基于BP神经网络的建筑能耗预测

建筑负荷的预测是现在建筑能耗工作中十分重要的一项,是建立节能减排的重要支撑条件,对建筑总体能耗的预测需要考虑建筑结构内、外部环境方面的各项因素,例如对外部平均温度、湿度等,提出了使用BP神经网络的理论解决负荷的预测问题,结合某地的事实数据,用Matlab建立负荷预测模型,进行仿真预测的结果进行分析,预测的误差较小,能够比较有效地进行实用。     

基于BP神经网络的地铁节假日能耗预测

针对常规预测中的节假日预测精度低的缺点,提出了一种基于BP神经网络的地铁能耗预测模型,实现了正常日和节假日的分别预测.以某市地铁能耗统计数据作为样本,对模型进行了仿真预测.结果表明,利用本文预测模型,确实提高了地铁的节假日能耗预测精度.     

基于PSO-BP神经网络的脱硫制浆系统能耗建模

针对脱硫制浆系统生产过程中能耗监控困难的问题,利用PSO-BP神经网络的非线性映射能力,提出了一种能够准确反映脱硫制浆系统实时能耗的网络模型。由脱硫制浆系统工艺生产机理确定了输入变量,利用粒子群优化算法强大的全局搜索能力对BP神经网络的参数进行优化。实验结果表明,与LSSVM等模型相比,PSO-BP在脱硫制浆能耗建模中具有更好的非线性拟合效果,均方根误差低至0.004 6 kW·h/t,最大绝对误差低于2%,表明提出的建模方法能够实现对脱硫制浆系统能耗的有效监测。     

改进BP神经网络在软件能耗分析中的应用

提出以软件特征量为基础的嵌入式软件体系结构级能耗建模方法。利用软件特征量与嵌入式软件能耗之间存在非线性函数关系的特点,采用基于改进遗传算法的BP神经网络算法进行训练拟合。从初始群体、编码、模拟退火算子3个方面对遗传算法进行改进以增强拟合的效果。实验结果证明,基于该算法的能耗模型预测值与实际能耗值的误差较小。     

基于神经网络和主元分析的人脸识别算法

针对高维、小样本的分类问题,提出2个重要的准则,用于估计RBF单元的初始宽度.采用主成分分析方法把训练样本集投影到特征脸空间,以减少维数,用Fisher线性判别式产生一组最具判别性的特征,使不同类间的训练数据尽可能地分开,而同一类的样本尽可能地靠近.实验结果证明,该算法在分类的错误率及学习的效率上都表现出较好的性能.     

基于神经网络的机械加工工序能耗预测

针对工序级能耗难以用数学方法精确估算的问题,提出了一个基于神经网络的机械加工工序能耗预测方法。给出了输入变量及输出变量的选取及其归一化处理方法,进行了隐含层节点数和传递函数的选取。以各切削用量组合及其对应能源消耗的历史数据作为神经网络训练的样本集,建立切削用量组合方案输入和能源消耗输出间的非线性关系,从而对新的切削用量参数组合进行能耗值的预测。以某企业导叶片的粗铣加工为例,验证了该能耗预测方法的有效性。     

基于主成分分析和BP 神经网络的气体识别方法研究

本文将主成分分析法与BP算法相结合应用于气体传感器阵列信号的处理,并以一个由4个SnO2气体传感器组成的阵列为例,对其受到不同浓度的汽车、酒精二元气体的响应信号进行了分析,结果表明,主成分分析能够在保留测试数据量大量信息的前提下,给数据有效降维和预分类,以消除样本间的相关性。然后,再将所产生的新的样本空间作为BP网络输入,使之减少网络的输入数,简化网络结构,并在保持相同正确率的前提下,大大提高网络的学习速率。     

北方潜流人工湿地处理城市生活污水的应用分析

当今世界，水污染逐步严重，对于我国经济的发展与人民的健康生活构成了巨大的威胁，如何治理受污水体已经成为了迫在眉睫的问题。新的发展时期，人工湿地作为一种污水处理替代技术，受到了高度的重视，人工湿地处理技术具有处理费用以及基建费用低的优点，适合大范围进行推广。本文就北方潜流人工湿地处理城市生活污水的应用进行分析，了解当前我国的城市水污染处理处理现状。     

