基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

灰色组合模型在坝体水平位移预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM（1,1）和BP神经网络组合模型,分别运用GM（1,1）模型、BP神经网络模型和它们的组合模型三种模型对坝体的非线性水平位移进行了分析,对比发现此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少的缺点,也增强了预测的自适应性,证明了组合模型的预测精度较高,可以应用于坝体水平位移的预测。     

基于BP神经网络的滑坡地质灾害预测方法

为了解决滑坡地质灾害传统预测方法中出现的综合性、实用性不强等问题,本文研究用基于优化参数设置的BP神经网络模型来预测滑坡地质灾害。该方法基于BP神经网络,顾及与滑坡地质灾害产生紧密相关的地质条件和环境因素,对BP神经网络的输入层、隐含层、输出层的参数进行优化;再由历史的经验数据通过训练、泛化建立基于BP神经网络的地质灾害预测模型;最后,按照0和1的组合结果对滑坡地质灾害进行预测。本文利用该模型对汶川地震诱发的滑坡地质灾害进行分析预测,结果表明:该模型的预测结果与实际结果吻合度达到86%~90%,预测精度较高,验证了基于改进的BP神经网络预测滑坡地质灾害的方法是实际可行的。     

支持向量机在地铁隧道地表沉降预测中的应用

针对北京地铁区间浅埋暗挖隧道，分析了施工导致的地表沉降的影响因素，提出了影响地表变形的主要因素，建立了支持向量机的统计回归预测模型，并用该模型预测的地表沉降，将SVM预测值和BP神经网络预测值与现场量测值进行了对照。结果表明，支持向量机比BP神经网络有较高的预测精度，并且具有小样本、高维数及非线性等优点。     

基于GA改进BP神经网络的建设工程投标报价研究

在建设工程项目投标报价过程中,如何来确定标高金直接关系到承包商能否中标和盈利以及施工企业今后的生存与发展。提出基于遗传算法(GA)优化BP神经网络的标高金预测方法。在分析BP神经网络基本原理的基础上,主要阐述了如何应用遗传算法来改进BP神经网络收敛速度慢和易于陷入极小值等缺点。对BP神经网络模型隐含层节点数进行优选后,建立起GA改进BP神经网络的标高金预测模型;最后应用该模型和一般BP神经网络模型对20个典型国际工程实例的标高金进行计算和预测。计算结果对比发现,经遗传算法改进后的BP神经网络模型在降低计算和预测平均误差的同时,迭代次数比一般BP神经网络模型也大大减少了。因此,该模型适用于求解如建设工程投标报价等非线性问题。     

基于组合预测模型的股票预测方法的研究

对股票预测问题进行了深入的研究,提出了一个新的预测方法.针对股票时间序列的高度非线性、高噪音的特点,采用小波变换方法有效的过滤噪音、约简数据,并对ARIMA模型和BP神经网络预测模型进行了研究和分析,提出了一个基于ARIMA模型和BP神经网络模型的模糊变权重组合预测模型,应用该模型对股票时间序列进行分析预测,取得了令人满意的效果.     

基于混合模型的中央空调冷源系统运行能耗优化

为优化中央空调冷源系统运行能耗,本文分别建立了中央空调冷源系统运行能耗预测灰箱模型和BP神经网络模型,对比分析了灰箱模型与BP神经网络模型的能耗预测性能,并基于K-means聚类算法提出了将灰箱模型和BP神经网络模型相结合的能耗预测混合模型。结合中央空调冷源系统能耗预测混合模型,以模型可控输入变量为优化变量,对中央空调冷源系统进行节能优化。结果表明:对比单独使用灰箱模型或BP神经网络模型,中央空调冷源系统混合模型能耗预测精度提升了27.7%和33.85%。对比冷源系统优化前能耗,优化后的中央空调冷源系统运行能耗平均降低了8.2%。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

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。     

基于遗传优化神经网络的市政管网水质模型研究

将遗传算法的全局搜索能力和BP神经网络的局部学习能力有机结合,得到一种快速高效的建立供水管网余氯的水质模型的新方法。验证结果表明,遗传算法优化后的神经网络模型所需要考虑的参数较少,应用方便,预测精度和效率较高,在城市给水系统水质模拟预测研究中有一定的参考应用价值。     

基于SVR的城市供水管网余氯预测分析

支持向量机回归(SupportVector Regression SVR)算法是结构风险最小化原理在函数回归方面的应用。根据北方某城市供水管网余氯的人工采样数据,建立了基于SVR的余氯预测模型,并与人工神经网络、多元线性回归方法进行比较分析,结果表明:在有限样本情况下,SVR模型具有良好的泛化推广能力,各监测点模型预测平均相对误差为1.80%~8.73%,并可获得全局最优解,达到了实用要求,较好地解决了以往管网余氯小样本预测时,常常出现拟合精度高、预测效果较差的问题。     

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。     

基于BP神经网络混凝土抗压强度预测

在阐述BP人工神经网络原理的基础上,针对影响强度的主要因素,建立了多因子混凝土抗压强度3层BP网络模型,以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料含量及置放天数作为模型输入参数,混凝土抗压强度值作为模型的输出,对混凝土抗压强度进行了预测.实验结果表明:所建BP神经网络混凝土抗压强度预测模型最大...     

基于 BAS-SCA-BP 模型的高校建筑工程项目投资估算研究

针对标准BP 神经网络建筑工程项目投资估算模型收敛速度慢、预测精度低的问题,提出融合改进天牛须和正余弦双重优化算法（BAS-SCA）优化BP 神经网络的建筑工程项目投资估算模型。以某市高校建筑工程项目为研究对象,分析相关文献并结合显著性理论初步选择工程造价影响因子,利用粗糙集属性约简算法筛选出关键因素;基于此,通过构建基于BAS-SCA-BP 的神经网络估算模型实现快速、准确的建筑工程投资估算。研究结果表明:基于BAS-SCA-BP 的估算模型较标准BP 神经网络估算模型的估算精度有了大幅提高,与其他智能算法改进的BP 神经网络估算模型的性能相比较,该模型在稳定性和预测精度方面表现更佳。     

基于BP神经网络的堆肥物料抗剪强度预测模型

针对目前传统方式采集堆肥物料抗剪强度数据过程中环境恶劣、数据采集困难、试验误差大等问题,提出一种基于BP神经网络的抗剪强度预测模型。通过现场试验得到堆肥物料抗剪强度和堆体高度、温度、含水率、密度等参数共39组有效数据,以其中35组作为训练样本,其余4组用于评价模型的预测性能。结果表明,该模型预测值与实测值的平均误差为11. 35%,基于BP神经网络的抗剪强度预测模型具有较高的预测精度,为抗剪强度的预测提供了一种新方法。     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

MIV-PSO-BP神经网络用户热负荷预测

提出利用MIV-PSO-BP神经网络预测用户热负荷。MIV-PSO-BP神经网络基于BP神经网络,利用PSO算法优化神经网络初始参数,采取MIV算法筛选与输出变量相关程度最大的输入变量。以绝对误差、均方根误差作为指标,评价MIV-PSO-BP神经网络的预测效果。结合箱线图,比较BP神经网络、MIV-PSO-BP神经网络的预测相对误差分散程度与异常点数量。与BP神经网络相比,MIV-PSO-BP神经网络的预测效果更理想。由BP神经网络、MIV-PSO-BP神经网络的预测结果相对误差箱线图可知,MIV-PSO-BP神经网络预测结果相对误差集中,异常点少;BP神经网络预测结果相对误差分散,异常点多。MIV-PSO-BP神经网络预测准确性、稳定性更高。