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.     

对“拍照赚钱”任务定价体系的研究

采用BP算法和遗传算法优化的BP神经网络算法,计算GPS和任务定价体系的函数关系.根据已有研究成果进行建模,对所用数据进行归一化处理,最终获得定价关于新项目GPS的函数式,并根据该关系式完成定价.     

基于神经网络模式的遗传算法在CRM的数据挖掘优化研究

提出了一种有利于优化CRM的基于神经网络模式的遗传算法,在对该算法仿真研究的基础上,将其应用于CRM的数据挖掘中,用于优化BP神经网络模型的拓扑结构和连接权值,并给出了相关的遗传操作和实验结果。通过论证分析认为,该算法克服了原有几种用遗传算法优化CRM神经网络数据挖掘模型的缺点和不足,提高了数据的精度和准确性,具有广泛的应用价值。     

基于GA-BP神经网络模型的大坝裂缝预测

常规的BP神经网络由于初始权值和阈值问题,在对大坝裂缝开度进行预测时精度普遍不高。为此,本文首先引入遗传算法(GA)对BP神经网络进行优化,构建了GA-BP神经网络预测模型,然后分析实测资料,发现库水位、温度显著影响裂缝开度,最后将这两个因素作为网络的输入变量,利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得,通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络,本研究可为大坝的安全运行管理提供一种技术方法。     

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。     

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.     

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MEA-BP神经网络的PM2.5质量浓度预测模型

为了解决PM2.5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PM2.5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PM2.5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...     

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。     

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.     

基于小波变换的模糊神经网络短期负荷预测方法

为了解决传统神经网络的预测精度取决于输入变量和测试样本的缺陷,采用二阶Daubechies小波作为母小波,通过离散小波变换和逆变换的多分辨率把负荷序列分解为4个小波分量,不但把握了负荷序列的规律性,而且减轻了神经网络的学习压力.采用自适应遗传算法对模糊规则和权重进行修正,优化模糊神经网络,提出GNN-W-GAF模型.该模型既发挥了模糊算法的特点,又使得各种知识点在神经网络中相互融合,避免了初始值设定的随意性.仿真结果表明,该方法能显著提高预测精度和预测性能.     

基于蚁群神经网络的电控发动机故障诊断研究

针对电控发动机故障的复杂性,以及传统的专家系统在知识获取等方面的缺点,采用BP神经网络作为故障诊断模型的核心,并将蚁群算法融入到BP网络的训练过程中进行优化,得到了满意结果.通过对该故障诊断模型的验证,表明采用蚁群算法改进后的BP神经网络能够对汽车电控发动机的故障进行有效和准确的诊断.     

基于神经网络的证券预测技术研究

本文借助神经网络对非线性函数的逼近能力，提出了BP算法的改进型算法及基于BP算法的指数预测模型，通过对比传统预测算法，证实改进后BP算法用于指数预测的可行性及准确性．     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法(empirical mode decomposition, EMD)优化非线性自回归(nonlinear auto regressive,NAR)动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.