GA －BP 神经网络模型在地区工业技术创新能力评价中的应用

针对当前技术创新能力评价方法大多建立在线性模型的基础上,且技术创新能力影响因素较多,可能存在多重共线性的缺陷,本文提出了遗传算法优化的BP神经网络模型。GA－BP神经网络模型在以下几方面做出了改进：①利用了神经网络强大的非线性关系映射能力,避免了传统线性模型的缺陷。②利用遗传算法对评价指标进行了降维,去除了多重共线性。③使用遗传算法从全局搜寻BP神经网络权值和阀值向量,优化了BP神经网络模型,避免了BP神经网络由于使用梯度下降算法,容易陷入局部最优解的缺陷。本文最后选取2008～2013年全国31个省市规模以上工业企业技术创新能力124条数据作为训练样本,31条数据作为测试样本,分别测试遗传算法优化的BP神经网络和未优化的BP神经网络,测试结果显示遗传算法优化的BP神经网络模型预测准确率高于未优化的BP神经网络模型。     

基于LSTM法的高速公路边坡稳定性研究

为了准确分析高速公路边坡性状,确保路基的稳定性,结合高速公路边坡环境特征,以边坡监测数据为基础,利用长短期记忆人工神经网络(LSTM)方法建立了高速公路边坡稳定性预测模型。以影响边坡稳定性的边坡质量系数、边坡结构系数、坡高系数、坡角系数、工程因素等因素为评估依据,采用降噪补缺、数据变换等方法处理LSTM前端数据,利用LSTM方法计算高速公路边坡稳定系数,与递归神经网络(RNN)方法进行比较。结果表明,高速公路边坡预测稳定系数为1.69,边坡安全稳定性良好,且符合实际。新方法的最大相对误差为1.60%,绝对MAPE仅为1.80%,较传统RNN方法预测更加精准。所得结论验证了深度学习在边坡稳定性预测评估过程中的有效性,对深入研究公路边坡稳定性具有借鉴价值。     

结合相似日与改进神经网络的短期光伏发电预测

为提高光伏发电预测精度,本文运用灰色关联理论分析历史气象数据,筛选出与待测日天气数据关联度较高的历史数据组作为相似日集合。建立经思维进化算法优化的BP神经网络预测模型,将上述相似日集合作为训练样本代入预测模型用于预测光伏发电功率。以澳洲某光伏系统的数据为例进行预测,结果表明,相比传统BP神经网络法、RBF神经网络,结合相似日与思维进化算法优化神经网络的光伏短期发电预测方法具有更高的预测精度。     

灵泉露天煤矿到界边坡监测方案的确定

边坡的稳定性是露天煤矿安全生产的重要因素之一,边坡稳定性评价的正确途径应当是建立在对边坡地形、地质构造研究的基础上,通过对边坡动态的观测,为边坡稳定性分析提供基础资料,切实掌握边坡岩体的变形规律,了解滑坡体的形态、范围及规模,以便对边坡岩体的未来稳定状况、变形破坏和发展趋势做出预测、预报,从而采取防治措施,使边坡处于安...     

遗传算法优化的小波神经网络在短期电力负荷预测中的应用

本文利用遗产算法的全局优化搜索能力来优化了小波神经网络,建立了基于遗产算法的小波神经网络短期电力负荷预测模型,克服了BP神经网络自身算法的缺陷,得到了更高的学习精度和更快的收敛速度,经实例也验证了该模型能有效地提高预测精度,减小负荷预测误差,避免了BP神经网络的固有缺陷.     

