基于主成分分析的BP神经网络长期预报模型

MATLAB是进行神经网络系统设计及多元统计分析的有力工具．利用MATLAB6.5对月平均降水量的前期预报因子进行主成分分析,实现样本的最优压缩,从而降低样本的维数,建立起基于主成分分析的神经网络广西北部地区5月平均降水预测模型．计算结果表明,基于主成分分析的神经网络模型在预测中与多元回归模型相比有较好效果．     

基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型

应用基于主成分分析的BP神经网络和RBF神经网络建立了气温预测模型.通过比较模型的均方误差(MSE)和平均绝对误差(MAE)值可知,采用主成分分析的BP神经网络得到的预测模型的误差小于主成分分析的RBF神经网络预测模型.结果表明,模型采用主成分分析提取了影响因变量的重要因子,去掉了网络输入样本的自变量之间的重叠因子,同时也提高了预测能力.     

基于主成分分析法的遗传神经网络模型对电力系统的短期负荷预测

针对BP神经网络的两个主要缺点,网络训练速度慢,对初始权值阈值敏感,容易陷入局部极小点,本文利用多元统计分析的主成分分析方法(Principal components analysis,PCA),在不损失原始负荷数据主要信息的前提下提取负荷数据的主成分,有效地减少了预测模型的输入量.同时将遗传算法(GA)与BP神经网络...     

超大深基坑的支护设计及变形预测研究

为切实积累基坑支护设计经验,并准确掌握基坑变形发展规律,以龙潭医院改造基坑为工程背景,先在阐述工程概况的基础上,开展了基坑支护设计研究,并详述了基坑支护设计内容;然后利用动态模态分解、极限学习机等构建基坑变形预测模型,通过变形预测来评价支护设计方案的合理性。实例分析表明：由于龙潭医院改造基坑属超大深基坑,加之近接建、构筑物对位移变化较为敏感,因此,基坑支护方案采用分段支护设计,包含采用放坡、挂网喷浆、管桩及支护桩等支护形式。同时,通过变形预测研究,得出预测结果的平均相对误差在2.06%～2.12%之间,训练时间在59.25～61.44 ms之间,验证了R-PSO-ELM模型不仅具有较优的预测精度,还具有较快的收敛速度,且外推预测显示基坑变形趋于稳定方向发展,最大预测值均在预警值范围内,验证了基坑支护设计方案是合理有效的。     

深基坑开挖对邻近住宅楼的变形影响分析

【目的】深基坑工程中土体的开挖卸荷会导致土体位移变形,可能引起周围建筑物变形,因此有必要对深基坑开挖对邻近宅楼的变形影响进行分析。【方法】本研究以郑州某深基坑工程为例,在采取上部土钉墙、下部桩锚支护的联合支护方式下,使用FLAC3D对基坑的开挖过程进行数值模拟,探究不同工况下基坑开挖对周边土体和邻近建筑物的影响。【结果】研究发现：沉降量随着距基坑边缘距离的增加而减小,最终降低为零;沉降量和围护体的水平位移随着基坑开挖深度的增加而增大;邻近建筑物的沉降随着基坑开挖的加深而增大,随着距基坑边缘距离的增大而减小。【结论】本研究验证了该支护方式的可行性。     

基坑开挖对邻近地铁结构影响的数值模拟研究

【目的】以南昌市某雨污水管道、箱涵工程为例,结合场地条件和施工区域工程地质情况及水文条件,探讨明挖法施工对邻近结构的影响。【方法】基于修正莫尔-库伦本构模型和室内试验参数标定,结合岩土隧道专用有限元软件Midas/GTS NX进行二维建模,模拟分析箱涵明挖施工过程,探讨基坑整体位移情况和邻近地铁结构变形位移。【结果】研究结果表明,江纺路雨污水管施工邻近隧道最大水平位移为2.11 mm,最大竖向位移为3.40 mm;民园路雨水箱涵施工邻近隧道最大水平位移为2.38 mm,最大竖向位移为8.76 mm;民园路雨水箱涵施工邻近车站最大水平位移为0.10 mm,最大竖向位移为0.34 mm。【结论】邻近结构位移变形均满足地铁车站和区间结构安全要求。数值模拟方法可为城市建设可行性研究提供新思路。     

基于BP神经网络的海洋温度预测及鱼群迁移方向研究

全球海洋温度在不断上升,海水水温的变化使得鱼群向更高纬度进行迁移,导致原先苏格兰的小型渔业公司业务受到影响.主要讨论了50年后由于海洋温度变化导致苏格兰海域的鲱鱼和鲭鱼鱼群迁移以及最有可能出现的区域.文中,首先根据不同深度水温和表层水温的关系,得到鲱鱼和鲭鱼所处海洋的温度分布范围并通过热力图直观显示温度范围和分布位置....     

