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GA-BP神经网络的建筑工程事故预测研究

为了提高建筑工程事故预测精度,采用遗传算法优化得到BP神经网络的初始权值和阈值,在此基础上基于自适应学习速率动量梯度下降法进行BP神经网络训练,建立基于GA-BP神经网络的建筑工程事故预测模型.通过数据挖掘的方式提炼出影响建筑工程安全施工的主要危险因素作为GA-BP神经网络预测模型的输入变量,以千人负伤率作为输出变量进行预测分析.结果表明,GA-BP神经网络预测模型收敛速度快,预测精度高,可有效提高建筑工程事故预测的准确性.     

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.     

基于遗传算法的BP神经网络对农业产业的分析预测

农业产业总值的准确预测对农业产业的优化和改善具有重要的意义.以遗传算法优化的BP神经网络建立农业产业总值的预测模型,该模型结合遗传算法和BP神经网络两者的优点,既有神经网络强大的学习能力,又具有遗传算法的全局搜索能力.采用该算法对农业产业总值进行预测,并与实际值进行对比分析.结果表明,该算法收敛速度快,预测精度高,具有较高的可靠性和适用性.     

基于MEA-BP神经网络的PM_(2.5)质量浓度预测模型

为了解决PM_(2.5)质量浓度预测精度不足的问题,提出一种基于思维进化算法(MEA)优化的BP神经网络的PM_(2.5)质量浓度预测模型。该模型利用MEA所拥有的趋同和异化操作对BP神经网络的初始阈值和权值进行优化。以南京市每小时监测的PM_(2.5)和其他空气污染物的质量浓度数据为例,利用MEA-BP模型进行预测,并与未经过优化的模型进行对比。实验结果表明,优化后的模型能够有效避免BP神经网络易陷入局部最优解的问题,提高了预测的精度,为PM_(2.5)质量浓度的预测提供了一种新的参考方法。     

基于CPSO-BP神经网络的PM_(2.5)浓度预测模型

为了提高大气中PM_(2.5)浓度的预测精度,采用平均影响值(MIV)算法筛选出对大气中PM_(2.5)浓度有影响的主要变量,并依次作为神经网络输入变量。利用混沌粒子学(CPSO)算法修正BP神经网络初始权值和阈值,优化BP神经网络机构,以达到提高预测模型精度的目的。以2017年西安市PM_(2.5)日均浓度数据为样本建立预测模型,实验结果表明:相比于传统BP神经网络,基于CPSO-BP神经网络预测性能更优。     

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。     

基于遗传神经网络的电火花镗磨加工效果的预测

电火花镗磨加工的放电过程非常复杂,整个加工受多种因素影响。针对BP神经网络算法易陷入局部极小、收敛速度慢的缺点和遗传算法全局搜索能力强、收敛速度快的优点,提出了基于遗传神经网络(GA-BP)的电火花镗磨加工效果的预测模型。通过该预测模型对一定加工条件下的表面粗糙度和加工精度进行预测,以MATLAB为平台的计算机预测结果和实测结果有较好的一致性,说明该算法模型对电火花镗磨加工效果的预测是有效的。     

基于改进GA-BP神经网络的种苗需求预测

为避免目前种苗市场大量浪费和无序发展的情况,分析了种苗市场出现结构性供需矛盾的原因,提出了利用神经网络模型预测未来人工造林面积、确定所需林木种苗数量的方案。在标准遗传算法的基础上,提出了改进的多子代遗传算法,通过增加子代数量提升种群整体适应度,并用于优化BP神经网络。实验结果显示,在对神经网络收敛速度和预测精度的性能优化上,多子代遗传算法较标准遗传算法分别提高了17.9%和66.7%。     

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。