支持向量机模型在断层破碎带围岩变形预测中的应用

围岩变形预测是隧道安全评价及其指导后期施工的重要依据,为提高变形预测精度,结合工程实践,提出了PSO-SVM-BP预测模型的思路。首先,利用三次样条插值及二次平滑法对变形数据进行预处理,为后期变形预测奠定基础;其次,利用粒子群算法对支持向量机进行参数优化,建立PSO-SVM模型,并对围岩变形进行初步预测;最后,利用BP神经网络进行误差修正,达到综合预测的目的,并利用工程实例进行检验,以验证预测模型的有效性。结果表明:初步预测结果的相对误差均小于5%,而误差修正后的预测精度被提高到0.97%,预测精度较高,验证了预测模型的有效性,可为类似研究提供参考。     

尾矿坝初始地应力反演研究

文章基于某尾矿坝工程实测点的地应力测量数据,运用BP神经网络结构对岩质边坡内部初始地应力进行了反演分析,反演结果与实测值相比误差较小,说明将BP神经网络运用到尾矿坝的地应力反演中是合理可行的。     

灌区最优规划决策方案研究

水资源紧缺严重制约着我国社会经济的发展,如何将有限的水资源合理地进行分配以产生最大的效益成为人们关注的话题。针对灌区水资源利用紧缺,选用BP神经网络对叶尔羌河流域径流进行预测,并利用遗传算法(GA)进行优化,构建了GA-BP径流预测模型,以基流、温度和降雨作为输入条件,进行了月径流模拟和预测。同时构建了基于二次规划方法的叶尔羌河灌区水资源最优规划模型,根据径流预测推算得到保尔水库月出库径流量并将其作为水量约束,选用灌区的春小麦、春玉米、胡麻作为典型研究作物,根据水分生产函数,计算理想条件下典型作物的月水资源分配方案以达到灌区经济效益最大化。     

水利水电工程岩质边坡稳定性的评价方法探析

在水利工程边坡稳定性评价过程中存在众多的随机性、模糊性因素,使得科学、准确地评价其稳定状态仍存在较大的困难。文章针对岩质边坡稳定性的特征选择10个主要因素,对不同稳定性评价等级下云发生器生成的10个指标的隶属度进行计算,从而构造综合云模型,同时对各指标的权重考虑采用基于信心指数的专家打分法计算,最终确定边坡稳定性状态即最大隶属度所在的级别。选择32个水利工程岩质边坡为例,对其稳定性状态利用云模型法进行评价,进一步对比分析了边坡实际状况和CSMR法评价结果,表明该方法具有较高的使用价值和准确度。     

基于BP神经网络的短期负荷预测

电力系统负荷预测的重要性、分类和主要预测方法,BP神经网络算法的基本理论和预测过程,建立基于BP神经网络的短期负荷预测模型,以加州24 h的电力负荷预测为例进行MATLAB仿真,结果显示预测精度符合电力系统要求。     

基于优化模糊神经网络控制的加热炉应用

针对加热炉具有大惯性和纯滞后性,提出优化模糊神经网络控制。该控制将模糊逻辑推理与神经网络控制技术融合,同时利用遗传算法优化隶属度函数,采用误差反向传播学习算法在线调节神经网络权值,提高了控制器的稳定性、鲁棒性和适应性。仿真结果证实了控制器的有效性。     

基于WOA-LSTM的窄带通信网网络时延预测算法

为了给窄带通信网的链路选择及协议的智能切换提供实时参考,设计了 一种基于鲸鱼优化算法(WOA)和长短期记忆神经网络(LSTM)的窄带通信网网络时延预测算法.首先对实测数据样本进行标准化处理,以LSTM神经网络算法的均方根误差函数的倒数作为适应度函数;其次采用鲸鱼优化算法对LSTM神经网络的学习率、隐含层神经元个数进行优...     

基于数据挖掘算法的变压器热点温度时序预测方法

为了解决油浸式电力变压器热点温度预测方法缺乏对短期热点温度走势的预测,无法满足动态增容决策要求的问题,以SFPSZ-180000/220型变压器为研究对象,首先,研究对比发现变压器的热点温度与负载率相关性最大,在此基础上,建立了基于支持向量回归的局部地区负荷预测模型,为变压器热点温度预测提供数据;其次,提出了基于数据挖掘算法的变压器热点温度时序预测方法,并在此基础上分别建立了支持向量回归、BP神经网络、决策树3种数据挖掘预测模型;最后,对一般输入-输出的建模方法的预测结果与基于时间延迟方法的预测结果,以及不同时间延迟下3种数据挖掘模型的预测结果进行了对比分析。结果表明,有外在输入的支持向量回归预测模型结果比BP神经网络和决策树吻合度更高,并且时间延时更小,预测结果精确度更高。有外在输入的支持向量回归预测模型在很大程度上提高了变压器热点温度预测精度,其预测结果可为变压器的动态增容决策提供有效参考。     

