一种改进的BP算法在消费水平中的应用

通过对标准BP算法的改进,提出了一种L-M贝叶斯正则化优化算法,并把它应用到成都市居民消费水平预测中.经试验验证,L-M贝叶斯正则化的BP神经网络比相同条件下另外两种改进算法有更强的泛化能力,对居民消费水平有很好的预测效果.     

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。     

贝叶斯正则化的 BP 神经网络在经济预测中的应用

本文应用Bayesian正则化算法改进BP神经网络泛化能力.通过对湖北省1985年-2004年关于经济发展水平的数据进行拟和以及预测,结果表明采用Bayesian正则化算法比相同条件下采用其他改进算法泛化能力要好,收敛速度快、预测精度高,方法简单,操作方便.实例分析表明, 贝叶斯正则化算法优化BP神经网络的方法是令人满意的,对经济预测有良好的预测效果.     

基于最大 Lyapunov 指数的改进预测模型及其在城市用水量短期预测中的应用

参照计算Lyapunov指数的Wolf方法,考虑预测中心点与邻近点和上一个演化点的夹角,对混沌理论基于最大Lyapunov指数的预测方法进行了改进.通过对城市用水量短期预测的实例研究,将改进算法与传统算法进行比较.结果表明,与传统算法相比,改进算法的预测精度在整个预测周期内提高了10.2%,在最大可预测时间尺度内提高了1.1%.     

对传神经网络算法的改进及其应用

针对传统对传神经网络(Counter propagation networks,即CPN)要求输入向量必须均匀分布以及隐含层神经元个数难以确定,其应用受到很大局限等问题,对CPN算法进行改进并运用于电力负荷预测.研究结果表明:通过改进CPN算法的初始权重设置规则,克服了对输入向量限制过于严格的不足;通过优化算法运行步骤,提高了算法的运行效果;改进后的CPN算法比BP算法所得预测结果误差小,比目前电力负荷预测研究中RBF和Elman神经网络所得预测结果误差也小;与BP算法相比,CPN改进算法的预测精度提高4%左右,运算时间减少45%,适用于电力负荷的预测.     

一种改进AFSA-Elman边坡位移预测网络

Elman网络在边坡位移序列预测的应用中,对于网络隐含层神经元个数、阈值的选取没有具体的定论,且收敛速度慢,容易陷入局部解.基于此,将人工鱼群算法与 Elman 网络相结合,建立了改进的 AFSA-Elman 边坡位移预测网络,修正鱼群算法的步长,并利用经改进后鱼群算法强大的寻优能力,对Elman网络的初始权值和阈值进行优化,提高了Elman网络的预测精度和收敛速度.将改进的AFSA-Elman网络与传统Elman网络以及AFSA-BP网络进行对比,并模拟了3种网络的迭代过程,发现改进的AFSA-Elman预测网络较以上两种预测网络具有较高的精度,收敛性更好,更适用于边坡位移的预测.     

自主驾驶自行车的改进路径跟踪算法

设计了一种自主驾驶自行车的路径跟踪算法,利用纯追踪(PP)算法点跟踪的特点对模型预测控制(MPC)算法进行改进,形成改进模型预测控制(IMPC)算法.选取不同的目标路径对设计的自行车路径跟踪算法进行仿真.结果表明:IMPC算法可以综合两算法的优点,并有效避免MPC算法的不足,自行车在不同的初始位置跟踪目标路径均可以取得良好的效果.     

线性组合预测研究

对传统的两个线性组合预测模型进行了研究,对模型I提出了改进算法,并且提出了一个新的线性组合预测模型Ⅲ。以美国加州电力日均价为例,与单一预测方法、线性组合预测I和线性组合预测II进行对比,线性组合预测模型III预测方法比较精确。     

基于BP神经网络的故障光伏组件输出功率预测

针对产生故障的光伏组件会降低光伏组件输出功率的问题,提出了一种改进的BP神经网络预测模型.该预测模型在辐照度、环境温度等因素的基础上加入光伏组件故障面积,串联光伏组件个数作为输入,对比SCG算法和LM算法两种改进方法,对故障光伏组件的输出功率进行预测,并用平均绝对百分比误差和均方误差两种方式对两种改进模型的准确性进行评...     

基于改进C4.5的E-learning教学辅助系统的研究与实现

为提高E-learning(数字化学习)中学生自主学习以及教师管理学习的效率,提出将决策树C4.5算法应用于数字化学习平台中的决策分析,设计了基于决策树的E-learning教学辅助系统,根据学生的在线学习行为预测其学习效果,以尽早发现问题。基于Fayyad边界点判定原理和数学的等价无穷小理论,对传统C4.5算法作出两点改进,在E-learning系统中,运用改进的算法先训练出在线学习行为与学习效果间的决策树模型,导出分类规则,而后进行学习效果预测。实验结果表明,改进后的算法具有比较高的预测准确率,能够为学习者和教学者提供决策支持。     

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.     

