基于遗传算法的RBF神经网络非线性时间序列预测

提出一种基于遗传算法和RBF神经网络相结合的时间序列预测模型,克服了单个神经网络在非线性时间序列预测中容易陷入局部极小值及网络训练速度缓慢的问题.以居民消费价格指数数据进行训练和测试,与传统的BP神经网络预测模型相比较,该模型的预测精度是令人满意的,数值模拟证明了该方法的有效性和可行性.     

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。     

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HS-BP算法的股票预测

为了有效预测股票问题,针对股票走势具有随机波动性和非线性的特点以及BP神经网络收敛速度慢、容易陷入局部极小值的缺点,提出利用和声搜索算法优化BP网络权重的方法改进神经网络,并通过对股票预测指标的分析,建立了股票预测模型,将和声搜索算法优化BP网络应用于所建立的模型中求解.实验结果表明,将HS算法和BP神经网络有机结合,加快了网络收敛速度、避免了局部极小值,有效地刻画了股票的随机波动特性,提高了股票预测的准确性.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.     

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.     

基于进化神经网络的曲面磨削表面粗糙度预测

将人工神经网络技术引入曲面磨削加工领域，介绍了利用BP算法建立的曲面磨削表面粗糙度随磨削用量变化的进化神经网络预测模型．针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷，采用遗传算法训练BP神经网络，取代了一些传统的学习算法，设计了基于进化神经网络的学习算法．实验和仿真结果表明，基于进化计算的BP神经网络不仅可以克服单纯使用BP网络易陷入局部极小等问题，而且预测精度较高。     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

神经网络遗传算法在供热负荷预测中应用

针对BP算法收敛速度慢,存在易陷入局部极小值,不能有效地搜索到全局极小点等缺点.采用遗传算法优化神经网络权系值的方法,设计了神经网络供热负荷预测模型,并用实际数据进行了仿真检验,结果表明该模型不仅在一定程度上避免了学习中的局部极小问题、改进了网络性能、提高了学习的效率,而且对供热负荷预测具有较高的精度和可靠性.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于RBF神经网络的热轧碳钢变形抗力预测

以凸轮式高速形变试验机得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了碳钢的变形抗力与其化学成分、变形温度、变形程度及变形速度对应关系的RBF神经网络预测模型.通过对函数newrb()中宽度系数的调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.结果表明,与传统的BP网络模型相比较,RBF网络模型具有更高的精度和较强的泛化能力.     

基于灰色人工神经网络组合模型的交通量预测

针对公路远景交通量预测工作中常存在交通量原始数据呈随机性、非线性变化的特点,同时学习样本量较小、信息不充分的问题,充分利用贝叶斯正则化神经网络非线性逼近,良好的泛化能力和无偏GM(1,1)模型的少数据建模,弱化原始数据随机性并增强规律性,消除了传统GM(1,1)模型预测所固有的偏差的优点,建立无偏GM(1,1)-贝叶斯正则化神经网络交通量组合预测模型,并应用于实际交通量预测中.与传统BP预测模型比较,算例结果表明所建模型有效可行,提高了预测精度.     

基于人工鱼群神经网络的城市时用水量预测方法

城市供水时用水量预测精度对城市供水系统具有重要影响.传统的反向传播(back-propaganda,BP)神经网络预测方法容易陷入局部解,并且需要大量的训练数据.人工鱼群算法具有较优的全局收敛能力及较快的寻优速度.为此,利用人工鱼群算法对BP神经网络的初始权值和阈值进行优化,建立了一种新的时用水量预测模型.将该模型应用到华北某市时用水量的预测中,预测结果表明人工鱼群神经网络算法的均方差比BP神经网络算法的均方差小5%.实例证明,人工鱼群神经网络比BP神经网络的预测精度更高,收敛速度更快.人工鱼群神经网络算法可用于短期水量预测.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于SA-BP神经网络的软件缺陷预测模型的研究

探讨了传统BP神经网络的模型与结构,并针对BP神经网络容易陷入局部最优的缺陷,提出用模拟退火技术代替局部梯度下降法修正网络权值的SA-BP算法,用于构建SA-BP神经网络的软件缺陷预测模型,并通过实验证明了SA-BP神经网络模型应用于软件缺陷预测的有效性.     

贝叶斯正则化神经网络在深基坑变形预测的应用

针对传统BP神经网络在深基坑施工开挖变形的预测,基坑的安全性判定仅利用监测的最终数值而无法全面服务于深基坑工程,提出了一种遗传算法(Genetic Algorithm, GA)和贝叶斯正则化算法(Bayesian Regularization, BR)组合优化传统BP神经网络的预测模型,在优化预测模型中加入了影响深基坑安全稳定的客观因素及人为主观因素,进一步提高了BP神经网络全局优化能力以及泛化能力.研究结果表明：该组合优化方法对深基坑地表沉降和水平位移变形预测的平均相对误差分别为0.32%和0.59%,表现出较高的预测精度.该组合优化模型首次在深基坑变形领域验证了应用的可行性,为深基坑变形预测提供了新的思路和方法.     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

SOA优化BP神经网络的水体氨氮预测模型

为提高水体中氨氮的预测精度,本文提出一种基于SOA改进BP神经网络的预测模型。首先,采用具有较好全局搜索能力和局部搜索能力的SOA算法对BP神经网络的初始权值和阈值进行优化,防止其在训练过程中陷入局部最优值,而后采用优化后的权值和阈值作为BP神经网络的初始权值和阈值对其进行训练。仿真结果表明所提出的新模型对水体中的氨氮含量具有更高的预测精度,且提出模型的收敛速度较传统BP神经网络更快,可更好的应用于复杂水体中氨氮的预测。     

RBF神经网络在有效灌溉面积预测中的应用

针对有效灌溉面积预测是一个复杂和不确定性的系统，采用RBF神经网络建立有效灌溉面积预测模型，具有结构自适应、局部泛化能力强、收敛速度快等特点。仿真结果表明，该模型具有较高的预测效果，相对于传统模型具有较好的预测精度和良好的自适应性。