混沌神经网络在球磨机故障诊断中的应用

针对神经网络极易陷入局部极小的问题,采用引入动量项和混沌映射的改进BP算法,讨论引入动量项和混沌映射的神经网络综合模型的建模思路及其算法实现;介绍球磨机常见的故障类型,建立球磨机故障诊断的混沌神经网络模型,进行仿真试验,结果表明:该模型具有较高的预测精度,可以有效地运用于球磨机诊断中的故障预测。     

L-M贝叶斯正则化BP神经网络在红外CO_2传感器的应用

针对温度会影响红外CO_2传感器的输出电压,造成对CO_2的浓度检测误差较大的问题,提出了一种基于L-M贝叶斯正则化BP神经网络的温度补偿方法。实验中将传感器输出电压比和温度作为神经网络的输入,CO_2浓度作为神经网络的输出,并通过L-M算法和贝叶斯正则化对神经网络进行优化。经过实验仿真证明,在温度补偿后红外CO_2传感器测量输出的浓度值最大相对误差为4.557 8%,具有较高的精确度。因此L-M贝叶斯正则化BP神经网络能对红外CO_2传感器进行有效的温度补偿,可为相关红外传感器仪器的改进提供参考。     

基于KPCA-GRNN的炼化厂管道腐蚀速率预测

为了提高炼化厂循环水对管道腐蚀预测的精度,选取8种常规监测数据作为样本标准库,在此基础上考虑各指标之间信息叠加的影响,引入核主成分分析(KPCA)和广义回归神经网络(GRNN)腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道腐蚀的主要因素,应用GRNN建立管道腐蚀速率预测的数学模型,通过分析影响循环水腐蚀的关键因素,建立了循环水腐蚀预测指标体系。结果表明,将样本监测数据的维数由8降至5,可得出各个影响因素的贡献率,提取出包含原始信息95.84%的5个变量,且基于KPCA-GRNN的算法对监测管道腐蚀速率的平均相对误差为0.033,优于误差反向传播算法(BP)的0.056。因此,基于KPCA-GRNN算法建立的循环水碳钢腐蚀速率预测模型,能够获得更准确的预测结果,拓宽了循环水腐蚀速率预测方法的研究思路。     

Fashion retail forecasting by evolutionary neural networks

Recent literature on nonlinear models has shown that neural networks are versatile tools for forecasting. However, the search for an ideal network structure is a complex task. Evolutionary computation is a promising global search approach for feature and model selection. In this paper, an evolutionary computation approach is proposed in searching for the ideal network structure for a forecasting system. Two years’ apparel sales data are used in the analysis. The optimized neural networks structure for the forecasting of apparel sales is developed. The performances of the models are compared with the basic fully connected neural networks and the traditional forecasting models. We find that the proposed algorithms are useful for fashion retail forecasting, and the performance of it is better than the traditional SARIMA model for products with features of low demand uncertainty and weak seasonal trends. It is applicable for fashion retailers to produce short-term retail forecasting for apparels, which share these features.     

高斯型模糊逻辑系统的BP算法及其应用

在模糊逻辑控制和神经网络理论的基础上给出了高斯型模糊逻辑系统及其 BP算法 ,并给出了 BP算法的一种初始参数的选择方法和反向调整参数的公式 ;还构造了基于高斯型模糊逻辑系统的辨识器并在 Matlab5.1平台上作了仿真实验 ,仿真实例说明了这种算法的可行性和可靠性。有待进一步研究讨论的是如何更好地选择初始参数以获得更好的跟踪效果