基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

BP模型在降雨径流预报中的应用研究

简要介绍了人工神经网络用于洪水预报的基本原理,对降雨径流预报的网络模型进行了改进。为了避免陷于局部极小值和缩短学习时间,采用了改进的自适应BP算法进行洪水预报,开发了基于BP模型的洪水预报系统,并经过山西省文峪河水库的实测资料进行了预报,取得了令人满意的精度。     

基于Kalman滤波的基本Elman网络训练新算法

Kalman滤波算法应用于基本Elman网络学习时,收敛速度较快,但收敛精度往往不高;而基于梯度下降的BP算法可以以很高的精度实现输入输出的非线性映射,但在极值点处收敛速度缓慢.针对上述问题,提出一种将Kalman滤波算法应用于基本Elman网络的新学习训练算法.该算法结合Kalman滤波算法和基于梯度下降的BP算法的优点来训练网络,以基本Elman网络隐层单元输出作为非线性系统的状态变量,通过Kalman滤波算法实现状态变量的快速准确跟踪,然后通过梯度下降法修正权值以保证精度.另外,在训练过程中,通过增加训练样本的信息内容来提高网络收敛的精度.仿真结果表明了该算法的有效性.     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

改进BP神经网络在个人信用评估系统的应用

针对一般BP算法收敛速度慢和易陷人局部极小值的缺陷,提出利用一种自适应学习速率动量梯度下降反向传播算法对网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高,并将这种改进的BP网络应用于个人信用评估系统,验证了该方法的正确性和有效性.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。     

基于动量因子优化学习率的BP神经网络PID参数整定算法

针对传统BP神经网络学习过程中学习率选取过大导致振荡的问题, 提出一种新的BP神经网络PID(比例-积分-微分)参数自适应整定算法. 采用BP神经网络对PID参数进行自适应调节和优化, 并利用动量因子优化学习率和增加动量项抑制BP神经网络训练中出现的振荡现象, 以加快收敛速度. 实验结果表明, 该算法有效缓解了振荡现象, 加快了算法的收敛速度.     

基于改进神经网络的边坡岩体弹性力学参数识别方法

基于人工神经网络的 BP算法 ,建立了根据边坡开挖后岩体位移观测数据识别岩体弹性力学参数的数值方法 .在网络训练过程中采用改进的 BP算法 ,通过对学习算子的优化搜索 ,大大提高了网络的收敛速度 ,解决了 BP算法迭代过程中目标函数振荡问题 .通过算例表明 ,提出的改进的 BP算法有助于提高岩土材料参数识别收敛速度和识别精度 .图5 ,表 3,参 15     

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。     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

综合多源不确定性的洪水概率预报试验

为探究多种不确定性因素综合影响下洪水概率预报的实现方法及其适用性,利用2003—2020年史灌河流域多场次洪水开展模拟试验,在量化降雨输入、模型参数及结构不确定性程度的前提下,基于MCMC(Markov chain Monte Carlo)方法融合各来源不确定性实现洪水概率预报,并分别基于覆盖率、确定性系数指标评估预报...     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

天气数据模糊化处理对神经网络短期负荷预测模型的影响研究

介绍了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法,计及了天气和日期特征量．应用模糊集理论将天气和日期特征量模糊化后作为BP神经网络的一部分输入进行训练,同时考虑实际历史负荷数据构造了短期负荷预测模型,预测未来24h负荷．通过典型算例与普通BP方法预测结果相比,表明该方法是有效的并具有较高的预测精度．     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

BP神经网络主成分分析在试飞数据预测中的应用

本文采用主成分分析与BP神经网络相结合的方法对试飞数据进行了预测,同时还对BP神经网络主成分分析法与全要素BP神经网络分析法进行了比较．结果表明BP神经网络主成分分析法具有精度更高、收敛速度更快等特点。     

松花江流域蓄滞洪区方案优选智能决策研究

针对松花江流域防洪工程重要组成部分的蓄滞洪区，基于陈守煜提出的模糊优选BP神经网络模型，引入了遗传算法，提出融入遗传算法的模糊优选神经网络智能决策模型，对松花江流域蓄滞洪区方案优选进行智能决策．该模型既能合理地构造神经网络的拓扑结构，又可加快网络的收敛速度，并能改善网络的全局寻优能力，是对模糊优选BP神经网络模型的进一步发展，同时更对松花江流域蓄滞洪区的优选提供了理论依据．