海堤渗压多测点径向基函数监测模型的建立

为综合多测点监测信息建立海堤渗压预测模型，揭示其受海洋潮位等因素影响的复杂而特殊的变化规律，以径向基函数(RBF)神经网络为建模工具，采用前期潮位因子、积分型降雨因子、时效因子构建模型输入层，对符合条件的多个渗压测点进行综合训练、预测.同时根据海堤渗压特点，对建模中RBF网络的计算中心选取方法加以探讨，进而结合模糊C均值聚类算法确定计算中心.以浦东海堤实测资料实现了该模型建立的具体过程，取得理想效果，并给出了应用建议.     

海堤渗压周期特征分析及其在神经网络监测模型中的应用

海堤渗压监测序列是反映堤身状况与规律的重要信息,为把握海堤渗压序列变化特点、进行有效分析预测,对浦东海堤实测渗压曲线进行了广泛分析,归纳出其多周期变化的特征,并从谐量分析角度给出针对周期特征变化的渗压监测模型因子,结合神经网络特点,提出相应的神经网络监测模型输入层单元形式,以广义回归神经网络为例建立监测模型,以监测资料和实例说明多周期特征对监测分析的作用,以及与神经网络模型相结合的具体应用．     

海堤渗压神经网络分布模型的建立及规律分析

为有效揭示海堤渗压的分布特征,掌握其在临海工作环境下的特殊规律,在利用神经网络建模优点的同时,采用多测点渗压监控信息,并将测点坐标因素加入到输入层,综合前期潮位因子、积分型降雨因子、时效因子,形成海堤渗压神经网络安全监控分布模型结构,以实测信息进行建模训练计算;在获得合理训练结果基础上,根据输入层因子补充插入坐标样本,获得不同位置的渗压模型值及渗压分布曲线.文中以广义回归神经网络为例,结合浦东海堤实测资料,以实例说明以上述方法在神经网络不提供显式的情况下,建立可获得分布曲线的监控模型,并以此对海堤渗压分布规律特色加以分析.     

海堤渗压监测因果模型基本结构和因子选择

为揭示海堤渗压规律以及与主要影响因素间的关系，并建立安全监测因果模型、实现对海堤状态的实时监控，以监测数据为基础，对海堤实测渗压、潮位和降雨记录以及存在的因果关系加以分析，确定了海堤渗压因果监测模型的基本结构；采用统计距离比较方法选取合理的初选前期潮位因子，提出反映降雨量和降雨持续作用时间的降雨因子形式，并加入时效因子，以实测数据建立了海堤渗压监控因果模型.结果表明，该因果模型具有良好的拟合、预测效果.     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

降雨影响下高边坡渗压神经网络监测模型

为准确揭示高边坡在降雨影响下的渗压变化规律，掌握其安全状态，在降雨作用分析基础上，提出以积分型降雨因子进行边坡渗压分析；以径向基函数(RBF)神经网络为建模工具，构建渗压降雨监测模型结构，并根据高密度采集的实测序列与模糊C均值聚类（FCM）算法进行RBF计算中心的比较选择.应用表明，积分型降雨因子能有效反映降雨的作用，以实测数据建立的渗压监测模型取得了理想效果.     

基于模糊神经网络的供热负荷预测

首先在对供热负荷预测算法的发展现状主要成果阐述的基础上,对影响供热预测因素采用模糊量化的方式进行研究处理,并由此推断将模糊神经网络算法应用于供热负荷预测可以得到良好的效果.研究模型的设计核心是BP神经网络,即将模糊量化后的影响因素作为系统的输入值,去调整神经网络的权值,从而得到预测的网络模型.建立预测模型和预测策略后,可以采用Matlab科学计算软件开发程序对预测模型效果进行模拟仿真,结果表明,预测的结果能够满足要求,相对误差在合理的范围内,并且模糊神经网络算法比单纯神经网络算法具有更好的预测精度和鲁棒特性,从而达到节能的目的.且适应性强,可以应用到类似的供热工程上.     

