改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

基于EEMD的BP神经网络边坡预测研究

针对边坡变形中非平稳和非线性的数据处理问题,提出一种基于集合经验模态分解(EEMD)和BP神经网络相结合的边坡变形预测新算法(EEMD-BP)。该算法先对边坡变形序列进行EEMD分解,有效分离出隐含在时序中具有不同尺度特征的子序列,进而对各子序列建立BP神经网络预测模型,最后叠加各子序列预测值得到边坡变形最终预测结果。与GM(1,1)和BP神经网络模型对比分析表明,该算法预测精度较高,在边坡变形波动剧烈时段,也能保证较优的局部预测值和较好的全局预测精度。     

基于改进BP神经网络的大坝安全监测预报模型

合理有效的安全监控预报模型,是保障大坝的安全运行的重要手段.针对传统统计模型预测精度不高的问题,通过对BP神经网络的优化改进,建立基于逐步回归特征选择算法筛选输入变量、自适应学习率和附加动量因子网络学习的BP神经网络预测模型,并将该模型用于某混凝土拱坝的变形预测中.结果表明,改进的BP网络预测模型具有出色的非线性逼近能...     

基于神经网络参数优化的岩体边坡稳定性评价

高陡岩体边坡的稳定性是一个内部存在多种相互联系、相互影响因素的复杂系统,而BP人工神经网络属于非线性动态系统,较适合用于评价高陡岩体边坡稳定性。分析了BP网络模型参数对高陡岩体边坡稳定性评价精度的影响,并提出了对模型参数进行优化,以提高预测精度的若干办法。用一工程实例对参数优化后的BP神经网络在高陡岩体边坡稳定性评价中的应用效果进行了检验。研究表明,用经参数优化的BP人工神经网络模型预测高陡岩体边坡稳定性是可行的,预测结果虽然与实际状态存在一定的误差,但仍可以相对准确地反映边坡稳定状况。     

基于神经网络参数优化的岩体边坡稳定性评价

高陡岩体边坡的稳定性是一个内部存在多种相互联系、相互影响因素的复杂系统,而BP人工神经网络属于非线性动态系统,较适合用于评价高陡岩体边坡稳定性.分析了BP网络模型参数对高陡岩体边坡稳定性评价精度的影响,并提出了对模型参数进行优化,以提高预测精度的若干办法.用一工程实例对参数优化后的BP神经网络在高陡岩体边坡稳定性评价中的应用效果进行了检验.研究表明,用经参数优化的BP人工神经网络模型预测高陡岩体边坡稳定性是可行的,预测结果虽然与实际状态存在一定的误差,但仍可以相对准确地反映边坡稳定状况.     

自适应BP神经网络对黄河下游洪水位的预报

利用黄河下游多水文站的多年水位资料,用自适应BP神经网络对艾山水文站的水位进行预测,同时与逐步回归分析以及普通BP神经网络得到的结果对比,结果表明：①自适应BP神经网络的预报精度高于普通BP神经网络、逐步回归法,尤其对最高洪水水位的预报精度有较大的提高;②普通BP神经网络存在易陷入死循环、收敛速度慢、对神经元个数依赖大等缺点,可以利用学习率自适应调整和动量法改进BP神经网络;③建议在补充、完善资料的基础上,将神经网络与时间序列相结合,加强黄河下游洪水水位预报的研究和实验,进一步提高预报精度。     

改进粒子群神经网络在变形预测中的应用研究

为更好地对变形体未来的形变量进行预测,研究粒子群BP神经网络模型,并对该模型进行改进,建立改进粒子群BP神经网络模型,结合工程实例,进行对比分析。研究表明,粒子群BP神经网络模型的拟合和预测精度均高于传统BP神经网络模型;改进后的粒子群BP神经网络模型进一步提高了拟合和预测精度,且随着改进方法的不断深入,其预测精度也逐渐提高;改进后的粒子群BP神经网络模型可以更好地对变形进行预测,优势显著。     

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

基于新维BP神经网络-马尔科夫链模型的大坝沉降预测

基于组合预测思想,结合BP神经网络和马尔科夫链2种预测方法,构建了一种新维BP神经网络-马尔科夫链大坝沉降预测模型。通过对训练样本的学习,利用新维改进的BP神经网络算法实现了对沉降位移时间序列的滚动预测。在此基础上,借助马尔科夫链模型对其随机扰动误差进行修正,有效地提高了预测结果的精度。将构建的组合模型应用于长洲大坝船闸控制楼沉降位移时序预测中,研究结果表明该模型预测精度较高、可靠性好,提高了模型的中长期预测能力,为大坝沉降预测提供了一种有效的新方法。     