改进决策树算法在企业资源计划系统中的应用

为改进企业资源计划(ERP)的数据挖掘技术和提高利用效率,改善ERP系统的预测功能和决策支持,通过运用改进的混合决策树算法ID3,对企业ERP系统中某些决策判定的依据进行学习,根据学习结果对ERP系统中的新问题进行预测. 给出了相关的算法流程和实现步骤. 实验结果验证了改进决策树算法在决策预测支持中的有效性和可行性.     

一种基于人工神经元网络的条件分支预测算法

针对人工神经元网络学习速度较慢的缺点,提出了改进学习算法的基于人工神经元网络的条件分支预测算法.基于SimpleScalar模拟器,用SPEC95基准程序对改进的方案进行了性能评估.模拟测试表明,在学习初期,相比传统人工神经元网络预测算法,改进的分支预测算法能使预测失效率降低1%~2%,而在稳定期,可获得同等的预测精度.     

基于局部权重及阈值调整算法的BP网络预测模型研究

通过对基本BP算法的分析,提出了一种基于局部权重及阈值调整的改进BP算法.结合该改进算法,讨论了在Matlab中创建基于BP网络的交通运输需求预测模型并使用该模型进行预测的过程.同时,将基于局部权重及阈值调整的改进BP算法和加动量项的自适应学习率BP算法的模型的预测效果进行了比较,比较结果表明前者的预测效果优于后者.     

基于蛙跳算法的改进支持向量机预测方法及应用

针对支持向量机在中长期负荷预测中关键参数选择的问题,引入蛙跳算法(SFLA)以优化基于支持向量机的中长期负荷预测算法,解决支持向量机参数选择问题。以对中国能源消费总量预测为例,对本文提出的改进算法进行验证。以1979—1999年的能源消耗量作为样本,对2000—2009年能量消耗量进行检验。研究结果表明:引入蛙跳算法后,与用粒子群(PSO)算法改进的支持向量机以及普通支持向量机方法相比,改进支持向量机预测精度分别提高2.34%和3.21%,算法运行时间分别增加51 s和109 s。     

基于改进RBF神经网络的电力系统短期负荷预测

提出一种交替梯度算法,对径向基函数(RBF)神经网络的训练进行改进.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.采用该改进算法应用于电力系统短期负荷预测模型,综合考虑了气象、日类型等影响负荷变化的因素,预测结果表明该算法具有一定实用性.     

改进的人工智能神经网络预测模型及其应用

针对传统人工智能预测算法在对预测问题峰值变化处理问题上的不足,引入峰值识别理论改进BP神经网络预测模型(SIBP).在此基础上,利用引入多向全局搜索机制的改进粒子群算法,对SIBP神经网络预测方法进行改进,提出一种具有峰值识别能力、全局学习能力更强的人工智能预测模型,以有效解决基于BP学习方法易于陷入局部极值的问题.将改进后的预测方法应用于"尖峰突变"比较突出的出清电价预测问题,以美国PJM电力市场2005-02-01至2005-05-16的实际数据为样本,对所提出的改进预测方法进行实证分析.研究结果表明:所提出的算法较改进前的BP算法对发生电价突变的短期电价预测精度提高10.16%,运算时间仅增加6.2 s,预测结果证明本文所提出的算法在处理峰值预测问题方面的有效性.     

Toeplitz变换广义预测控制改进算法

提出两种改进的Toeplitz变换广义预测控制快速算法。其一,在已有无需Diophantine方程求解的Toeplitz变换广义预测控制算法中引入一种柔化矩阵,避免了复杂的矩阵求逆计算,进一步提高了算法的快速性;其二,通过矩阵变换,将现有基于Diophantine方程求解的Toeplitz变换广义预测控制算法推广到预测时域和控制时域不相等情况,扩展了算法的适用范围。仿真结果验证了上述算法的有效性。     

关联规则挖掘算法及其在冷轧生产中的应用

针对Apriori算法在实际应用中无法发现关联规则变化趋势的问题,该文根据增量挖掘算法的优点对Apriori算法进行了改进。改进的Apriori算法能够在原算法的基础上,通过关联规则统计量的变化确定强规则与候选规则之间的转换,从而进一步发现关联规则的变化趋势,提高了依靠Apriori算法得到的关联规则对决策分析支持的可靠性。将改进算法应用于冷轧生产过程预测中,试验结果表明,改进算法相对于传统的Apriori算法对产量预测的精度提高了30%。     

最大Lyapunov指数改进算法的网络流量预测

为了提高网路流量的预测精度,针对网络的非线性及复杂性,应用最大Lyapunov指数改进算法,利用历史数据信息,在重构相空间的基础上对网络流量进行短期预测,应用混沌理论对某高校主干流量时间序列进行分析。结合C-C算法将实际测试的流量时间序列投影到重构的相空间中,计算其最大Lyapunov指数并对最大可预测时间进行了分析。实验结果表明,最大Lyapunov指数改进算法具有良好的预测效果,较高的预测精度和更好的自适应性,该算法应用于网络流量预测是可行、有效的。