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。     

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.     

基于粒子群优化支持向量机的边坡稳定性预测

为了提高边坡稳定性预测的精度,保障边坡工程的安全,提出基于粒子群优化算法支持向量机的预测模型。采用粒子群优化算法不断进行搜索迭代获取支持向量机模型的最优参数,避免了支持向量机人为选取参数的盲目性和随意性。通过Matlab编程,应用实例证明:该模型的预测精度较高,预测样本的平均相对误差为3.581 9%,计算速度较快,优于改进的BP算法、GA-BP算法和改进支持向量机算法,在实际的工程应用中有着良好的应用前景。     

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.     

基于量子粒子群优化支持向量 回归算法计算煤层气体含量的预测

煤层气是近一二十年在国际上崛起的洁净、优质能源和化石能源的新矿种,其地质研究对能源的补充意义重大.该文对煤层气的含量提出基于量子粒子群优化的支持向量回归算法进行预测.支持向量回归算法是一种非线性的基于内核的回归方法,它可以采用良好的函数逼近,并具有泛化能力.由于支持向量回归算法的参数对预测性能影响很大,量子粒子群优化在本研究中可用于选择支持向量回归算法参数.本文选用基岩深度,煤层的厚度,断层间的水平距离,煤的挥发分作为煤层气含量的预测模型的输入向量,经过比较量子粒子群优化的支持向量回归算法和支持向量回归算法之间的煤层气体含量的预测误差表明,量子粒子群优化得到的煤层气体含量的预测精度均高于支持向量回归算法的精度.     

数控机床力-几何误差的PSO-SVM建模

为了提高数控机床几何误差建模精度,改进补偿效果,先用测力环等仪器模拟施加并测量机床主切削力,再用激光干涉仪同步测量机床俯仰角和偏摆角误差. 根据粒子群优化算法(particle swarm optimization,PSO)优化支持向量机(support vector machine, SVM)的相应参数,并以实际测量数据进行训练,从而建立
了PSO-SVM力-几何误差预测模型. 实际试验表明,PSO-SVM误差预测模型输出的偏摆角误差预测值与实测数据的最大差值仅为0.6 μrad,俯仰角误差预测值与实测数据的最大差值仅为0.21 μrad,远小于利用BP神经网络以及常规方法优化的SVM所建立的力-几何误差预测模型的误差,因此该模型可用于数控机床几何误差的高精度实时补偿.     

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。     

粒子群神经网络在煤与瓦斯突出预测中的应用

煤与瓦斯突出是危害煤矿安全生产的主要因素,因此做好突出强度的预测具有重要的意义。将煤与瓦斯突出的综合影响因素作为特征向量,构建了基于粒子群优化的BP神经网络煤与瓦斯突出强度预测模型。实验结果表明,煤与瓦斯突出强度的预测值与实际值吻合度较好,该方法可有效地提高预测准确度,对实际生产具有一定的指导作用。     

基于影响因素筛选-优化组合模型的隧道变形预测研究

隧道变形监测是其安全施工的必设项目,对其预测研究具有重要意义,但隧道变形影响因素较多,难以直接开展变形预测研究。因此,研究先利用相关系数法评价各因素对隧道变形的影响程度,以确定隧道变形的主要影响因素,并将其作为变形预测模型的输入层信息;其次,再利用RBF神经网络构建隧道变形预测模型,且为保证预测精度,采用试算法和粒子群算法优化隐层节点数及相关模型参数。实例研究表明:相关系数法可很好地评价各影响因素与隧道变形间的相关程度,且不同监测项目的影响因素存在一定差异;同时,预测结果的相对误差均小于2%,说明优化RBF神经网络的预测精度较高,可靠性强,适用于隧道变形预测。     

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.     

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.     

融合多源信息的人民币汇率预测

通过有效融合与汇率相关的互联网搜索信息和宏观经济信息,提出一个新的汇率预测方法.一方面,根据信息丰富的互联网大数据,将选取的百度指数关键词信息合成能反映投资者关注度的百度综合搜索指数,再利用核主成分(KPCA)方法对宏观经济变量的信息进行提取,合成宏观综合影响指数,最后构建基于多源信息融合的汇率预测模型;另一方面,分别采用BP、KELM和SVM模型进行预测.为减小预测误差,对神经网络连接权重和阈值使用灰狼优化算法(GWO)进行了优化.通过对美元兑人民币汇率进行实证发现,融合多源数据信息之后,使用GWO-BP预测模型能获得更好的预测性能.     

基于粒子群算法优化的T-S型模糊神经网络控制器

粒子群优化(PSO)算法是一种新颖的演化算法,该算法通过粒子间的相互作用在复杂搜索空间中发现最优区域,其优势在于简单而功能强大。提出一种T-S型模糊神经网络控制器,采用PSO算法对模糊神经网络的前件参数和后件参数进行寻优,从而实现了模糊规则的自动调整、修改和完善。通过对非线性和时变被控对象的仿真研究,结果表明采用粒子群优化算法可以实现参数的全局快速寻优,而且优化后的T-S型模糊神经网络控制器能获得良好的控制性能。