基于主分量分析的BP神经网络人脸图像识别算法

本文提出了一种基于主分量分析法和反向传播神经网络的图像识别方法，并详细阐述了这种方法的具体实现过程。在整个算法过程中，主分量分析法主要用于图像的预处理，也就是提取有用的特征样本；反向传播神经网络则是作为一个分类器对未知图像进行分类。此方法具有较强的自适应性、较高的识别率以及对某些噪声的鲁棒性。     

基于主元分析和集成神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见突发型故障,提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法.利用PCA方法提取故障特征,得到的特征向量作为神经网络的训练样本;利用WB算法依次训练多个神经网络分类器;由集成神经网络得到待测样本的故障诊断结果.仿真实验表明:该方法对测试样本的识别正确率在98.5％以上,能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力.     

基于梯度的无线传感器网络能耗分析及能量空洞避免机制

在基于"梯度汇聚"模型的无线传感器网络 (Wireless sensor networks, WSNs)中, 因节点间能量消耗不平衡而引发的能量空洞一直是影响网络生存周期的重要原因. 本文分别分析了无通信干扰的自由空间环境和瑞利衰落环境下网络中节点的能量消耗,提出了一种基于节点能量非均匀分布的能量空洞避免机制,即根据节点的能耗水平为每个节点储备不同的初始能量.并结合通信干扰、休眠机制等因素,研究了基于"梯度汇聚"模型的无线传感器网络生存周期的上界和下界. 模拟结果表明,该机制提高了能量的利用效率,延长了网络的生存周期.     

用于能耗数据分析的改进并行BP算法

基于Map Reduce框架的传统BP神经网络算法收敛缓慢,训练易陷入局部极小点,使迭代次数过多,极大浪费资源。为此,提出并实现改进的并行BP算法,采用动态调节学习率、动量因子调整权重修正值,提升BP网络并行训练效率,利用预处理数据和最大分类概率增强分类的准确性。实验结果表明,改进的并行算法能提高分类准确率,缩短近17/18的训练时间。     

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K S检验法能够有效实现对预测结果的修正。     

基于BP神经网络的PID控制方法的研究

本文提出了一种基于BP神经网络的PID控制方法,充分利用BP神经网络算法逼近任意连续有界非线性函数的能力,这种PID控制方法能学习和适应严重不确定系统的动态特性。文中采用三层前向网络,动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能。计算机仿真结果表明,基于BP神经网络的PID控制较常规的PID控制具有更好的鲁棒性和自适应性,能取得良好的控制效果。     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.     

基于BP神经网络的城市污水泵站预测模型

针对污水流量受降雨径流、管网汇流等自然因素和生活污水、工业废水及泵闸开关等人为因素的影响,具有不确定性、非线性及滞后性,难以建立准确的城市污水泵站系统模型,采用人工神经网络方法建立了城市污水泵站预测模型,通过对污水泵站运行机理过程的理解以及对各变量进行相关性分析从而确定模型的输入,并对不同预见期污水泵站水位进行预测,通过与实际比较及有效性验证,该模型具有较高的精度,可指导城市排水的安全运行控制.     

水声传感器网络数据传输能耗分析

水声传感器网络设计的其中一个目标就是提供节点间可靠通信的同时,能量消耗最小化。通过构造简化的场景,参考海洋中水声信号的吸收损失、传感器节点的参数以及实际环境参数推算出水声传感器网络分别在集中式拓扑结构和多跳式拓扑结构下的能量消耗模型。通过仿真得出：在短距离通信时采用中继节点实际上浪费了能量,采用集中式拓扑结构能量效率较高;而在长距离通信时,采用多跳拓扑结构选择合适的中继节点个数有优越的能量效率。     

基于 PCA-BP 神经网络的股票价格预测研究

在股票决策问题的研究中,针对影响股票价格因素间存在高度的非线性、存在数据冗余等特征,传统股票预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高股票价格预测精度,提出一个基于主成份分析(PCA)的 BP 神经网络(BPNN)股票预测模型(PCA-BPNN).首先对影响股票价格波动的各因素进行主成份分析,消除各因素之间的冗余性,降低 BP 神经网络的输入维数,加快 BP 神经网络测速度并提高预测精度,然后利用 BPNN 对保留成分进行建模预测.利用 PEA-BPNN 模型对上海证券交易所上市的首创股份(600008)经济数据进行了验证性测试和分析,结果表明,PEA-BPNN 模型预测精度显著提高,是一种高效和准确的股票预测模型.