基于免疫粒子群混合算法优化BP网络的矿压预测方法

为攻克综采工作面顶板矿压显现规律预测预报的难题,构建一种基于免疫粒子群混合算法优化BP神经网络的矿压预测模型(IA-PSO-BP),针对BP神经网络收敛速度慢和易陷入局部最优的问题,采用免疫粒子群混合算法优化BP神经网络,并选取11种矿压主要影响因素作为模型基础数据,对工作面来压强度和来压步距进行预测。结果表明：IA-PSO-BP网络模型的收敛速度较BP网络模型和PSO-BP网络模型分别提高8倍和2倍,IA-PSO-BP网络模型的预测值与实测值基本吻合,预测结果的相对误差分别约为BP网络模型和PSO-BP模型的1/5和1/3。基于IA-PSO-BP的工作面矿压预测方法具有较快的收敛速度和较高的准确率,实现了工作面初次来压强度、周期来压强度、初次来压步距和周期来压步距距预测,为煤矿井下工作面矿压预测提供了一种新的技术途径。     

基于BP神经网络的工作面周期来压预测

针对现有工作面周期来压预测方法在算法结构复杂、计算量较大等问题,探索一种高效、准确、易于使用的工作面周期来压预测方法。以淮南潘集矿区20个已采工作面作为工程研究背景,采用BP神经网络预测原理,在分析工作面周期来压的影响因素基础之上,设计出一种基于BP神经网络的工作面周期来压预测方法,通过MATLAB编程实验表明BP神经网络在工作面周期来压的预测中具有较高的精度。     

基于融合算法优化的卷积神经网络预测方法

由于不同气象条件会影响太阳辐照度的有效利用,这制约了太阳能的应用和发展.为了基于不同站点不同采样时刻的气象属性预测中尺度站的太阳能辐照度,依据传统卷积神经网络的框架,建立了一种新型的卷积神经网络结构幵用于太阳能辐照度预测.为了缓解新型网络由超参数选取不当导致预测性能差的问题,利用融合算法对新型网络的超参数进行优化.为了提高融合优化算法的全局搜索能力,引入帐篷映射对粒子的初始位置和初始速度进行混沌初始化.首先,导入训练集更新新型卷积神经网络框架,训练结束后导入验证集检验当前模型参数下新型卷积框架的性能.其次,混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型的超参数多次检验,直至最优的预测模型在验证集上的性能趋于收敛.最后,辒出模型的最优超参数,建立太阳能辐照度预测模型.基于气象实测数据建立太阳能辐照度预测实验,引入其他两种预测方法进行对比仿真研究,幵尽可能复现了Eustaquio and Titericz团队的预测方法(GBRT)作为太阳能辐照度预测性能的评估基准.实验数据表明:混沌融合算法可以有效地提高新型卷积神经网络的预测性能,所提出预测方法的全年太阳能辐照度的均方误差较GBRT降低25.9%,绝对平均误差较GBRT降低了10.7%;全年太阳能辐照度平均误差率降低了18.4%,误差率小于0.1的样本量增加了21.1%.     

基于人工免疫算法的电网负荷预测模型的研究

为了克服传统神经网络预测方法在网络结构设计和收敛效果等方面存在的缺陷.提出了一种进行电力系统负荷预测的新算法--人工免疫算法.该算法是根据高等动物免疫系统的机理而设计的,将目标函数和一部分不等式约束条件作为抗原,将搜索空间的解作为抗体,依据抗原与抗体的结合力以及抗体之间的结合力对解进行选择,通过抗体之间的相互激励作用提高了最优点附近的搜索效率,通过记忆细胞对抗体的抑制作用有效地摆脱局部最优点.应用该模型于阜新地区负荷预测的实例中,结果表明,该模型与传统的神经网络预测方法相比具有较强的自适应能力和较好的效果.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