改进的BP神经网络模型在辽宁中部河流水质预测中的应用研究

本文采用改进的BP神经网络模型对辽宁中部某河流水质进行预测。结果表明:改进的BP神经网络模型引入横向和纵向伸缩修正系数对模型梯度函数进行改进,提高传统BP模型收敛和计算精度。在区域河流水质预测精度明显好于传统模型,预测的河流水质总氮指标值相对误差均值明显减少,月尺度过程相关系数有较大提高。     

基于GA-BP算法的岩质边坡稳定性和加固效应预测模型及其应用研究

针对岩质边坡稳定性预测及加固效应具有的非线性和非明确性等特征,为了准确的预测稳定安全系数和加固效应,采用在实际工程中较为常见的二折线滑动面边坡概化模型,以边坡潜在滑块高度、上下滑动面倾角、坡面倾角、滑块面积,以及上下滑动面的黏聚力和摩擦系数作为影响因素,进行基于强度折减法的数值计算获得安全系数,得到足够数量的样本。然后利用遗传算法GA优化BP神经网络的权值和阈值,建立边坡稳定性的安全系数GA-BP预测模型,将其预测结果与标准BP神经网络进行对比分析。在此基础上,建立混凝土置换加固和锚索加固的方案优化方法。最后,将该方法应用于白鹤滩水电站泄洪洞出口边坡典型剖面在天然和开挖状态下的安全系数预测,并分别对混凝土置换加固和锚索加固进行了方案优化。结果表明:GA-BP神经网络模型精度更高,收敛速度更快,比使用标准BP网络模型的效果更优。研究成果对边坡稳定性评价和加固方案优化具有参考意义。     

基于主成分分析的GA-BP模型在城市需水预测中的应用研究

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

基于MATLAB下BP神经网络的边坡稳定性预测

将MATLAB中的BP神经网络引入到边坡稳定性研究中,但由于标准的BP算法存在收敛速度慢、容易陷人局部极小点等缺点,为此采用各种改进及优化的算法,以寻求更适合边坡稳定性预测研究的算法。本文结合了大量边坡实例,经过理论分析和实例测试,能显著提高训练速度、减少收敛周期,达到很好的边坡稳定性预测结果。     

基于Matlab的土石坝变形分析BP神经网络模型的建立——以哈尔滨西泉眼水库大坝为例

针对传统的数学模型方法的不足,本文通过对BP网络模型的研究,建立改进的BP神经网络预测模型即采用附加动量法和自适应学习效率相结合的BP模型,并使用MATLAB语言编程加以实现。并将该模型应用于哈尔滨西泉眼水库大坝变形监测数据的分析和预测,发现其预报精度较传统模型有较大提高。     

基于主成分分析的GA-BP模型在城市需水预测中的应用

针对城市需水预测模型中需水量影响因子多、影响因子之间普遍存在多重共线问题,以及BP神经网络收敛速度慢、易陷入局部最优等缺点,提出一种由主成分分析、遗传算法及BP神经网络三者相结合的改进预测模型。以泰州市为实例,建立以主成分分析筛选需水量主要影响因子,遗传算法优化BP网络连接权值和阈值的需水预测模型,预测结果与BP神经网络预测模型预测结果做对比。结果表明:改进预测模型对泰州市2003-2014年需水量预测的平均相对误差为0.564%,最大相对误差为1.681%,精度优于BP神经网络预测模型;改进预测模型预测值与实际泰州市需水量吻合良好且训练速度更快、预测精度更高,可作为需水预测的一种有效方法。     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

改进的BP神经网络模型在地下水预测中的应用研究

针对传统BP神经网络模型局部较易收敛的缺点,引入小波分析函数对传统BP神经网络模型节点计算进行改进,并将改进的BP神经网络模型在新疆地区地下水预测中进行应用,研究结果表明:改进的BP神经网络模型可解决模型局部较易收敛问题,预测的地下水水位和实测的地下水水位更为接近,预测的地下水水位和实测水位之间的相关性年尺度达到0.85,高于传统BP神经网络模型的预测精度。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

基于EMD的凌河流域降水径流预测模型研究

为提高降水径流预测模型的预测精度,利用经验模态分解法处理非线性复杂信号的优势,再结合BP神经网络,对凌河朝阳水文站1956—2009年的降水量资料进行分解,以分解出的分量作为BP神经网络预测模型的输入,以实测的年径流量作为输出,建立降水径流预测模型。模型检验结果表明:模型预测精度较高,对凌河流域径流量预测具有一定的实用性。     

基于改进BP神经网络模型的区域农业灌溉用水预测研究

传统BP神经网络模型局部易出现收敛,在模型求解过程,易出现求解不收敛的缺陷.为此引入小波分析函数对传统BP神经网络的节点计算进行改进.并将改进的BP神经网络模型运用于农业灌溉用水预测中,研究结果表明:改进的BP神经网络模型改变了局部易收敛的缺陷,模型求解更为合理.在农业灌溉用水预测精度上也明显好于传统的BP神经网络模型.