基于BP神经网络的纺纱质量预报模型

简述了纺纱质量预报的理论与实际意义，应用了BP神经网络的标准算法。通过建立BP神经网络模型对细纱条干不匀率(CV）断裂强力(BS)与纺纱断头率(ED)进行预报，并与多元线性回归方法进行比较，验证了BP神经网络预报的准确性与高效性。最后以纺纱断头率(ED)预报为例，指出了今后神经网络在纺纱质量预报应用中亟待解决的问题。     

基于粒子群优化的神经网络漏钢预报模型研究

针对BP神经网络在训练过程中收敛速度慢以及用于模式识别泛化能力差的问题,将粒子群优化算法PSO引入到BP神经网络的训练过程,建立了PSO-BP神经网络模型,并将其应用到连铸漏钢预报系统中。结合某钢厂连铸现场历史数据对该连铸漏钢预报系统进行了测试,测试结果以98.03%的预报率及100%的报出率,验证了基于粒子群优化算法的BP神经网络连铸漏钢预报系统模型的可行性和有效性。     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

智能预报模式与水文中长期智能预报方法

建立了以模糊优选、BP神经网络及遗传算法有机结合的智能预报模式与方法。在应用该方法进行中长期水文智能预报时，首先选取训练样本的数量，根据预报因子与预报对象的相关关系得到相对隶属度矩阵;再将其作为BP神经网络输入值以训练连接权重；最后将得到的连接权重值用于预报检验。计算结果表明，智能预报模式与方法的运行速度、精度及稳定性都达到了实际应用的要求。     

基于BP神经网络的短期降水预报

人工神经网络(Artificial Neural Network,简记为ANN)是最近发展起来的十分热门的交叉学科,它涉及生物、电子、计算机、数学和物理等学科,并在工程上具有非常广泛的应用前景．本文介绍了BP神经网络的结构及算法,基于BP神经网络的短期降水预报模型的建立,并分析了BP算法在该应用中的优缺点．     

基于GA-BP神经网络的自建点PM2.5浓度校准研究

为精准预报空气质量,以PM2.5为例对其自建点监测浓度进行校准,选取6种污染物浓度以及5个环境因素建立神经网络模型。BP算法由于权值和阈值的随机性可能存在局部最优、过渡拟合等缺陷,所以利用遗传算法优化BP神经网络,构建GA-BP神经网络模型。仿真结果表明,GA-BP神经网络的校准平均绝对百分比误差和均方误差分别为12.56%和0.0197,明显低于BP神经网络,说明该模型校准效果更好,能明显提高空气质量预报的准确率。     

河网水情预报的神经网络模型及应用

传统BP网络模型在模式识别、电力负荷预报、水现象的模拟及预报等领域得到了广泛的应用．但传统BP网络模型存在隐含层结构难以确定和网络结构物理概念不明确等问题．本利用水量守恒及槽蓄关系,建立了能够反映水流运动基本特征的神经网络模型(MCR—ANN)并用于河网水情的模拟及预测．应用结果表明：该网络物理概念清晰,避免了传统BP网络在隐含层结构难以确定和河网结构物理概念不明确等的不足,模拟效果较好。     

遗传算法BP神经网络在变形监测中的研究

介绍了BP神经网络和遗传算法的概念和基本理论,详细阐述了遗传算法优化的BP神经网络和BP神经网络这两种神经网络模型,深入分析了两种模型在基坑水平位移监测的数据预报,指出了遗传算法优化的BP神经网络模型具有更好的预测效果.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

基于神经网络的钢包精炼终点预报

通过改进的BP神经网络,结合炼钢工艺的特点,建立炼钢精炼炉终点模型,对精炼炉终点进行预报,其基本思想是:在对以往的现场数据进行分析和了解及已有的人工神经元网络模型的基础上,结合炼钢的实际工艺特点,确定模型的参数,从而确定预报模型,再根据确定的模型对现场的其他数据进行预报.仿真结果可以表明,应用通过改进的BP神经网络进行炼钢精炼炉终点预报得到了很好的效果.     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

应用反向传播神经网络算法的发动机动态总压畸变预测

为提高动态总压畸变预测的准确性,通过引入反向传播神经网络算法,研究其在紊流相关中的可行性和准确性.结果 表明:反向传播神经网络可应用于紊流相关以预测动态总压畸变;采用单个工况进行自我预测时,神经网络显示了良好的预测能力,预测结果与试验值吻合很好;采用反向传播神经网络法,5个工况作为样本预测各工况紊流度时,样本工况的平均紊流度与试验值一致,而测试工况中个别工况的平均紊流度与试验值有些偏差,网络的设置和训练需要进一步研究,以提高网络的预测能力.从与最小二乘法的预测结果对比来看,神经网络法是一种更有前途的预测方法.     

基于改进麻雀搜索算法的空气质量指数预测

为更准确地预测空气质量指数（Air Quality Index，AQI），提出一种基于改进麻雀搜索算法（Improved Sparrow Search Algorithm，ISSA）的AQI预测模型（ISSA-BP）。利用麻雀搜索算法（Sparrow Search Algorithm，SSA）的全局搜索性能对BP神经网络的权值和阈值进行优化，解决传统BP神经网络在预测AQI过程中出现的收敛速度慢、易陷入局部最优等问题。同时，针对SSA在优化过程中的缺陷，引入立方映射和优化策略增强算法的全局搜索及收敛能力，进一步提高预测性能。应用ISSA-BP模型预测杭州市AQI，实验结果表明，与其他模型相比，该模型的预测精度有显著提升。本研究为大气污染防治提供了新的预测方法。     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于灰色BP神经网络的混凝土连续刚构桥应力预测

为了对混凝土连续刚构桥施工过程中的应力进行控制与预测,保证桥梁施工的安全,根据灰色理论和BP神经网络建立了灰色BP神经网络应力预测模型GNNM（1,1）．以贵阳花溪特大公路刚构桥施工过程实测应力为输入数据,对模型GNNM（1,1）进行训练,得到了应力预测值．该预测值与检验值的相对误差在3％以内,表明GNNM（1,1）模型的预测精度高,可以对混凝土连续刚构桥施工进行短期应力预测,同时,对大桥应力控制及安全施工具有一定的参考价值．     

经营性高速公路停止收费后运营成本预测模型

针对单纯的神经网络会陷入局部最小点的缺点,以及单纯的GA方法不具备自适应学习能力,且在处理局部区域上存在一定问题的缺点,通过将遗传算法与神经网络相结合,提出了遗传算法优化神经网络权重的混合算法,并将此模型用于对经营性高速公路收费期满、停止收费后的运营成本进行预测。研究结果表明:相比单纯的BP算法,该算法能同时对解空间内的多个点进行遗传优选,避免陷入局部最小点,具有更快的收敛速度和更高的预测精度;该算法预测平均误差为0.06%,比单纯的BP算法提高了1.5%;利用该算法进行经营性高速公路停止收费后运营成本预测,可为高速公路运营管理者进行科学决策提供参考。     

基于BP神经网络在坝体水平位移预测中的研究

利用大型软件MATLAB中BP神经网络对坝体位移进行预测。利用大坝正常运作时的观测数据,训练BP网络,用它对坝体水平位移进行有效预测,可以辅助判断实测值正确与否。这要比运用ANSYS等大型有限元软件对坝体建模计算得出位移值方便,同时根据预测的位移值及其变化情况监测大坝的健康运作与否。