基于遗传算法的煤与瓦斯突出影响因素研究

针对采用BP神经网络对煤与瓦斯突出预测时的过学习现象,引入遗传算法对煤与瓦斯突出的影响因素进行选择,并建立了以筛选出的变量作为输入的优化BP网络预测模型.遗传算法中染色体采用二进制编码,个体适应度函数引入了惩罚函数,并对基本遗传算法的遗传操作算子进行了一定的改进,最后利用平煤八矿煤与瓦斯突出的实测样本,在MAT-LAB2009b环境中对上述算法进行仿真研究.结果表明,以遗传算法筛选出的变量作为输入建立的预测模型的输出结果的拟合效果变好,预测精度提高,建模时间缩短.     

气象灾害条件下电网应急物资预测方法

为提高电网应急物资调配响应速度和电网抢修效率,提出一种案例推理与深度学习相结合的电网气象灾害条件下的应急物资预测方法.以气象信息、电网设备数据和地理环境数据为输入信息,利用案例推理方法确定预测模型输入、输出结构,并根据不同输入信息的特点进行处理和量化,利用深度置信网络完成案例适配,综合事故规模信息建立动态电网应急物资预...     

基于气象因素的PM2.5质量浓度预测模型

为得出拟合效果最佳的预测模型,建立了多元回归和机器学习预测模型对PM_2.5质量浓度进行预测。在输入气象因素的基础上,引入污染物质量浓度基础值和周期因素两类变量作为预测输入,并对4种预测模型进行对比研究。研究结果表明:对预测输入进行改进后,多元线性回归预测模型拟合优度由0.52提高至0.64,所选取的气象参数、污染物质量浓度基础值和周期因素能较好地描述PM_2.5质量浓度的日变化情况;与多元线性回归预测模型相比,BP神经网络和支持向量机两种预测模型能较好地捕捉PM_2.5质量浓度与预测输入之间的非线性影响规律,整体拟合优度分别达0.69和0.74,预测准确度较高;支持向量机预测模型可作为PM_2.5质量浓度预测的首选方法。     

DB小波与RBP神经网络的短期电力负荷预测

基于DB小波与BP神经网络,提出一种DB小波与RBP神经网络的方法对短期电力负荷预测.运用DB小波能够精确地提取时间序列的细微特性和RBP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了DB与RBP预测模型,经实际数据证明该方法提高了预测的精确性.     

基于BP神经网络的烟田土壤水分预测

提出了分区域、分阶段建立烟叶田间土壤水分预测简化模型的思想,并利用BP神经网络建立了烟田土壤水分预测模型,确定区域阶段土壤水分初值、蒸发量、月均气温、日照、降雨量为输入层和阶段土壤水分为输出层,实现了从输入端到输出端的非线性映射。研究表明,该预测模型具有较好的预测效果,有广泛的适应性和广阔的应用前景。     

LSTM-CNN网络在同步电机励磁绕组匝间短路故障预警中的应用

人工智能与电力系统的结合日渐紧密,深度学习在实现电网智能化中起到了重要的作用。为了实现隐极同步电机励磁绕组匝间短路早期故障的在线预警,提出一种基于LSTM-CNN的神经网络预测模型。模型以同步电机正常运行时多个可测量物理量和励磁电流为网络输入、输出,利用历史数据进行网络训练,并根据拟合输入量与输出量之间的函数关系确定故障预警阈值。以相同的实验数据训练相同层数的LSTM网络、CNN网络与LSTM-CNN网络,结果证明LSTM-CNN网络在训练速度和拟合精度上的综合表现最佳。     

NPSO-GRNN在城市生活需水量预测中的应用

利用小生境粒子群算法(NPSO)的全局搜索能力,对GRNN的光滑因子进行优化,提高了广义回归神经网络(GRNN)的网络性能,建立了基于NPSO-GRNN的城市生活需水量预测模型。研究结果表明:利用该模型拟合和预测北京市1988-2012年生活需水量数据的平均相对误差绝对值分为别0.72%和0.36%,两者都比BP神经网络模型拟合预测的结果低;NPSOGRNN模型能更好的拟合北京市城市生活需水量的变化趋势,预测精度更高,泛化能力更强。     

基于多层聚类和改进BP神经网络的短期负荷预测

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.     

