基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量.结合遗传算法(GA)和误差反馈型神经网络(BP),建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量.对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%.随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景.     

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。     

食品比热容的支持向量回归预测

利用粒子群优化算法和支持向量回归方法建立不同食品的比热容与其水、蛋白质、碳水化合物和脂肪等含量间的预测模型,且在相同的训练样本和测试样本条件下,该预测模型的食品比热容预测精度高于反向传播神经网络模型,具有更强的泛化能力。结果表明：该预测模型能有效地预测食品比热容。     

基于DE-BP算法的混凝土强度预测

建立了基于BP神经网络理论的混凝土强度预测模型。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。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

遗传算法优化的神经网络预测团雾

针对国内外研究中现有团雾预测方式中出现的不足,建立了基于遗传算法优化的神经网络预测模型,用以对高速公路团雾的发生进行预测.在利用遗传算法得到BP神经网络的初始权值和阈值基础上,通过神经网络对输入的历史团雾气象数据进行学习训练,建立团雾预测模型.经优化的神经网络模型避免了由于神经网络初始权值、阈值难以确定所造成的网络震荡问题,以及神经网络计算过程中易陷入局部解的问题.实验结果表明,优化后的团雾预测模型具有较高的预测精度,为高速公路团雾的预测提供了新的方法与思路.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于参数优化神经网络的海底油气管道腐蚀泄漏预测

为有效预测海底管道因腐蚀导致的泄漏风险,提出了一种海底管道腐蚀泄漏预测模型,首先采用斯皮尔曼相关系数分析各影响因素间的相关性,随后基于随机森林袋外数据进行各因素的重要性排序,剔除掉相关性较高且重要性较小的因素,利用筛选出的数据建立前馈神经网络和随机森林回归预测模型,并利用粒子群算法对神经网络预测模型的权值、阈值进行了优化,构建粒子群优化下的神经网络预测模型。经分析结果表明：神经网络预测模型在5组随机模型训练中平均绝对误差(MAE)、均方误差(MSE)的平均值分别为1.59、 3.37,均高于随机森林回归预测模型,说明该模型误差较大,但决定系数(R2)较随机森林回归预测模型高0.13,因决定系数越接近于1,模型拟合越好,故随机森林回归预测模型较神经网络预测模型拟合度较差,长期预测误差较高,因此可采用粒子群算法对神经网络进行优化,优化后的模型MAE为0.79,MSE为0.7293,R2为0.9151,可见优化后的神经网络预测模型在保证精度的基础上提高了稳定性,预测效果更优。最后编制了集随机森林回归、神经网络及粒子群优化下的神经网络为一体的多模型管道腐蚀预测软件。为海底管道泄漏风险的精准预测以及高效控制提供了依据,在海洋油气运输安全方面具有重要意义。     

利用神经网络外推预测油田综合含水率

逻辑斯特（Ｌｏｇｉｓｔｉｃ）模型常被用来预测油田晚期勘探阶段的石油资源，还可用来预测一个油区的含水率变化过程。文中应用改进的神经网络算法和结构，预测油田的含水率变化趋势；并与Ｌｏｇｉｓｔｉｃ模型预测结果进行了比较，结果表明；神经网络是一种可行的石油资源外推预测方法。     

基于深度学习的页岩储层总有机碳含量预测方法

页岩储层总有机碳（Total Organic Carbon,TOC ）含量的地震预测普遍采用密度回归拟合法,仅考虑了单因素的线性关系,预测结果误差较大。针对常规方法的不足,提出基于深度学习的TOC含量预测方法。首先,从测井资料中优选出与TOC含量曲线相关度相对较高的多个弹性参数曲线作为样本集输入数据,TOC含量曲线作为样本集输出数据,构建针对TOC含量预测的深度前馈神经网络模型;然后,调试网络模型结构,并利用共轭梯度法进行网络参数寻优;最后,将叠前振幅随偏移距变化（Amplitude Versus Offset,AVO ）反演得到的弹性参数数据体输入到深度前馈神经网络模型,预测得到最终的TOC含量数据体。通过四川盆地页岩储层实际测井、地震资料的应用,对比了该方法相对于常规回归拟合法的优越性,验证了方法的实用性和可行性,为页岩储层TOC含量预测提供了新思路。     

