共查询到10条相似文献,搜索用时 15 毫秒
1.
《Planning》2014,(11)
递阶对角神经网络(HDNN)采用动态BP学习算法,可以逼近任意非线性函数且具有收敛速度快、预报精度高的特点,因此本文将其引入到大坝安全监测领域,以水压、温度和时效为输入量,坝体位移为输出量,在此基础上运用马尔科夫链(MC)模型对预测数据进行残差计算和状态划分,确定马尔科夫链状态概率矩阵,通过马尔科夫链状态概率矩阵对HDNN模型进行反馈修正,从而提高精度。基于此建立了HDNN-MC模型并应用于某特高拱坝的变形预测。结果表明,HDNN-MC综合模型相对于单一模型,预测精度得到显著提高,能更高效准确地预测大坝变形。 相似文献
2.
《Planning》2016,(15)
页岩气藏储层孔隙特征复杂、渗透率不高,导致页岩气产量递减规律与常规气藏不同,常规递减模型对页岩气藏适应性较差。根据遗传算法改进的BP神经网络,建立以时间、累计产量、地层压力作为输入层,页岩气日产量作为输出层,遗传算法优化神经网络权值和阈值的页岩气产量递减预测模型。将改进的BP神经网络、常规的BP神经网络和Arps递减模型的预测结果进行比较,遗传算法优化的BP神经网络的最大相对误差为8.184%,常规BP模型的最大相对误差为17.821%,Arps递减模型最大相对误差为19.950%。遗传算法优化的BP神经网络预测精度最高,可见,此方法对页岩气产量递减预测具有较好的适用性,为预测页岩气产量递减提供了1个有效、可行的方法。 相似文献
3.
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。 相似文献
4.
5.
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。 相似文献
6.
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。 相似文献
7.
8.
《Planning》2017,(24)
盐水中CO_2的溶解度参数对CO_2地质封存至关重要,通过实验方法获取溶解度数据耗时费力,因此,需要建立理论模型来进行预测,而神经网络由于能够关联复杂变量之间的情况而广受关注。BP神经网络是1种应用最广泛的前馈神经网络,利用实验数据建立1个三层结构的BP神经网络模型用于预测盐水中CO_2的溶解度,并对网络的结构参数进行优化设计,得到1种盐水中CO_2溶解度预测的BP神经网络模型。同时,利用修正后的亨利定律计算不同条件下的溶解度,并将实验数据、BP模型预测结果与亨利定律做对比,为确定盐水中CO_2的溶解度提供了1种新方法。 相似文献
9.
10.
《Planning》2019,(5):117-118
文章针对风力发电特有的间歇性和不稳定性等特性,提出一种双存储神经元的长短时记忆(LSTM)模型(DuLSTM)用于风电功率预测。通过建立双存储神经元结构的LSTM模型,对周期性较强和突变性较强的风电功率分别采用不同神经元建模,有效解决受天气剧烈变化影响下的风电功率预测精度较低的问题。实验结果表明,预测误差相对LSTM模型从10.4%下降到7.0%,改进后的Du-LSTM神经网络模型在预测精度和拟合度上优于原始LSTM网络模型。 相似文献