神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷，如训练速度慢，易收敛于局部极小点及全局搜索能力弱等，利用遗传算法能够进行全局最优化搜索这一特点，提出了一种新的用于BP网络训练的混合算法，即遗传算法与改进的BP算法相结合的混合训练方法，将所提出的混合训练方法应用于神经网络式电力负荷预测中，结果表明：所提出的算法与单一的BP算法相比，不仅可避免陷入局部极小点，而且提高了网络的训练速度和负荷预测精度。     

基于ABC算法优化BP神经网络的雾霾天气预测模型研究

本文首先阐述了BP神经网络和ABC算法的基本概念,结合现阶段环境空气质量需求,明确了雾霾天气预测预警的必要性,然后结合安徽省大气质量指数数据,从空气质量等级评估、预测指标体系构建和雾霾天气预测模型选择等方面,研究了基于ABC算法优化BP神经网络的雾霾天气预警模型,以期进一步提高雾霾等级评估与预测的准确性,提高政府相关部门决策的时效性。     

基于PSO的BP神经网络纱线条干CV值预测研究

本文简要介绍了BP神经网络所用的BP算法,针对BP算法的不足之处,采用粒子群优化算法作为BP网络的学习训练函数,优化BP网络的训练速度和精度,建立了基于PSO的BP网络模型。同时,将这种优化后的BP网络模型应用于纱线条干CV值预测技术中,验证了该网络模型的性能。     

优化的BP神经网络在预测电动汽车SOC上的应用

为了提高BP神经网络预测模型对电动汽车电池SOC值预测的准确性,采用遗传算法GA和粒子群算法PSO两种优化算法分别对BP神经网络进行优化,即优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解。将该方法应用到预测电动汽车电池的SOC值中并与实际测量的SOC值进行验证比较。仿真实验表明,经过粒子群算法优化后的BP神经网络预测电动汽车SOC值的误差在1.0%~4.4%之间,明显优于采用遗传算法优化的误差范围1.6%~10%和传统的BP神经网络误差范围2.0%~72%。     

基于优化BP神经网络的高准确度软件缺陷预测应用研究

针对软件缺陷测试任务中的准确度问题,提出一种基于优化BP神经网路的软件缺陷预测方法 .该方法首先采用4层BP神经网络构建多层感知模型,并结合模糊控制原理实现任意复杂非线性关系逼近.然后通过灰狼优化算法克服BP神经网络的局部搜索陷入,从而解决其参数设置依赖性问题.实验结果表明,相比于PSO-BP算法和SA-BP算法,该算法的仿真拟合效果最优,表现出了更高的软件缺陷预测准确度.     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

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.     

利用MATLAB实现BP神经网络的设计

BP网络，即多层前馈神经网络，因其采用误差反向传播算法（Error Back Propagation，即BP算法）而得名，是目前应用最为广泛的神经网络之一。主要应用于模式识别、函数逼近、数据压缩及预测等领域。美国的Mathwork公司推出的MATLAB软件包既是一种非常实用有效的科研编程软件环境，又是一种进行科学和工程计算的交互式程序。MATLAB本身带有神经网络工具箱，可以大大方便权值训练，减少训练程序工作量，有效的提高工作效率。     

基于粒子滤波与BP神经网络的短时交通流预测

为了有效缓解当前交通拥堵问题,结合时下流行的智能交通系统,本文将粒子滤波算法引入短时交通流预测过程中,提出一种基于粒子滤波与神经网络的预测算法。该系统通过BP神经网络的非线性映射功能,分裂选择适当的权值,在多次训练之后能够提高算法中粒子的多样性,改善算法滤波的性能,最终达到提高预测精度的目的。另外,本文以河南省新乡市交通局公交和出租车数据作为数据来源,通过与传统的粒子滤波算法和BP算法的预测结果进行对比,发现本文所提出的方法对短时交通流预测具有更好的预测精度。     

