PSO优化BP算法在基坑变形预测中的应用

地铁车站深基坑变形预测是保证地铁车站安全施工的一个重要手段,为了能够更准确更有效的预测地铁车站深基坑变形,采用粒子群优化算法即PSO算法对传统的BP神经网络的权值和阀值进行了优化,同时对该预测模型中的输出样本添加噪声训练,建立了基于粒子群优化BP神经网络的地铁深基坑变形预测算法。以合肥市轨道交通2号线长丰南路站深基坑为工程实例,经计算表明该算法取得了良好的效果,所预测的变形数据具有较高的可信度。     

基于DE-BP算法的空调负荷预测研究

建立了基于BP神经网络理论的空调系统负荷预测模型.针对BP神经网络参数优化过程中容易陷入局部最优的缺陷,采用差异演化算法(differential evolution algorithm,DE)对其进行优化,以提高预测精度.结合具体实例进行空调冷负荷预测,并与采用遗传算法、蚁群算法、粒子群算法对BP神经网络进行参数优化的仿真实验结果对比表明,由DE-BP算法所具有较好的预测性能.     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

一种改进的高铁桥沉降变形预报方法研究

鉴于传统BP神经网络在高铁桥沉降变形预报中随机性强、收敛速度慢、易陷入局部极值等缺点,本文引入了顾及邻域粒子群影响的改进粒子群算法(IPSO)优化BP神经网络,建立IPSO_BP的高铁桥台沉降变形预报模型,组合模型的预报结果与高铁沉降变形评估方法—Asaoka进行比较,结果表明:基于改进的粒子群优化BP神经网络模型较高铁桥传统BP预报模型收敛速度更快,预报精度更高;预报评估结果与Asaoka方法预报的结果相符,证明了IPSO_BP模型的可靠性和实用性。     

基于PSO-BP算法对古建筑消防安全评价

基于影响古建筑火灾发生的原因,建立了比较合理的消防安全评价指标体系,并构建了以粒子群(PSO)算法优化BP神经网络的评价模型。通过样本的建立,确定了BP神经网络的网络结构,运用粒子群算法去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,对其进行训练直到误差满足既定要求。为了验证该评估模型的有效性,最后将训练的粒子群优化的BP神经网络模型应用到奉国寺大雄殿的消防安全评价中。结果表明,此模型收敛更快、适应性更强、精度更高。在古建筑消防安全评价中具有较好的应用价值,实现了古建筑消防安全评价的定量分析。     

复杂地质条件下的隧道大变形组合预测研究

隧道大变形是隧道工程中的常见病害之一,严重威胁施工安全及工程进度,对其研究具有重要意义。以BP神经网络和支持向量机为基础,利用遗传算法和粒子群算法优化其结构参数,以实现单项预测模型优化,再构建线性组合模型和非线性组合模型,实现了隧道大变形的组合预测。实例分析表明:组合预测模型较单项预测模型具有更高的预测精度和稳定性,且以BP神经网络权值法的组合效果最优。通过研究,为大变形防治及变形规律评价提供了借鉴和参考,具有一定的实用价值。     

基于PSO-BP算法的隧道非线性位移分析模型

粒子群优化(PSO)算法是近年来发展迅速,并得到广泛应用的一种仿生全局最优化算法.与遗传算法相比,该算法具有操作简单、易于编程的优点.结合铜黄高速公路汤屯段大田连拱隧道施工,采用PSO算法对BP神经网络的权值进行自动优化,获得训练效果最好的BP网络模型参数以提高网络的泛化能力,建立起基于PSO-BP算法的大田隧道施工位移非线性智能分析模型,并采用此模型对后续施工隧道变形进行了预测分析.与实测位移对比表明,本文建立的PSO-BP模型平均预测相对误差仅为3.1%,可很好地作为隧道信息化施工的一种辅助方法,并为其他类似岩土工程提供借鉴.     

