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GA-BP神经网络算法的马铃薯晚疫病预测模型

应用基于遗传算法的BP神经网络构建马铃薯晚疫病预测模型,对原始样本进行归一化处理,应用遗传算法优化BP神经网络的结构、初始权值、阀值,通过BP神经网络训练构建马铃薯晚疫病预测模型,利用遗传算法来改善BP神经网络算法本身的缺陷,提高学习精度,预测准确度.仿真结果表明,GA-BP神经网络模型预测准确度较高,误差率较低,稳定性较好.实践证明,将GA-BP神经网络算法应用于马铃薯晚疫病预测模型中是可行的,能够实现晚疫病流行程度的快速预测.     

基于BP神经网络的股票价格预测

影响股票价格变动的因素有很多,且股票数据具有高度的非线性和时变性等特征,因而采用经典线性时间序列模型可能无法完全提取非线性部分的信息.针对这一问题,建立了BP神经网络模型、PCA-BP神经网络模型、GA-BP神经网络模型和ARIMA(6,1,6)模型对上证综合指数的收盘价格进行预测.计算各预测模型下的统计指标RMSE和MAE,并对4个模型进行对比分析.结果表明,GA-BP神经网络预测模型与其它三种模型相比具有更小的误差,也就是说GA-BP神经网络预测模型对上证综合指数的收盘价格预测效果更好.     

遗传算法降维优化的BP模型及葡萄酒质量预测

针对BP神经网络模型输入自变量维数过高导致模型训练时间长、泛化能力低、效率不高的缺陷,提出一种基于遗传算法筛选降维的方法,并利用遗传算法优化降维过程中建立的BP网络的权值与阈值以提高筛选效率,最后建立用遗传算法优化的GA-BP网络预测模型,用于葡萄酒的质量预测。利用遗传算法从37个理化指标中筛选出18个作为自变量输入GA-BP预测模型并与未经优化的BP模型对比,经遗传算法降维优化的GABP模型建模时间由7.5625秒缩短为0.8623秒,预测平均相对误差由10.83%减少为2.85%。仿真实验表明降维优化的GA-BP网络模型效率更高、泛化能力更好。     

基于GA-BP模型的船舶柴油机排气温度趋势预测

建立基于BP神经网络的时间序列预测模型,并用遗传算法(GA)对模型的权值和阈值进行优化.通过对某船舶主机排气温度实际案例的预测对该模型进行验证.结果表明:两组GA-BP模型预测结果的平均偏差分别为0.39℃和0.74℃,模型比较可靠、准确,可适用于船舶主机排气温度的趋势预测.     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

基于优化的GA-BP及其在葡萄酒质量预测的应用

针对BP神经网络模型在输入时因随机产生的权值和阈值导致模型的训练精度不高、泛化能力不强的问题,提出一种基于自适应遗传算法优化BP神经网络的方法.遗传算法在寻优方面有很好的效果,采用遗传算法优化BP神经网络的权值和阈值来提高模型的训练效率,并对神经网络的学习率进行优化,建立GA-BP网络预测模型,用于葡萄酒质量预测.结果...     

基于MIGA-BP神经网络的短期电力负荷预测

准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.针对已有遗传算法优化的BP神经网络(GA-BP)存在局部搜索能力差的缺点,提出多岛遗传算法优化的BP神经网络(MIGA-BP),通过使种群在不同"岛屿"进化和迁移提高物种多样性,克服GA-BP算法中的缺点.将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型,在MATLAB环境下进行仿真研究.结果表明,控制变量条件相同时,MIGA-BP模型预测误差比GA-BP模型的更小,对短期电力负荷预测更有优势.     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于GA-BP神经网络与敏感性分析的带钢厚度预测

为提高带钢厚度预测精度,构建了融合GA-BP神经网络和敏感性分析的T-GA-BP预测模型。首先通过循环迭代方式确定较优的BP神经网络隐含层的层数与节点数,再采用遗传算法对BP网络的权阈值进行优化。在此基础上,利用Tchaban算法进行敏感性分析,研究输入层中各工艺参数对带钢厚度的影响程度,筛选出重要参数作为新的输入样本来训练T-GA-BP神经网络模型,以降低网络复杂度。采用实际生产数据进行测试,结果表明,T-GA-BP模型的带钢厚度预测精度要高于BP、GA-BP、RBF、Elman神经网络等其他优化模型。同时,工艺参数敏感性分析结果可为轧制工艺调控方案的制定提供参考。