基于粒子群算法优化BP神经网络的CO_2通量预测

针对现有准确地预测CO_2通量方法的不足,提出了一种以粒子群算法和反向传播(BP)神经网络相结合的预测模型。为了防止粒子种群的快速趋同效应,引入了自适应变异算子。通过对陷入局部最优的粒子进行变异操作,提高了算法的寻优性能。利用粒子群算法得到BP神经网络的初始权值和阈值,对优化后的BP神经网络和普通的BP神经网络分别创建CO_2通量预测模型。实验结果表明,基于粒子群改进BP神经网络模型能较好表达CO_2通量与主要因素之间的非线性关系,相对于一般BP神经网络具有更好的非线性拟合能力和更高的预测准确性。     

应用改进BP网络进行铁路客运量预测研究

针对传统铁路客运量预测方法的不足,提出运用改进BP神经网络结合四阶段法进行客运量预测,给出了预测算法,建立了铁路客运量神经网络预测模型,并对敦煌铁路客运量进行预测,设计网络参数,进行网络学习和训练,最终得到较为精确的2010年及2015年敦煌铁路客运量,为该线路今后的运营管理提供决策参考．     

基于主成分分析法的遗传神经网络模型对电力系统的短期负荷预测

针对BP神经网络的两个主要缺点,网络训练速度慢,对初始权值阈值敏感,容易陷入局部极小点,本文利用多元统计分析的主成分分析方法(Principal components analysis,PCA),在不损失原始负荷数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时将遗传算法(GA)与BP神经网络...     

一种基于附加动量法的改进BP算法

本文研究了基本BP算法的工作原理,分析了导致基本BP算法学习效率低的原因,提出了基于附加动量法的改进BP算法。经过理论分析和实验验证,在基本BP算法中加入附加动量的方法,可以加快BP神经网络的学习速度,提高BP神经网络的学习效率。     

基于改进BP算法的刚框架连接损伤识别方法

运用权值、阈值同步学习BP算法(简称为改进BP算法)对钢框架连接损伤进行识别,并且选用由结构正则化的频率变化率和少数点的振型模态分量构成的组合参数作为网络输入参数.通过对一个4层钢框架数值模拟,比较了改进算法和传统算法测试结果,从而证明改进算法更加精确、优越.     

一种改进的反向传播神经网络算法

在标准反向传播神经网络算法的基础上,提出了一种改进的反向传播神经网络算法.通过对每个处理单元增加3个参数来增强作用函数,且3个参数与连接权一样,在学习过程中进行实时更新.此算法提高了学习速度,且减少了进入局部最小点的可能性.通过XOR问题的仿真证明了改进算法的有效性.     

单参数快速搜索BP算法的研究与应用

提出了一种基于单参数坐标轮换法的改进BP算法.与其他算法相比,它不仅寻优方向性强,目标函数计算量小,而且使BP网络的收敛速度明显提高.仿真应用表明,该算法具有很好的鲁棒性.     

BP人工神经网络与遗传算法在型材挤压模具参数优化中的应用

基于MATLAB平台,将BP人工神经网络与遗传算法应用于型材挤压模具参数优化设计.首先利用BP神经网络来训练已有实验值,然后将训练后的神经网络作为知识源,通过曲线拟合与逼近求得设计变量与目标函数值的函数关系表达式,最后将这一函数表达式作为遗传算法的适应度函数进行遗传迭代寻找最优解.采用曲线拟合方法将其知识源转化成为了具体的函数表达式,直观地体现了神经网络的知识源,为后继的遗传算法提供了明确的适应度函数.数值模拟分析表明,对挤压模具结构的优化是合理的.     

神经网络的结构学习算法研究

针对前馈神经网络结构设计困难,传统ＢＰ算法易陷入局部极小、收敛速度慢、对初始权选取敏感等缺陷,通过修改误差函数,提出了一种融结构自适应选择和参数学习于一体的针对一般神经元激活函数的新算法,实验结果表明其高效性．     

基于BP网络的三值动态矩阵控制算法的实现

通过具体分析动态预测控制算法在工业应用中存在的实际问题,提出了一种三值动态矩阵控制算法,该算法主要在优化性能指标函数式中真正地建立了"头、中、尾"3点约束.仿真结果表明,该算法具有系统跟踪精度高、鲁棒性好等优点.同时,针对慢时变、大时延和不确定性系统的跟踪问题,提出了一种基于BP网络的三值动态矩阵控制算法.该算法在三值动态矩阵控制算法的基础上,利用一个3层BP神经网络对被控对象进行辨识.通过仿真,验证了所提算法的有效性.