土壤磷素流失强度评价模型

土壤磷素流失强度评价对于控制面源磷素流失,降低受纳水体富营养化程度极为重要。为了探索一套有效的评价方法,该文对土壤磷素流失机制进行了研究,并且在对土壤磷素循环及背景参数进行分析的基础上,应用径向基函数(radial basis function,RBF)神经网络技术建立了土壤磷素流失强度评价模型。将模型运用于江苏省土壤普查样本的算例结果显示,96.7%的学习样本拟合相对误差小于0.3,预测相对误差均在0.4以内。结果表明,模型是精确的,可以用于实际土壤磷素流失的评价。     

土壤磷素流失强度评价模型

土壤磷素流失强度评价对于控制面源磷素流失,降低受纳水体富营养化程度极为重要。为了探索一套有效的评价方法,该文对土壤磷素流失机制进行了研究,并且在对土壤磷素循环及背景参数进行分析的基础上,应用径向基函数(radial basis function,RBF)神经网络技术建立了土壤磷素流失强度评价模型。将模型运用于江苏省土壤普查样本的算例结果显示,96.7%的学习样本拟合相对误差小于0.3,预测相对误差均在0.4以内。结果表明,模型是精确的,可以用于实际土壤磷素流失的评价。     

紫外-可见光去浊度反演水体叶绿素a含量

城市景观水体的叶绿素a含量可直接反映其水质。紫外-可见光谱方法可快速低廉反演叶绿素a的含量,但城市水体水深较浅、浊度较高,容易对该波段光谱产生干扰。采用实验室培养的螺旋藻水样和浊度水样的混合水样来模拟城市景观水体环境,并使用UV—2600分光光度计获取混合水样的吸光谱数据;对吸光谱数据分别建立一元线性回归模型、偏最小二乘算法(PLS)模型和BP神经网络模型,以寻找降低水体浊度干扰的办法,为水体水质评价提供可靠参考数据。结果显示,BP神经网络预测模型可以同时预测混合水样中叶绿素a的浓度和浊度的浓度值,模型预测值与样本测量值之间的R~2为0. 997 2,并且模型的预测误差在5%以内。去浊度反演水体叶绿素a含量的能力最高;偏最小二乘算法模型测量值与预测值的R2为0. 999 4,模型的预测误差小于4%,但该模型在预测叶绿素a浓度时不能同时预测浊度值,去浊度反演叶绿素a含量的能力次之;一元线性回归模型的去浊度反演叶绿素a含量的能力最差。     

基于NNARMAX辨识的最佳含氧量自主寻优

针对热工过程机理建模存在的局限性,以及常规含氧量设定准则确定中存在的问题,利用锅炉燃烧子系统在长期运行过程中积累的大量历史数据,采用NNARMAX(NN-based AutoRegressive,Moving Average,eXternal input)辨识结合网络结构优化方法对运行数据进行辨识,得到能够描述含氧量以及其他锅炉运行参数同主蒸汽流量之间复杂的动态耦合关系的模型。利用该模型实现最佳含氧量给定自主寻优,并且用于某厂75t/h锅炉燃烧优化调节系统中,取得了良好的工程应用效果。     

基于近红外光谱的人体血液酒精含量无创检测方法研究

研发一种人体血液酒精含量无创检测方法迫在眉睫.近些年来,随着近红外光谱在定量分析化学物质含量方面的迅速发展,以及人工神经网络在电子信息领域的延伸,可以利用近红外光谱的方法,在MATLAB软件环境下,用神经网络方法进行建模,然后将适当的样本数据训练后,最终预测人体血液酒精含量.就如何在BP神经网络和RBF神经网络建模的基础上,对人体血液酒精含量的数据处理作了详细论述.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。