一种改进的IPSO-BP神经网络在股指预测中的应用 ——以上证综指为例

针对股票数据具有规模庞大、结构复杂、多噪声和高度模糊非线性等特点而导致预测难的问题,利用改进的粒子群算法(固定惯性因子动态化)优化BP网络权阀值,建立了一个基于历史日收盘价、最低价、最高价、成交量、成交额、涨跌幅为输入变量,日开盘价为输出变量的预测模型.利用MATLAB软件对2007年1月4日至2015年8月31日上证综指(开盘价)进行了仿真预测,并且从绝对误差与相对误差等角度对比分析了BP网络优化前后的预测结果,结果表明IPSO优化后的BP网络不仅可以更快地实现收敛寻优,而且在对未来股价的趋势判断与指数     

基于KPCA-WOA-KELM的岩爆烈度预测

岩爆是隧道开挖中常见的工程地质灾害,为准确预测岩爆烈度,提出基于KPCA-WOA-KELM的岩爆烈度预测模型.首先,根据岩爆烈度影响因素确定岩爆评判指标,并采用核主成分分析(KPCA)对岩爆数据做特征提取,简化模型输入参数的同时充分保留数据特征信息;其次,使用核极限学习机(KELM)拟合评判指标与岩爆烈度间的非线性映射...     

基于神经网络的表面粗糙度识别算法

提出一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的散射光强度分布数据,把表征光强分布的数据和样块的标称值分别作为神经网络的输入和输出,采用改进的ＢＰ算法对神经网络进行训练。训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值。该算法充分利用了神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别     

分形-混沌混合预测模型在大坝安全监测中的应用

如果能针对大坝监测效应量测值序列建立一种不依赖于环境因子,而又综合考虑序列中蕴含的确定性分量和混沌分量的模型,则可以解决常规统计模型由于模型因子选择不当和环境量观测误差引起的模型失真问题.在对确定性分量、混沌分量和随机性分量可预测性分析的基础上,首先利用分形插值算法建立效应量确定性分量预测模型,然后对实测数据和确定性分量预测结果间的误差序列通过相空间重构建立混沌分量预报模型,再以二者叠加组成最终混合预测模型.计算实例表明,在不依赖于环境因子的情况下,该模型比常规统计模型有更高的预测精度.     

多点输入的河流空间污染响应研究

输入响应模型是定量描述污染源与环境目标关系的有效工具.基于河流监测统计资料和多年水文数据,计算了第二松花江各断面化学需氧量输入单位污染源时对控制断面的影响系数;评价了各污染源对控制断面的贡献率,其中,饮马河输入对第二松花江出口断面的松林断面水质贡献率最大,为24.46%,镇江口、西大嘴子断面紧随其后,贡献率分别为15.29%和14.25%;可以确定河流城市段是水质改善优先控制区域.建立的输入响应模型可靠,可为制定流域水环境管理和污染防治规划提供科学依据.     

基于PCA改进的LS—SVM公路旅游客流量预测模型

公路交通旅游客流量的影响因素众多,加大了预测模型输入变量的复杂性,降低了模型的运行速度和预测精确．首先,利用主成分分析对公路旅游客流量影响指标进行综合分析,得到主成分即输入变量,然后建立以主成分为输入变量,以客流量为输出变量的最小二乘支持向量机预测模型．通过实例验证和比较,展示了基于主成分分析改进的最小二乘支持向量机公路交通旅游客流量预测模型,具有较好的预测效果和较高的应用价值．     

基于PSO算法的神经网络集成构造方法

为合理选择组成神经网络集成的个体,使各个体间保持较大的差异度,从而提高集成所建模型的仿真精度,提出一种新的神经网络集成构造方法.独立训练出一批神经网络,采用离散粒子群优化(PSO)算法,用多维空间中0或1取值的粒子描述所有可能的神经网络集成.网络集成预测误差的估计值用组成集成的个体网络之间的相关度表示,并作为优化过程中的适应度函数.优选得到参与构成神经网络集成的部分差异度较大网络个体.对8个典型数据集回归问题的实验结果表明,该方法构造的神经网络集成普遍使用了较少的网络个体,而预测精度均好于Bagging方法等传统方法.     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

分形-混沌混合预测模型在大坝安全监测中的应用

如果能针对大坝监测效应量测值序列建立一种不依赖于环境网子,而又综合考虑序列中蕴含的确定性分量和混沌分量的模型,则可以解决常规统计模型由于模型因子选择不当和环境量观测误差引起的模型失真问题．在对确定性分量、混沌分量和随机性分量可预测性分析的基础上,首先利用分形插值算法建立效应量确定性分量预测模型,然后对实测数据和确定性分量预测结果问的误差序列通过相空间重构建立混沌分量预报模型,再以二者叠加组成最终混合预测模型．计算实例表明,在不依赖于环境因子的情况下,该模型比常规统计模型有更高的预测精度．     

工程数据库中多库多记录的存储管理

根据工程数据库的现状及应用的需要,提出了一种基于工作区的多库多记录的存储管理策略,该方法以最大限度地利用内存空间,减少Ｉ／Ｏ次数及提高系统效率为目的,     

采用核极限学习机的短期需水量预测模型

为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier se-ries,FS),利用该模块对需水量初始预测值与观...