神经网络模型在怀洪新河洪水预报中的应用

建立了基于神经网络的洪水预报模型.该模型根据历史洪水样本,将河道预测点上游参考点的水位、流量以及预测点的水位作为神经网络的输入,预测点的流量作为神经网络的输出.采用BP算法训练网络,并将训练成功的洪水预报神经网络模型分别按8,16,24 h等预见期对新胡洼闸、西坝口闸水位进行预报,取得了较高的预报精度,验证了模型的有效性.     

基于神经网络的模拟电路故障诊断

针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于LM算法的神经网络故障诊断方法;主要包括故障特征的选取以及神经网络的建立.其中网络隐含层节点数的选取采用黄金分割优选法.试验仿真表明,LM算法明显提高了网络训练速度,减少了训练时间,其效果优于标准BP算法,可有效提高故障诊断性能.     

基于小波变换集成模型预测径流水位的研究

为获得更精确的径流-水位预报结果,利用Dmey小波变换将水位时间序列分解为高频信号和低频信号,再使用均生函数-最优子集回归对其进行预测,最后利用Dmey小波逆变进行重构,以此建立水位预测模型.通过对柳江历年水位进行实例分析,并与均生函数最优子集回归模型、逐步回归模型对比.研究结果表明,该模型能充分反映水位时间序列趋势,预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法.     

基于两种BP神经网络的精纺毛纱性能预测模型的比较

在较大输入层样本数、较多输入层节点数的条件下,尝试使用单隐层BP神经网络模型与双隐层BP神经网络模型分别对精纺毛纱的条干不匀率与断裂强力进行预测,分析比较单、双隐层模型的预测性能.结果表明:隐含层节点数为9的双隐层BP神经网络模型预测性能最佳,相关系数值为0.920 5;对精纺纱的断裂强力进行预测时,隐含层节点数为8的双隐层BP神经网络模型预测性能最好,相关系数值为0.917 1.因此,在输入层样本数较大、输入层节点数较多的条件下,双隐层BP神经网络模型更适合对精纺毛纱的性能进行预测.     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

RBF神经网络在径流预报中的应用

鉴于径流的形成受众多因素的影响和径流预报具有复杂的非线性特点,在Matlab环境下建立了RBF神经网络的径流预测模型.经实例验证,该模型收敛速度快、预测精度高,并与BP网络作了对比,RBF网络显示了较好的优越性.     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

改进蚁群算法与BP网络融合预测铅酸蓄电池SOC

人工神经网络通过模拟人脑神经网络的方式记忆、处理信息,具有很高的智能性,近些年来,被广泛应用在太阳能用铅酸蓄电池剩余电量预测的研究中,但是,收敛速度慢、对初值敏感以及较易陷于局部极小值等是单一神经网络算法难以解决的缺点.针对该问题,将蚁群算法进行改进并与BP神经网络相融合,先采用改进的蚁群算法将BP神经网络的权值参数进行全局训练,然后,采用BP神经网络算法进一步进行局部学习,从而获得最优的BP神经网络权值.最后,通过MATLAB仿真和实验验证了本课题所采用的改进蚁群与BP网络融合算法能明显改善BP网络的收敛速度以及预测精度,能准确地预测出太阳能蓄电池SOC.     

小波神经网络的大坝变形预测研究

为了达到掌握大坝变形规律,确保大坝安全运行的目的.通过对小波神经网络和BP神经网络的对比,从隐含层激励函数的构造分析,得出两种网络本质相同,从BP算法的权值调节分析两种网络的预测性能包括收敛性能和泛化性能,并结合实践应用到具体的大坝预测问题上,验证小波神经网络在预测方面精度高,误差不超过0.1mm,同时泛化性能好的优势.     

A Chaotic ANNs Model for Rivers Daily Runoff Forecast

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

蚂蚁算法在日用水量预测中的应用研究

城市日用水量预测是城市供水管网系统动态模拟的基础和前提,用神经网络对城市日用水量预测的非线性回归组合模型求解的过程中,提出了采用新型的仿生算法——蚂蚁算法来训练神经网络的权值．此方法简化了训练过程,避免了BP算法易陷于局部极值等问题．将经过蚂蚁算法训练的神经网络应用到S．X市日用水量预测模型中,显示了此网络模型具有良好的预测能力,验证了基于蚂蚁算法的神经网络在城市日1用水量的预测中具有有效性和可行性．     

基于禁忌搜索的前向神经网络的径流预测

BP算法具有学习效率低、收敛速度慢和易陷入局部极值的局限,针对此不足,提出将禁忌搜索算法与前向神经网络相结合方法,即采用禁忌技术指导神经网络的参数调整,从而使参数调整过程中避免了局部邻域搜索,具有收敛于全局最优的能力.该方法应用于新疆伊梨河雅马渡站年径流量的预测建模,并与用传统BP算法的预测建模相比较,结果表明:基于禁忌搜索的前向神经网络优化算法不仅提高了算法效率,而且预测精度也有一定的改善.     

BP神经网络在图像信息提取中的应用研究

本文阐述BP神经网络在图像信息提取中的运用,包括：遥感技术、图像识别原理和模式识别常用的神经网络模型．针对目前在目标识别中应用最多的前馈神经网络模型研究其采用的BP算法,讨论了由于标准的BP算法存在训练时间长、收敛速度慢和易陷入局部极小值等问题,提出了BP神经网络分类器的设计方法、样本的选择及组织的改进方法．     

锅炉燃烧系统的建模研究

针对传统BP算法存在易陷入局部极值点、收敛速度慢、泛化能力差等缺点,运用一种由遗传算法和BP神经网络相结合的方法对锅炉燃烧系统进行建模分析。通过与单纯用BP算法建模方法比较,这种方法能很好地克服用BP神经网络建模时的诸多缺点。模型已经由现场采集的锅炉数据验证,能够得到理想的效果．     

煤与瓦斯突出预测的改进差分进化神经网络模型研究

鉴于常规煤与瓦斯突出BP预测模型的不足,将改进DE算法用于BP网络模型参数的优化及训练,提出结合两者优点的改进差分进化神经网络(IDEBP)煤与瓦斯突出预测模型.模型通过对变异模式、变异交叉因子自适应确定等改进,有效提高了标准DE的性能.实现了DE全局优化搜索与BP自适应、自学习的有机结合,稳健性得到加强,更能充分辨识煤与瓦斯突出样本的复杂非线性知识.以36组工程实例数据,进行了IDEBP和DEBP模型与BP模型仿真对比实验.结果表明:该模型能有效避免常规BP的不足,在收敛迅速、结果辨识和预测精度等方面均大为提高,为瓦斯智能预测提供了新的解决方案.     

BP神经网络在洪流预报中的应用

通过归纳分析,结合实际的采集数据,对降雨径流预报的人工神经网络模型进行了改进,并针对不同的预报系统,采用改进的自适应BP算法进行分析,指出了今后洪流预报发展的方向.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。