基于人工鱼群神经网络的城市时用水量预测方法

城市供水时用水量预测精度对城市供水系统具有重要影响.传统的反向传播(back-propaganda,BP)神经网络预测方法容易陷入局部解,并且需要大量的训练数据.人工鱼群算法具有较优的全局收敛能力及较快的寻优速度.为此,利用人工鱼群算法对BP神经网络的初始权值和阈值进行优化,建立了一种新的时用水量预测模型.将该模型应用到华北某市时用水量的预测中,预测结果表明人工鱼群神经网络算法的均方差比BP神经网络算法的均方差小5%.实例证明,人工鱼群神经网络比BP神经网络的预测精度更高,收敛速度更快.人工鱼群神经网络算法可用于短期水量预测.     

海堤非稳定渗流场渗透参数反演分析

针对受到快速涨落潮位作用的海堤进行非稳定渗流有限元分析,在此基础上结合实测渗压序列构建目标函数对海堤的渗透参数进行反演研究.反演中采用分层搜索技术,先由逐步扫描法确定出渗透参数一个合理的小区间,再用一阶梯度优化方法在该小区间上进行迭代优化以获得合适的渗透参数.以反演得到的渗透参数进行海堤非稳定渗流数值模拟,算例表明,计算及反演步骤合理可行,模拟计算得到的渗压结果与实测序列在数值和动态变化规律上都取得了理想的拟合效果.     

基于混沌模糊神经网络方法的短期负荷预测

针对模糊神经网络的BP学习算法提出改进,引入全局性较强的混沌搜索算法,提出一种基于混沌搜索学习算法的模糊神经网络模型.将改进的模型应用于短期负荷预测建模,应用我国南方某市电网的实际负荷数据进行实证研究.仿真结果显示改进后的模糊神经网络较改进前在同一样本预测中精确度提高了2.5%,增加算法运行时间仅为3.1 s,说明本文提出的新的负荷预测建模方法具有更好的预测效果.     

基于BP神经网络的股票价格预测

影响股票价格变动的因素有很多,且股票数据具有高度的非线性和时变性等特征,因而采用经典线性时间序列模型可能无法完全提取非线性部分的信息.针对这一问题,建立了BP神经网络模型、PCA-BP神经网络模型、GA-BP神经网络模型和ARIMA(6,1,6)模型对上证综合指数的收盘价格进行预测.计算各预测模型下的统计指标RMSE和MAE,并对4个模型进行对比分析.结果表明,GA-BP神经网络预测模型与其它三种模型相比具有更小的误差,也就是说GA-BP神经网络预测模型对上证综合指数的收盘价格预测效果更好.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于改进粒子群算法的电力系统负荷预测

为了提高电力系统负荷预测的精度,并考虑到电力系统负荷的混沌特性,提出了将蜜蜂进化型粒子群算法和混沌神经网络相结合的负荷预测方法.构建了混沌神经网络模型,提出了蜜蜂进化型PSO算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO);以此来训练混沌神经网络参数,并且分别对基本粒子群优化算法和BEMPSO优化算法的模型进行仿真预测.结果表明提出的BEMPSO混沌神经网络负荷预测方法具有较强的泛化能力和较高的精度.     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

基于DPCA-BP神经网络的中长期电力负荷预测方法

针对PCA-神经网络预测方法解决预测问题时,忽视数据自相关性而造成的预测结果难以满足实际工程要求精度的研究现状,建立了预测数据的增广矩阵.通过计算前l时刻数据确定增广矩阵的维数,并把得到增广后的预测数据作为BP神经网络的输入变量,建立了基于DPCA-BP神经网络的预测模型,给出了模型结构.该模型能有效地去除自变量系统中与因变量无关的数据信息,增加自变量系统中数据的自相关性.算例比较分析表明,所建立模型的模型成分解释性增强,预测精度提高,预测效果优于PCA-BP神经网络方法.