粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

给水厂混凝剂智能投加模型构建与应用

选取华东地区某给水厂生产中积累的数据建立加药量预测模型,以求在给水厂中实现混凝剂的智能投加。在数据清洗时,针对水厂运行实际情况,结合局部离群因子（LOF）算法、K最近邻插补（KNN）算法与平滑滤波算法对随机误差进行处理。同时在建模前使用灰色关联度分析评估了各原水指标与混凝剂加药量的联系,对联系较为紧密的原水指标进行混凝机理的分析。模型选用BP神经网络,并使用贝叶斯优化算法对模型的参数寻优,建立了多个模型进行评估,其中最优模型在测试集6万个样本上的平均绝对误差为3.66 L/h,结果表明最优模型能够准确预测混凝剂加药量。在此基础上,展望将建立的智能投加模型应用于水厂加药系统中,帮助水厂加药系统的智能化改造方案的实施。     

基于PSO-RBF神经网络模型的原水水质评价方法及应用

针对自来水生产过程的原水水质评价问题,提出了一种基于PSO-RBF神经网络模型的原水水质评价方法.首先,根据水厂生产经验和历史数据分析,制定面向自来水生产过程的原水水质评价标准.然后,采用粒子群优化(PSO)算法训练的RBF神经网络模型,对苏州市相城水厂的进厂原水水质实施在线评价.最后,将进厂原水水质在线评价结果作为前...     

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.     

物元分析在需水量变化预测中的应用

为了更好地分析并解决我国资源性缺水、水质性缺水或工程性缺水等问题,以需水量变化趋势预测为目标,通过建立物元模型进行了需水量的变化趋势预测.首先,以干旱区的西宁市为例进行预测,其结果显示:西宁市2010年的需水量变化趋势等级为中度用水量,而实际需水量为7.40×108m3,属于第2等级,与实际情况符合.然后,分别对义乌市、阿克苏市的需水量变化趋势进行预测,结果也较为合理.     

原水浊度对水厂生产废水回用影响的研究

根据原水浊度的变化，从改善混凝条件优化净水工艺角度，对九龙江流域水厂生产废水的回用条件和作用规律进行了研究．结果表明，在一定的原水浊度条件下，生产废水回用的最佳含固率范围小于1％．当原水浊度小于60ntu时，最佳含固率随原水浊度的升高而升高，当原水浊度大于60ntu时．最佳含固率随浊度的升高而降低．研究还发现生产废水回用不会造成饮用水水质超标.     

基于支持向量机的需水预测研究

以山西省11年实际用水量为例,17个影响需水预测的因子作为支持向量机模型的输入,需水量作为模型的输出,建立了基于支持向量机理论的非线性需水预测模型;根据预测精度,确定了损失系数ε,惩罚因子C及径向基核函数的宽度σ.采用11年用水量资料,前8年用水量作为训练样本,后3年用水量作为检验样本,3个检验样本的需水总量的相对误差分别为0.91%、1.86%和0.93%.结果表明,在训练样本较少的情况下,支持向量机需水预测模型具有较高的预测精度和较强的泛化能力.     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

基于最优加权法的航空货运量组合预测

以1997～2007年我国航空货运量的统计数据为基础,采用灰色GM(1,1)模型和回归分析模型进行组合优化,建立了基于最优加权法的航空货运量组合预测模型,并对组合预测模型进行检验.检验结果表明,组合预测模型是有效的、可靠的,具有较高的预测精度,可应用于实际预测.     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

基于改进指数平滑法的岩体边坡变形预测

结合VisualBasic.NET编程技术提出了二次和三次指数平滑预测模型参数α的优化改进方法,建立了参数最优的二次和三次指数平滑法预测模型.基于锦屏一级水电站左岸高边坡工程部分监测数据,应用指数平滑法基本原理建立二次指数平滑法和三次指数平滑法预测模型,并应用该模型对左岸高边坡某工程部位监测位移等变形物理量进行预测预报分析,结果表明,改进的预测模型预测结果准确有效,与后期实际监测位移比较误差较小.     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

自适应变异粒子群优化BP的短期风电功率预测模型

针对反向传播(BP)神经网络预测模型在风电预测中预测精度低、输入变量多的问题,提出一种基于互信息的自适应变异粒子群优化BP的短期风电功率预测模型.首先,采用互信息筛选出原始数据中与输出功率相关度较大的影响因素,减少冗余信息;然后,引入具有自适应惯性权重系数和变异因子思想的粒子群算法对预测模型进行优化.结果表明:与传统预测模型相比,该预测模型具有收敛速度快、预测精度高等特点.     

多级轴流压缩机总体性能预测模型的建立及其优化

在描述机内流动、各种损失与压升的物理模型的基础上,建立了多级轴流压缩机设计工况下性能预测模型,并以设计工况点的实测性能参数来确定模型中的修正系数组．在系数的确定中,建立了该预测模型的优化目标函数,并采用单纯形法得到了优化的修正系数组．由此建立的预测模型不仅可以很好地预测设计点的性能,同时也能较好地预测非设计工况的性能．通过比较某11级轴流压缩机性能预测数据与实际运行数据,表明了该预测模型具有良好的精度与工程应用可靠性。     

基于AGA-GRNN神经网络的刀具寿命预测研究

针对基于BP神经网络的刀具寿命预测中存在参数数量多、优化工作量复杂、网络参数主观确定等较多预测精度的问题,提出一种改进广义回归神经网络预测模型AGA-GRNN,该模型运用自适应遗传算法(AGA)优化光滑因子.经实例验证,相较于交叉验证法和遗传算法优化的GRNN预测模型,AGA-GRNN刀具寿命预测模型在参数优化效率和寿命预测精度上均较高,本刀具寿命预测模型的构建为实现制造系统中智能刀具调度提供了基础.     

一种基于H.264/AVC的宏块级码率控制优化算法

为了在网络带宽和延迟的限制条件下获得持续稳定的视频编码质量,提出一种优化的宏块级码率控制算法.这种算法基于平均绝对误差(mean absolute difference,MAD)线性预测模型和二元率失真模型,充分利用视频序列的时空相关性,有效降低了MAD预测复杂度和目标位率与实际位率的误匹配率.大量实验结果表明,与JM8.6中的码率控制算法相比,提出的算法大大降低了编码时间,能够实现位优化分配和输出码率的精确控制.     

基于支持向量机的啤酒企业能源消耗预测模型

为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。     

基于线性与非线性模型的海杂波预测

为对海杂波进行准确预测,根据海杂波具有的非线性不确定性,应用线性和非线性预测理论建立预测模型.针对logistic混沌映射信号和IPIX实际海杂波数据背景下的弱目标,分别采取基于自回归(AR)的线性模型、基于径向基神经网络(RBF)和Volterra级数滤波器的非线性模型进行预测.实验结果表明:非线性预测模型更适合于混沌背景下,因其目标和杂波的预测误差相差较大,可采取非线性预测并设置门限的方法进行目标检测;对于IPIX雷达数据,其混沌特性较logistic弱,目标和杂波的预测结果相差不大,可采用似然比检测方法.