基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration, ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm, GA)和粒子群优化算法(particle swarm optimization, PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果...     

基于神经网络的边坡稳定性分析

为了评价边坡的稳定性,利用神经网络对样本进行训练。由于传统的BP神经网络存在不足,利用了自适应步长的BP神经网络和Levenberg-Marquardt法,并与传统的BP神经网络进行比较。结果表明,这两种方法在提高计算速度和泛化能力具有优势,其中自适应步长的优点更加明显。在考察训练样本预测的准确性方面,3种BP网络的结果相近。     

基于模糊神经网络的生态经济发展预测模型

生态经济系统是经济子系统、社会子系统、生态环境子系统相耦合的复杂巨系统。本文以模糊推理系统和BP神经网络相结合的自适应神经模糊推理系统（ANFIS）来模拟生态经济系统的功能，进行预测。通过利用1991年-2003年杭州市生态经济可持续发展评价指标体系中的一系列指标值，确定7个指标，采集1992年-2004年的数据，构建模型，进行训练、检验，建立了以杭州市为代表的基于ANFIS的可持续发展预测控制模型。     

自适应模糊神经网络在某电力公司一产用电量预测中的应用

运用自适应神经网络模糊推理系统(ANFIS)理论,建立了某电力一产用电量预测模型,并与常用的一些预测方法所建模型进行了比较.结果表明,应用自适应神经网络建模方法简单可靠,精度极高.     

BP小波神经网络在大断面隧道变形预测中的应用

将BP算法引入小波神经网络,自适应地调整小波系数和网络权重,同时利用自适应算法调节BP算法的学习率,提高收敛效率.以4车道隧道——前欧隧道的监测数据为基础,建立BP小波神经网络变形预测模型.预测结果表明:BP小波神经网络对地质条件相似,施工及初期支护方法相同的隧道断面变形进行预测,其预测结果满足工程精度要求,能较准确地...     

基于模糊神经网络的PI自适应控制器

利用模糊神经网络的模糊推理能力以及前馈神经网络的逼近能力 ,将其与自适应控制方案结合 ,并取带有控制增量约束的广义目标函数作为优化指标 ,从而推导出一种能对非线性非最小相位系统进行有效控制的模糊神经网络间接自适应控制器。在网络学习算法上采用带有动量项的BP算法。仿真结果表明了该方法的有效性。     

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.     

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.     

双关节刚性机器人自适应BP神经网络算法

为解决反向传播(BP)神经网络学习速度慢、泛化能力弱以及易陷入局部极小值等问题,提出了一种双关节刚性机器人自适应BP神经网络算法。首先,设计了一种新结构的参数可调激活函数,其映射范围、斜率因子、水平和竖直位置等参数皆可自适应调整,以使BP神经网络具有更强的非线性映射能力;然后,设计了一个模糊推理器来整定激活函数的斜率因子,以使斜率因子保持参数最优;最后,设计了一套控制系统并应用于双关节刚性机器人系统的位置跟踪控制,采用自适应BP神经网络算法对该系统位置控制器的比例增益、积分增益和微分增益进行了实时整定。仿真结果表明:与使用经典固定参数S型激活函数的BP神经网络算法相比,所提出的自适应BP神经网络算法考虑了激活函数的自适应性,提高了BP神经网络的学习速度和泛化能力,并抑制了假饱和现象,对位置误差的收敛速度可提高20倍以上,且可使位置和速度误差减小并接近于0。     

模糊神经网络模型在中长期径流预报中的应用

本文采用减法聚类初始化模糊推理系统,建立了模糊神经网络中长期径流预测模型,采用改进BP算法对神经网络进行训练,使传统的模糊推理具有了较好的自学习和联想能力。以新疆伊犁河雅马渡站23年实测数据资料为样本进行训练并预测水文站的年径流量。结果表明,该模型预报结果精度高,模型可靠,证实了该方法应用于中长期径流预报的合理性和有效性。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

基于神经网络的自适应噪声抵消器的研究

在系统阐述了自适应滤波器和自适应噪声抵消器基本原理的基础上,利用神经网络的特点,设计了基于四层神经网络的自适应噪声抵消系统,克服了传统自适应滤波器需要两路输入信号统计相关的特点。理论分析和计算机仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声消除能力和鲁棒性。     

基于遗传算法的神经网络金融时序预测的研究

基于简单遗传算法的神经网络训练速度慢、易陷入局部极值,用具有较好的全局搜索能力自适应遗传算法来优化神经网络权值和国值,设计了基于自适应遗传算法的BP神经网络的股票预测系统．该系统根据对股票历史数据分析,预测股价未来几天时间的走势．结果表明,改进算法具有很强的可行性和高效性．     

BP神经网络用于饮用水管网细菌总数预测

为保障饮用水管网细菌学水质安全，并实现对细菌总数指标的预测，选定北方某市实验小区饮用水管网为研究对象，应用Matlab软件建立BP神经网络的细菌总数预测模型．结果表明，BP神经网络方法能较好地模拟复杂系统，模型精度较高；同时，建立BP神经网络模型，对水质指标间的相互作用进行模拟，拟合效果较好，并针对该实验管网给出了某些指标的限值．     

神经网络及其在股市预测中的应用

将BP神经网络和RBF神经网络应用于股市综合指数预测.预测结果表明,RBF网络计算量少,学习速度快,预测精度高.     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.     

人工神经网络在苏州空气污染预报中的应用

人工神经网络在预测预报领域的应用越来越广泛。简单介绍了BP神经网络的基本原理,较详细地回顾了国内BP神经网络在空气污染预报领域的研究应用情况,并建立了苏州市区SO2浓度预报的BP神经网络,预报结果表明:该模型具有简便、快速、准确的优点,可推广用于其它空气污染物的预报。     

A Worsted Yarn Virtual Production System Based on BP Neural Network

Back-Propagation (BP) neural network and its modified algorlthm are introduced. Two series of BP neural network models have been established to predict yarn properties and to deduce wool fiber qua/ides. The results from these two series of models have been compared with the measured values respectively, proving that the accuracy in both the prediction model and the deduction model is high. The experimental results and the corresponding analysis show that the BP neural network is an efficient technique for the quality prediction and has wide prospect in the application of worsted yam production system.     

交通事故Pi-Sigma模糊神经网络预测模型

提出了基于Pi-Sigma模糊神经网络的交通事故预测模型,选用Takagi-Sugeno型模糊推理系统和BP神经网络,以年平均日交通量、交通负荷、设计速度、车道宽度为输入,以每公里年均事故次数为输出,利用哈尔滨市133条主次干道的道路交通条件数据和5年的交通事故数据对模型进行了训练和检验,并将该模型与模糊逻辑模型、BP神经网络模型进行了对比分析.结果表明,交通事故Pi-Sigma模糊神经网络预测模型在预测精度及计算效率上总体优于其他两种模型,较适合于大样本条件下交通事故的快速预测.