基于BP神经网络的干热风灾害预测

干热风是我国新疆,西北等地农业气象灾害之一,其形成因素呈现复杂的非线性关系.利用传统方法很难建立起一个精确完善的预测模型.人工神经网络具有强大的非线性映射能力,尤其是BP神经网络在预测领域中被广泛应用.本文利用BP神经网络对干热风灾害进行了预测.结果表明,基于BP神经网络的干热风预测模型误差小,能达到满意的效果.     

样本量变化对上证指数预测精度的影响——基于MATLAB的BP神经网络模型的预测分析

选取具有不同变化特征的两个时段的上证指数每日收盘价为研究对象,使用基于MATLAB的BP神经网络模型,分别预测最后10个交易日的每日收盘指数,并对预测精度进行对比。结果表明,在同一个BP神经网络中,增加输入样本个数确实有助于提高短期预测的精度,但样本区间的选择是关键,时段内的样本应具有大体相同的变化趋势。当样本量变化时,调整网络模型结构也有助于提高短期预测的精度。对于深受政策影响的中国股市而言,将人工神经网络用于股市的短期预测更有意义。     

基于粒子滤波与BP神经网络的短时交通流预测

为了有效缓解当前交通拥堵问题,结合时下流行的智能交通系统,本文将粒子滤波算法引入短时交通流预测过程中,提出一种基于粒子滤波与神经网络的预测算法。该系统通过BP神经网络的非线性映射功能,分裂选择适当的权值,在多次训练之后能够提高算法中粒子的多样性,改善算法滤波的性能,最终达到提高预测精度的目的。另外,本文以河南省新乡市交通局公交和出租车数据作为数据来源,通过与传统的粒子滤波算法和BP算法的预测结果进行对比,发现本文所提出的方法对短时交通流预测具有更好的预测精度。     

BP神经网络预测技术在脱硫系统pH值中的应用

在热电厂脱硫过程中,pH值的稳定性对脱硫效率影响重大,在实际生产中因受到各种环境因素及主观因素的影响,pH测量仪器在现场操作中易受到破坏或腐蚀,给生产造成很大损失,为了降低这种损失,提出了基于BP神经网络的预测技术。运用此预测算法对系统参数进行数学建模,设计了三层网络预测模型,同时用Matlab工具箱对pH数据进行仿真,使系统实现在线控制和实时控制。结果表明,BP神经网络对脱硫系统中pH值的预测精度很高,产生误差也很小,取得了满意的预测效果。因此,用BP神经网络预测技术对烟气脱硫系统中的pH值进行预测,能提前预知脱硫过程中pH值的变化情况,有助于改善脱硫装置的效率。     

基于神经网络股票预测的研究

利用股票市场的理论和神经网络的BP算法来预测股票价格.先对股票进行基本面的分析,再对股票进行技术面的分析.运用技术分析的技术指标和神经网络优势,对股票进行大数据量的训练,使得模型可靠,再对股票进行测试.从实验的效果来看,取得令人满意的效果.     

基于BP神经网络的酒泉市霜冻天气预测研究

本文利用2019年12月和2020年1月至11月气象观测资料、ECMWF再分析资料和FY-4陆表温度资料,基于BP神经网络对甘肃省酒泉市一次霜冻天气进行预报分析研究.研究表明:此次霜冻天气前期受到贝加尔湖西部冷槽影响使气温下降,后期乌拉尔山高压脊东移使天气转晴,冷平流及强辐射的共同影响是此次霜冻天气的主要原因;霜冻...     

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.     

BP神经网络在极限承载力预测中的应用

<正>预应力高强混凝土简支T梁极限承载力的计算通常采用有限元的数值分析方法,考虑材料非线性影响,对T梁进行全过程分析,得出T梁的承载力。影响预应力高强混凝土简支T梁极限承载力的因素很多(如混凝土强度、钢筋强度、梁的跨径、截面尺寸等),且具有复杂的非线性特性。实际工程中,传统方法建模比较复杂,而且计算工作量大,花费大量的人力和     

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。     

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%。     

一类基于PCA神经网络的分类器在异常检测中应用

目前,入侵检测技术（IDS）已成为网络安全领域研究的焦点,多种软计算方法被应用到这项技术的研究上,本文综合了主成分分析技术的数据压缩及分类功能,和神经网络的在线计算能力,构建了一类基于PCANN的分类器,并进一步应用到异常检测中．仿真试验结果证明该检测模型的有效性．     

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。