若干子类,再根据每一子类构造一个BP网络模型。利用内蒙古自治区某市的实际日平均负荷数据进行仿真,证明了本文方法的有效性。     

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。     

基于堆栈自动编码器的泵站机组故障分析

将堆栈自动编码器(Stack Auto-encoders)应用到泵站机组的故障分析中,构建了基于堆栈自动编码器的故障分析模型。构建的模型主要由输入层、3个中间隐层和输出层构成,以实现对泵站机组的监测数据和特征进行提取和降维处理。模型网络采用了非监督逐层贪婪方法训练,然后使用反向传播算法对网络参数予以优化,在此基础上,利用softmax分类器进行分类。实验结果表明,运用所构建的模型对机组故障以及不同工况的平均分类准确率可以达到79.88%。该成果可以为泵站机组故障分析提供一定的参考依据。     

基于IGA-BPNN的水电站厂房振动响应预测

为实现水电站厂房结构振动的整体运行状态智能预测,解决多振源耦合与振动响应随机性等问题,以某一河床式水电站厂房振动响应为例,提出了一种基于IGA-BPNN的水电站厂房振动响应预测模型。首先利用IGA对BPNN初始权重值和阈值进行优化,充分发挥IGA高效并行、全局搜索的特点,再通过BPNN网络训练得到结构振动位移预测值。原型观测实例表明,测点振动位移预测值的最大相对误差不超过11%;IGA-BPNN模型与其他模型相比,在预测精度和收敛性能等方面有了明显提升,说明该预测方法有效,可为其他类型水电站的振动研究提供参考。     

基于BP网络和RBF网络的河道浅滩演变预测模型

利用神经网络BP理论在处理非线性问题上的优势，在分析影响河道浅滩演变因素的基础上，建立了基于MATLAB的河道浅滩演变BP网络模型，实例结果表明，利用BP网络和RBF网络模型对浅滩变化进行预测是可行的，具有很好的应用价值，为河道浅滩演变预测研究提供了新方法。     

Measurement and mathematical modelling of nutrient level and water quality parameters

Physico-chemical water quality parameters and nutrient levels such as water temperature, turbidity, saturated oxygen, dissolved oxygen, pH, chlorophyll-a, salinity, conductivity, total nitrogen and total phosphorus, were measured from April to September 2011 in the Karaj dam area, Iran. Total nitrogen in water was modelled using an artificial neural network system. In the proposed system, water temperature, depth, saturated oxygen, dissolved oxygen, pH, chlorophyll-a, salinity, turbidity and conductivity were considered as input data, and the total nitrogen in water was considered as output. The weights and biases for various systems were obtained by the quick propagation, batch back propagation, incremental back propagation, genetic and Levenberg-Marquardt algorithms. The proposed system uses 144 experimental data points; 70% of the experimental data are randomly selected for training the network and 30% of the data are used for testing. The best network topology was obtained as (9-5-1) using the quick propagation method with tangent transform function. The average absolute deviation percentages (AAD%) are 2.329 and 2.301 for training and testing processes, respectively. It is emphasized that the results of the artificial neural network (ANN) model are compatible with the experimental data.