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.结果表明,对比于传统的BP神经网络,基于自适应遗传算法优化的BP神经网络的模型在精确度上更高,模型的泛化能力也更好,对于葡萄酒加工企业具有实际参考价值.     

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。     

遗传算法优化BP神经网络的异丙酚血药浓度预测

针对静脉麻醉异丙酚时变性强,房室结构复杂的特性,经典的非线性混合效应模型参数估计法存在变量繁多,人为因素多等弊端,而BP神经网络又存在极易陷入局部极值,网络训练不稳定致使预测误差大。利用遗传算法优化BP神经网络的权值和阈值,调整神经网络中异丙酚血药浓度和时间、病人年龄、体重、身高、体表面积、采样时间、总剂量、注射率的关系,然后建立异丙酚血药浓度预测模型,并与NONMEM方法、BP神经网络进行比较。比较结果,GA-BP网络的平均误差为1.2%,BP网络的平均误差为29.59%,NONMEM为14.61%,GA-BP网络的绝对平均误差15.76%,BP网络的绝对平均误差31.9%,NONMEM为22.99%。实验结果表明:GA-BP网络对于半衰期较短的麻醉药物异丙酚药物具有较好的非线性拟合能力和更高的预测准确性。     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

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GA-BP算法的旋转控制头轴承温度预测

旋转控制头轴承组件要承受很大的动载荷,由于摩擦力的作用,使轴承发热和磨损非常严重,极易发生轴承温度过高而导致轴承失效。针对旋转控制头轴承温度影响因素多、精确计算困难、不易测量等特点,提出了一种基于遗传算法优化的神经网络(the optimized algorithm of BP neural network based on genetic algorithm,GA-BP)进行旋转控制头轴承温度预测的方法,利用某无外挂冷却润滑泵站式旋转控制头台架实验数据进行训练和测试,并与传统神经网络模型(BP)进行对比。结果表明,GA-BP预测模型实现了控制头轴承温度预测过程的自适应控制,预测得到的轴承温度与期望值之间的线性相关度达到0.991 48;通过95%置信区间以及平均、最大、最小绝对百分比误差的对比得到,GA-BP模型在逼近能力、收敛和泛化能力上都要优于BP预测模型。GA-BP预测模型预测精度高、稳定性好,对掌握轴承运行状态,优化旋转控制头冷却润滑方式和结构。提高旋转控制头的整体性能有重要指导意义.     

基于小生境遗传算法优化串级神经网络的台区理论线损预测

台区作为电力系统的最末端部分,节点数目多、网络架构复杂,导致不易精确计算其理论线损问题。在海量实际低压台区运行历史数据的基础上,首先研究影响台区线损的相关因子,建立台区线损特征指标集合。然后利用皮尔逊相关系数分析方法从中提取出高损关键特征指标作为线损预测模型输入。再融合集成学习和梯度提升树思想,建立基于串级BP(back propogatiow)神经网络的台区线损预测模型,并采用小生境遗传算法对预测模型的初始参数进行优化从而提高模型训练效率。最后通过实际数据算例仿真,并与其他预测方法结果进行比较,验证所提台区线损预测模型具有优秀的训练效率和预测泛化能力。     

基于GA-BP神经网络的金精矿品位的预测

在对金矿生产过程进行大量实际调研工作的基础上,分别采用BP神经网络和遗传算法优化BP神经网络的方法,建立了金精矿品位的预测模型,以现场采集的978组数据作为样本,运用噪声平滑技术进行数据预处理,筛选了770组数据,运用其中的650组数据建模,并运用其余的120组数据对模型进行了验证.通过对两个模型的预测误差分析,得出用遗传算法优化的BP神经网络(GA-BP)预测精度更高,当预测相对误差在±2%范围内时,模型的预测精度达到97.5%.     

基于主成分分析的短期PV/T组件温度预测

为进一步提高光伏/光热(photovoltaic/thermal,PV/T)综合利用系统中PV/T组件温度预测精度,该文采用主成分分析法对原始输入样本数据进行预处理,提取主成分,并利用遗传算法优化BP神经网络结构,对组件温度数据建立预测模型。仿真结果表明,相对于未经主成分提取的神经网络,该方法使得网络模型在晴天和多云天气条件下的预测精度分别提高了7.68%和4.97%,使得网络模型预测精度更高,泛化性能更强。     

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.     

基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

基于遗传BP神经网络的三七价格预测

为提高三七药材价格的短期预测准确性,利用遗传算法的全局搜索能力对BP神经网络的初始权值和阈值进行优化,建立了基于BP神经网络的三七药材价格预测模型.采用连续K月三七价格的滚动预测方式,对下一个月进行预测.通过三七价格时间序列自回归分析确定K值为2,以连续2个月的三七价格作为BP的输入变量,预测其后一个月的三七价格,并对三七价格的BP神经网络模型和传统时间序列预测模型ARIMA进行分析比较.实验结果表明:遗传算法优化的BP神经网络具有更高的预测精度,且比ARIMA模型对价格骤变情况更敏感.     

基于神经网络预测液力透平压头和效率

建立BP和GA-BP神经网络预测离心泵反转作液力透平的压头和效率.用63台离心泵作透平的参数作为训练两个网络的样本,以泵的叶轮出口直径、叶片包、出口宽度、出口安放角、叶片数和比转速作网络输入层,透平压头和效率作输出层.用6组样本外的数据测试经训练后的两个网络的预测能力,并做网络预测值与试验值的相关性和线性回归分析.结果表明,BP网络对压头和效率预测的平均误差为5.33%和0.86%,GA-BP网络对压头和效率预测的平均误差为3.56%和0.46%.GA-BP网络预测精度高,预测结果与实验值相关性强,预测所用时间为BP网络的1/3,更适合做泵反转作液力透平的性能预测.     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

预测管道蜡沉积速率的BP神经网络模型研究

利用灰色关联法分析了7个影响因素与管道蜡沉积速率的关联度,确定了模型的输入维数;通过建立7-10-1的BP神经网络预测模型预测了所取样本的蜡沉积速率,并对其预测精度进行验证和对比。结果表明:在考虑7个影响蜡沉积速率因素时,模型的精度可控制在0.5%左右,比考虑4个影响因素的精度更高;BP神经网络预测模型的精度与输入维数有关,维数的增大有利于精度的提高,但并不意味维数越高精度就越高;不同的初始权重和阈值对于预测的精度和泛化能力存在较大影响,但模型的精度仍在可接受范围内,因此,该模型可用于蜡沉积速率预测。     

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.     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

基于Autoencoder-TCN的航空发动机排气温度预测

针对目前航空发动机排气温度预测模型精度不高、传统RNN类神经网络对飞行数据时间维度信息挖掘不充分的问题,提出了一种结合自编码器Autoencoder和时间卷积神经网络TCN的航空发动机排气温度预测模型。首先通过Autoencoder方法从飞行数据中提取与排气温度相关的特征,以降维后的特征作为输入,建立TCN网络深度学习模型,以航空发动机排气温度作为输出,充分挖掘飞行数据的时间维度信息,从而提高模型精度。最后选取真实飞行数据进行实验,结果表明,与BP、LSTM神经网络模型相比,该模型的平均绝对百分比误差由13.035%和9.593%降低至3.369%,有效提高了模型预测精度。