铁矿石烧结性能预报模型

研究了铁矿石烧结性能的评价指标及其主要影响因素, 提出了误差修正的带动量项的线性再励自适应变步长BP神经网络算法, 建立了铁矿石烧结性能预报模型. 模型预报结果表明, 用拓扑结构为12-34-4的BP神经网络训练6 700次后, 神经网络训练误差为0.000 187, 模型预报命中率均达83.5%以上, 模型具有很好的泛化能力和自适应能力.     

基于神经网络的铜锍吹炼终点预报技术

准确预报铜锍吹炼终点，对于铜锍吹软操作至重要，采用改进的BP神经网络算法和自适应残差补偿算法建立铜锍吹炼终点组合预报模型，利用某厂实际生产数据进行仿真运行的结果表明，本文建立的模型具有较高的预报精度和较强的实时性，可用于指导生产实践。     

改进BP网络在铁水预脱硫终点硫含量预报中的应用

针对本溪钢铁集团有限公司的铁水罐喷吹CaO+Mg复合粉剂脱硫过程,采用BP神经网络建立铁水预处理终点硫含量预报模型.在模型建立过程中,为了克服标准BP算法迭代次数多、收敛速度慢的缺点,采用新的自适应调整学习率方法和最大误差学习法对标准BP算法进行了改进.用1 900炉数据进行模型训练,经100炉数据现场验证表明,有12%的炉次预报值与实际值完全一致,有89%的炉次误差≤0.003%,平均误差为0.002 0%.     

自适应小波神经网络在故障诊断中的应用

为提高传统BP神经网络在故障诊断中的效率,提出用小波神经网络加以改进.采用动量法和学习率自适应调整结合的网络训练算法对小波网络的初始参数进行设置,提出自适应小波神经网络的故障诊断方法,详述其诊断原理,并结合实例证实了该方法应用于故障诊断的有效性.     

采用免疫BP算法的模糊神经网络PID控制器

文章在传统PID控制器的基础上,结合模糊控制和神经网络控制理论设计出自适应模糊神经网络PID控制器,并将免疫反馈机制应用到BP学习算法中,通过自适应调整学习速率,改善算法的收敛性;通过Matlab仿真验证了引入免疫反馈机制的BP算法的优越性.仿真及实际应用结果表明,采用免疫BP算法的模糊神经网络PID控制器响应速度快,...     

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.     

BP神经网络算法的改进及应用

BP神经网络算法可操作性强,是神经网络训练采用最多的算法之一。但该算法网络的收敛速度慢,在网络的训练中,容易出现局部变化较大。为了改进误差平面容易形成局部最小、收敛速度慢的不足,在用自适应学习速率方法基础上本文研究出一种改进的BP算法,提高了BP神经网络的适应性,增强了PLC和单片机的控制能力。     

BP神经网络预测织物拉伸性能

采用BP神经网络技术建立反映织物结构参数、纱线参数与织物拉伸性能间关系的三层神经网络模型,根据影响织物拉伸性能的各种参主为量,用动量-学习率自适应调整的BP算法训练模型,通过预测值和实验值的比较,表明用神经网络方法预测织物拉伸性能有相当的准确性,从而在一定程度上实现用神经网络预测织物的拉伸性能。     

BP神经网络在高层结构体系选择中的应用

提取高层建筑结构选型的主要控制因素 ,以此建立基于 BP(Back- Propagation)神经网络的高层建筑结构体系选择的数学模型 .分别采用传统的 BP算法、改进的带动量自适应学习率 BP算法 ,以及 L- M(Levernberg- Marquart)算法 ,进行高层建筑结构体系选择的研究 .研究结果表明 ,传统的 BP算法和改进的带动量自适应学习率 BP算法 ,无法适应土木工程中大规模的数据结构 .而采用 L- M算法神经网络 ,较传统 BP算法快 10 2～ 10 3倍 ,并且精度高 ,可以较好地解决高层建筑结构体系选型问题 .     

BP小波神经网络在大断面隧道变形预测中的应用

将BP算法引入小波神经网络,自适应地调整小波系数和网络权重,同时利用自适应算法调节BP算法的学习率,提高收敛效率.以4车道隧道——前欧隧道的监测数据为基础,建立BP小波神经网络变形预测模型.预测结果表明:BP小波神经网络对地质条件相似,施工及初期支护方法相同的隧道断面变形进行预测,其预测结果满足工程精度要求,能较准确地...     

基于ATD-BP神经网络的页岩气产量预测方法

储层改造是页岩气开发的关键步骤,根据储层改造数据进行页岩气井产量预测,对后续施工优化有重要指导意义。然而,储层改造数据与气井产量间呈非线性相关关系,不适用于传统线性预测方法。且储层改造数据存在有效数据较少、噪声数据占比较大、维数较高等问题,不适用于受噪声影响较大的传统BP神经网络非线性预测方法。由此,本文提出一种页岩气储层改造产量预测方法,首先利用自适应阈值去噪(adaptive threshold denoise,ATD)算法去除噪声,再运用BP神经网络对储层改造数据进行非线性拟合,得到页岩气井产量预测模型。实验表明,相比传统的BP神经网络,本文所提方法能够有效提高预测的准确率和稳定性。     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数（RBF）神经网络的烧结终点预测模型。该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值。通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法。     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

基于主成分分析与模糊BP方法的藻类繁殖状态预测

将主成分分析（PCA）与模糊反向传播（BP）网络建模方法相融合,提出了PCA-模糊BP方法并用于藻类繁殖状态的预测,建立了叶绿素a含量的预测模型.采用PCA对各类采集数据进行预处理,并将PCA所得各理化因子作为模糊BP网络的输入变量,叶绿素a的含量作为模糊BP网络的输出变量,经过学习训练,获得藻类繁殖状态的预测模型.结果表明,PCA-模糊BP方法降低了各类输入样本数据之间的相关性和模型系统的维数,加快了模糊BP网络的收敛速度,其与典型BP神经网络模型相比,具有更快的计算速度和更高的预测精度,能够较好地预测海洋藻类繁殖的生长状况.
     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

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。