基于计算智能的地铁隧道施工进度-成本优化

对于工序复杂的地铁隧道施工进度-成本优化问题,为了避免数学公式难以准确表达进度和成本之间的非线性关系,提出运用计算智能技术中的遗传神经网络和免疫粒子群算法的组合方法寻优。首先,通过遗传算法对BP神经网络的权值和阈值进行优化;然后,运用实际工程中进度和成本数据分别进行BP神经网络模型的训练和测试;最后,基于得到的BP神经网络模型和免疫粒子群算法实现对进度-成本寻优。通过该组合方法和基于数学公式的单纯形法分别求解算例,对比通过单纯形法求解出的准确结果,验证了该组合方法能够比较准确地解决进度-成本优化问题。因此,基于遗传神经网络和免疫粒子群算法的组合方法为工序复杂的地铁隧道施工进度-成本优化提供了一个较优的途径。     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于改进PSO-BP的模糊PID烧结炉温度控制

采用改进粒子群算法整定优化PID参数,并在反馈回路中加入BP神经网络预测下一时刻温度,将超前温度信息作为改进粒子群算法适应度函数参数,提前调整PID控制器参数,从而给出超前的控制,以此来减弱烧结炉温度变化的滞后性.通过模糊推理在温度控制过程中在线调整PID控制器参数,加强温度控制的跟随性.试验结果表明,与传统PID控制...     

基于神经网络的基坑与紧邻桩变形相关预测

基于神经网络技术 ,建立深基坑墙体与其紧邻建筑 (构 )物之间变形相关性预测BP网络模型 ,以便根据深基坑紧邻桩基允许变形来控制深基坑墙体变形。本文最后用某紧邻高架桥的地铁车站深基坑实例进行分析 ,结果表明预测与实测结果基本吻合     

开挖降水条件下基坑周围建筑物沉降预测研究

利用Gompertz曲线模型、灰色理论模型和BP神经网络模型等单一预测模型对基坑周围建筑物沉降进行预测,之后将结果与三者优化组合模型的预测结果进行比较分析,结果表明：单一模型预测结果的精度比三者优化组合模型的精度较低,而其中通过最优加权法组合的模型预测精度最高。     

基于IPSO-DBN 的管道故障诊断方法

针对城市燃气管道故障诊断效果不佳的问题，提出了一种基于改进粒子群算法优化深度信念网络（IPSO-DBN）的管道故障诊断方法。该方法首先对粒子群算法（PSO）中的惯性权重ω、加速因子C1 和C2 进行修正，得到改进粒子群优化算法（IPSO），并采用两种基准函数对比测试PSO 与IPSO 的网络性能，证明所选改进方法的优越性。其次利用IPSO 优化深度信念网络（DBN）的初始权重，建立合适的DBN 网络，将4 种不同燃气管道工况下的实验数据用于IPSO- DBN 网络训练及预测。最后将实验所得的故障诊断准确率与BP、DBN、PSO-DBN 方法进行对比分析。实验结果表明，对于燃气管道不同工况下的故障分类识别，IPSO- DBN 方法的平均测试集诊断准确率高达94.5%，诊断效果优于传统的BP、DBN 以及PSO-DBN 方法。     

基于PSO和ANN复合的边坡稳定性评价模型

提出了基于粒子群优化的BP网络学习算法,并结合边坡工程实例,利用搜集到的实例样本对模型进行训练和检验,并与传统BP网络相比,结果表明,该模型具有预测精度高,泛化能力强的特点,是评价边坡稳定性的一种有效方法。     

基于QPSO-BP 神经网络的火灾预警算法

为了进一步提高油库消防系统的安全性,针对其火灾报警信息系统进行了改进,构建基于量子粒子群算法优化BP神经网络的火灾智能预警算法,以温度、烟雾浓度以及CO 浓度数据作为神经网络的输入,以无火、明火以及阴燃火的概率作为神经网络的输出。使用量子粒子群算法优化BP 神经网络运行中随机产生的权值和阈值,加快神经网络收敛到期望误差的速度,增强全局搜索能力。通过MATLAB 软件对智能火灾预警算法的模型进行仿真,模型输出的火情概率与实际值基本吻合。设计了多传感器数据采集设备,获取火灾现场数据,输入网络模型,能够有效识别明火、阴燃火和无火情况,验证了该算法可提高消防预警系统的准确性。     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。