基于EHO优化的COBDP预神测经模网型络污水处理出水COD预测模型

为了改善在污水处理环节中对有关化学需氧量预测效果的问题,提出了一种经象群算法优化的 BP 神经网络预测模型。 首先通过将象群算法中的分离操作与改进权重的粒子群算法相结合,有效去除了种 群中适应度较差的个体,进一步提高算法寻找最优值的能力;首次利用改进后的象群算法优化 BP 神经网络 对预测数据进行更好的逼近,提高预测模型的预测准确度;最后,通过仿真结果清晰表明:改善后的 BP 神经 网络相对于传统 BP 神经网络以及一般的小波神经网络有着更高的预测精度。 改进后的象群算法结合 BP 神经网络所建立的预测模型在一定程度上可以对污水处理中的出水化学需氧量进行比较准确的预测,能满 足预测出水化学需氧量的一般要求,具有一定的研究价值。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

基于BP算法的股票均价预测技术研究

介绍了神经网络的基本概念和组成,提出了BP算法的改进型算法及基于BP算法的均价预测模型.借助前馈神经网络对非线性函数的逼近能力,对青岛海尔股价进行连续若干天的预测.通过不同形式误差函数对预测结果的比较,证实改进后BP算法用于均价预测的可行性及准确性.     

改进遗传神经网络对露天矿边坡位移预测

为提高BP神经网络对边坡位移的预测精度,将遗传算法的交叉算子及变异算子改进,用以优化BP神经网络的初始权值和阈值.应用改进的遗传神经网络对安家岭露天矿1270平盘边坡位移进行预测,同时应用未改进的遗传神经网络及BP神经网络作对比分析.结果表明:改进遗传算法为BP神经网络提供了进一步优化的初始权值、阈值,应用改进遗传神经网络对安家岭1270平盘边坡位移进行预测,改进遗传神经网络的预测精度与遗传神经网络及未经优化的BP神经网络相比进一步提高,是一种可行的边坡位移预测方法.     

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...     

基于改进BP神经网络和工业重构理论的用电增长预测方法

运用改进BP神经网络方法和工业重构理论,建立新型工业化与用电增长的关系,提出附加动量和自适应学习率的改进BP神经网络构建工业用电增速的预测模型,利用该模型对未来工业用电增长的趋势进行判断。利用Matlab7．0对该模型进行设计,并运用该模型对工业用电增长趋势进行仿真。与传统的BP神经网络模型相比,采用改进后的预测方法仅经过47次训练就满足预定误差要求,而采用传统的预测模型易陷入局部极小点,很难满足预定误差要求;改进预测模型的预测值与实际值拟合程度好,平均预测精度比传统模型预测精度高1％～3％。此外,验证了改进模型的优越性和合理性。     

基于灰色关联度的粒子群优化BP在辛烷值预测中的应用

提出了基于改进的灰色关联度的粒子群优化BP神经网络的方法,将其应用到辛烷值预测研究;通过实例分析,并与传统的BP神经网络进行对比,说明该模型的预测精度高、算法稳定、泛化性能好,更适合于生产控制的需要.     

改进BP神经网络在交通事故预测中的研究

交通事故严重程度受多种因素的影响,适合用人工神经网络来建模预测.因为标准BP(Back Propagation,BP)神经网络具有收敛较慢的缺陷,所以在自适应学习和附加动量因子改进BP神经网络~([1])基础上做了进一步的优化改进,使附加动量因子也具有自学习性.利用改进后的BP神经网络算法,选取英国利兹市的公开交通事故数据集,用影响交通事故严重程度的多种影响因素和事故严重程度构建并训练神经网络,并对最新数据进行预测.通过大量的实验对比收敛速度和预测结果,验证了改进后的算法具有更快的收敛速度和更高的预测准确率.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于PCA-ANN模型中存在的问题及改进

文章深入分析了目前普遍采用的主成分分析——神经网络模型应用中存在的不合理问题,通过推导指出错误所在,提出了相应的改进方案.为了验证改进模型的有效性,以UCI机器学习库中的数据集为样本,选取有导师BP神经网络和无导师SOM神经网络,建立改进的主成分分析——神经网络模型,并与传统主成分分析——神经网络模型进行比较测试,实验结果表明改进的模型效果更优.     

基于时序建模的教学质量评估系统的神经网络辨识

采用时序分析对教学质量评估体系进行系统分析和建模,引入Box-Cox进行数据的非平稳性预处理,选用L-MBP网络进行系统辨识。通过比较网络对校验样本的预测效果,对隐层节点数和各层间的传递函数进行优化,同时采用重复训练法来提高网络的稳定性和预测精度。算例表明这种辨识方法能对教学质量进行更准确的评估和预测。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

BP神经网络在大学毕业生就业率预测中的研究与应用

为能更好掌握高校毕业生就业趋势,本文以佳木斯大学2002~2012年本科毕业生就业率为依据,利用神经网络方法,构建了BP神经网络预测模型.通过对所建模型训练学习可知,该网络最大误差为3.36%,满足预期要求.最后,对佳木斯大学2013-2015年本科毕业生就业率进行了预测,以期为相关部门工作提供参考依据.     

BP神经网络在住宅区片价评估中的应用

针对传统住宅区片价评估方法的不足,将BP神经网络应用于住宅区片价评估,并将其评估结果与回归分析模型结果进行比较,结果表明基于人工神经网络的评估优于回归分析模型,将神经网络模型应用于住宅区片价的评估是可行的。     

免振捣粉煤灰混凝土抗压强度的神经网络预测

为了解决免振捣粉煤灰混凝土抗压强度预测问题,采用BP神经网络方法通过免振捣粉煤灰混凝土不同配合比训练网络预测其抗压强度,对于BP网络的隐层节点属于不确定层,采用三层结构的BP网络.但隐含单员个数仍未知。在实验过程中将隐含层的神经单元个数作为一个参数试验,结果表明BP神经网络的隐层节点数目对预测精度有较大影响。通过分析得出采用BP神经网络对免振捣粉煤灰混凝土抗压强度预测是可行的。     

分支前馈神经网络的研究

在BP算法的基础上，提出了一种用于模式分类的人工神经网络模型-分支前馈神经网络，并给出了相应的算法，对模式分类的几个典型例子进行了计算机仿真研究，仿真结果表明，与一般BP网络相比较，分支前馈神经网络显著地减少了训练时间，且分类效果更好。