粒子群神经网络在大跨钢结构挠度监测中的应用

针对传统BP神经网络拓扑结构不确定、收敛效率低、容易陷入局部最优解的缺陷,引入粒子群(PSO)算法替代BP神经网络中基于误差函数梯度下降的学习训练规则,构建了粒子群神经网络(PSO-BP)模型,并以重庆某大型场馆安全监测项目为例,通过对比分析验证了粒子群神经网络模型在大跨钢结构挠度监测中的可行性以及与传统BP神经网络模型相比在效率和精度方面的优越性。     

城市生活需水量预测中智能算法的应用研究

在分析城市用水特点、筛选相关影响因素的基础上建立城市生活需水量预测模型,并研究了模型求解过程中智能算法的应用。采用改进的粒子群优化(PSO)算法对反向传播(BP)神经网络的初始设置进行智能优化,避免了传统BP神经网络模型在训练过程中容易陷入局部极小值的缺点。应用该粒子群优化神经网络(PSO-BP)算法求解需水量预测模型,其实例结果表明,该算法提高了神经网络的训练效率,基于该算法的预测模型具有较理想的可靠性和精度。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。     

基于粒子群神经网络的空调冷负荷短期预测

为提高空调冷负荷预测精度,本文提出了基于PSO-BP算法的神经网络模型。将PSO算法与BP神经网络相结合,对大型商场的空调样本数据进行冷负荷预测实验。结果表明,与BP神经预测算法相比,该算法的预测精度更高,运行速度更快。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

基于PSO-BP神经网络盾构掘进参数预测研究

以珠海某城际铁路盾构隧道施工建设为背景,结合已采集的盾构施工数据,采用粒子群优化算法对BP神经网络算法中的连接权值和阈值进行优化,建立了PSO-BP神经网络盾构掘进参数预测模型,并对建立的模型和预测结果进行验证,为后续复合地层盾构掘进参数的选取提供一定参考。     

一种基于t分布变异粒子群神经网络的路基沉降预测模型

针对已有的路基沉降预测模型精度较低的问题,在BP神经网络及粒子群算法的基础上,提出一种自适应t分布粒子群BP神经网络预测模型,提高路基沉降预测精度。     

改进PSO-BP算法在钢筋腐蚀监测中的应用研究

针对混凝土内部钢筋腐蚀程度判别难、精确度低等问题,提出了将改进粒子群算法(PSO)与BP神经网络结合起来,通过对钢筋锈蚀机理及其影响因素的分析,建立了以混凝土内部温度、湿度、pH值、Cl-浓度和腐蚀电位为输入,钢筋腐蚀率为输出的改进PSO-BP监测模型,并将实测输入数据与仿真结果进行了对比。结果表明,改进PSO-BP算法的收敛性与准确性均优于PSO-BP算法和BP算法。     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于PSO-BP算法对古建筑消防安全评价

基于影响古建筑火灾发生的原因,建立了比较合理的消防安全评价指标体系,并构建了以粒子群(PSO)算法优化BP神经网络的评价模型。通过样本的建立,确定了BP神经网络的网络结构,运用粒子群算法去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,对其进行训练直到误差满足既定要求。为了验证该评估模型的有效性,最后将训练的粒子群优化的BP神经网络模型应用到奉国寺大雄殿的消防安全评价中。结果表明,此模型收敛更快、适应性更强、精度更高。在古建筑消防安全评价中具有较好的应用价值,实现了古建筑消防安全评价的定量分析。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

PSO优化BP算法在基坑变形预测中的应用

地铁车站深基坑变形预测是保证地铁车站安全施工的一个重要手段,为了能够更准确更有效的预测地铁车站深基坑变形,采用粒子群优化算法即PSO算法对传统的BP神经网络的权值和阀值进行了优化,同时对该预测模型中的输出样本添加噪声训练,建立了基于粒子群优化BP神经网络的地铁深基坑变形预测算法。以合肥市轨道交通2号线长丰南路站深基坑为工程实例,经计算表明该算法取得了良好的效果,所预测的变形数据具有较高的可信度。     

基于演化算法的桩基极限承载力预测模型研究

单桩的竖向极限承载力受众多因素的影响,各影响因素与单桩承载力之间存在着高度的复杂性和非线性,借助神经网络的一个非线性处理能力,结合演化算法,建立基于粒子群算法和BP神经网络的单桩竖向极限承载力的预测模型。实验结果表明,经过演化算法优化的BP神经网络,在预测精度和收敛速度上都取得了良好效果。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

混合BP神经网络在城市污水量预报中的应用

对城市污水处理厂污水量的科学预测是污水处理机组协调和优化调度的基础和关键。针对传统BP神经网络在污水处理厂污水量的预测中存在收敛速度慢、预报精度低等缺陷。本文提出采用改进的粒子群优化算法优化BP神经网络的连接权值,以提高污水量预报的速度和精度。实验结果表明了该混合BP神经网络在城市污水量预报中的有效性和精确性,实现了污水处理厂各机组的优化运行和节能降耗。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

再生混凝土抗压强度预测方法研究

以BP神经网络在解决非线性问题方面的优越性为指导思想,建立了再生混凝土28 d抗压强度预测模型。利用具有全局搜索优势的遗传算法对BP神经网络进行优化,提高BP神经网络的预测精度。经过查阅相关文献,筛选出较为合适的L-M算法作为训练函数,把收集到的再生混凝土配合比数据代入网络进行训练与预测。结果表明,GA-BP神经网络预测精度较BP神经网络有了进一步提高。     

基于IPSO-BP混合模型的TBM掘进参数预测

通过TBM上升段数据预测稳定段的掘进参数,可以在每个掘进循环的起始阶段预测出各掘进参数的建议值,辅助进行TBM掘进参数的设置和优化调整。提出一种基于改进粒子群算法优化BP神经网络(Improvedparticle swarm optimization-back propagation,IPSO-BP)的TBM掘进参数预测模型,采用自适应惯性权重对标准PSO算法进行改进,并基于改进PSO算法对BP网络的连接权值和偏置进行优化。基于吉林引松工程TBM3标段802 d的TBM运行数据对训练集和测试集进行划分。选取TBM掘进上升段前30 s的刀盘扭矩、贯入度、刀盘功率、推进速度、总推进力5个掘进参数变化特征(均值和线性拟合斜率),以及岩性、围岩分级和地下水活动情况3个地质参数作为模型的输入,并通过试验法确定模型的3个关键超参数(隐含层节点数、学习率和粒子群种群规模),预测稳定掘进时的推进速度v、总推进力F和刀盘扭矩T。结果表明,所提出的模型对TBM稳定掘进段参数的预测拟合优度均达0.85以上,平均绝对百分误差均小于12.68%,相比于BP模型和PSO-BP模型具有更高的预测精度。     

基于改进BP神经网络的基坑支护结构数据处理

针对现有的基坑监测和预测数据处理方法的不足,对BP神经网络预测模型作了研究和改进,应用改进后的BP算法对基坑支护结构水平位移数据进行处理,并将改进的BP算法与传统算法所建立的模型应用于工程实例进行比较,结果表明,改进后的BP神经网络模型在预测精度、训练时间、稳定性等方面均优于传统BP神经网络模型。