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。     

基于BP神经网络的自密实清水混凝土性能预测研究

针对自密实清水混凝土试验周期长、表观性能影响因素多等问题，应用BP神经网络对其性能预测，有效减少试验量，快速找出外加剂最优掺量。基于BP神经网络卓越的非线性处理功能，将减水剂、消泡剂、引气剂、坍落度作为输入变量，自密实清水混凝土的7 d抗压强度、扩展度、气孔面积、色差作为输出变量，建立含有2层隐含层的BP神经网络模型，利用试验所得12组数据，预测自密实清水混凝土的性能，将预测值与试验值进行比较，确保模型高精确度。结果表明：神经网络模型预测结果良好，强度预测的相对误差最高达到10.8%，其余均在10%以下，其中第11组的混凝土性能最优，预测与实际结果相吻合。     

基于神经网络纳米海工混凝土电阻率预测

为探究神经网络对混凝土电阻率预测的可行性,文中通过wenner四电极法测量Cl-侵蚀和干湿循环耦合作用下纳米混凝土的电阻率,利用BP神经网络和Elman神经网络对电阻率测量结果进行预测。预测结果表明,BP神经网络的预测效果要优于Elman神经网络,BP神经网络的预测误差更低,其输入和输出变量之间的相关性更强,在混凝土相关研究中利用神经网络具有一定的实用性。     

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%。     

基于遗传算法改进BP神经网络的页岩气产量递减预测模型

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。     

基于模糊神经网络的供热负荷预测

为了克服传统BP神经网络预测精度差,易陷入局部极值的缺陷,提出了模糊神经网络系统。利用模糊粗糙集通过历史负荷数据信息的模糊化替代负荷变化的离散化,快速寻找出样本数据间的连续属性的信息,将其与传统BP神经网络结合组成模糊神经网络对热负荷进行预测。实验结果表明:该模糊神经网络预测结果的相对误差很小不超过2%,在短期负荷预测方面具有的优越性。     

基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测

风电功率预测对大规模风电并网运行有重要意义。建立基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测,通过对训练样本的学习,利用BP神经网络法进行风电功率初步预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链通过滚动预测对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某风电场的风电功率预测中,结果表明了此模型的可行性,并为风电功率预测提供了新的途径。     

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。     

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FA-NAR动态神经网络的隧洞围岩变形时序预测研究

针对隧洞围岩变形动态性、对时间和空间的敏感性、非线性、高度复杂性等特征,为提高围岩变形预测精度,采用萤火虫算法(FA)搜索确定延时阶数和隐含层单元个数,并利用非线性自回归(NAR)动态神经网络进行预测,提出基于FA-NAR动态神经网络的隧洞围岩变形预测模型,结合北山坑探设施围岩变形监测数据进行预测,并将其与BP神经网络算法预测结果对比分析。结果表明:(1) FA-NAR动态神经网络的预测值与实测值基本吻合,其产生的平均绝对误差和平均相对误差分别约为BP神经网络的1/5和1/4,表明FA-NAR动态神经网络算法模型比BP神经网络算法模型预测精度高;(2)采用FA-NAR动态神经网络算法模型能够很好地解决围岩变形预测问题,既减少了人为输入网络参数的盲目性,又提高了网络的学习能力和预测精度。     

遗传-BP神经网络法预测叶绿素a浓度变化

基于2009年—2010年对临江河回水区水质指标的监测数据,采用遗传算法结合BP神经网络的方法对回水区的叶绿素a(Chl-a)浓度变化进行动态模拟预测。通过灰色关联法确定了对Chl-a浓度有显著影响的指标与网络输入变量,即水温、DO、流速、透明度(SD)、TP、CODMn及Chl-a。模拟结果表明,遗传-BP神经网络的预测值和实测值吻合较好,其相对误差约为9.8%,模型可良好地用于次级河流回水区叶绿素a浓度的短期预测。预测结果表明,在春末夏初季节,当水库蓄水位为150～160 m时,临江河回水区富营养化潜势较高,尤其应注重临江河该时段富营养化的防控工作。     

基于遗传算法的BP神经网络模型在地下水动态预测中的应用研究

地下水系统是一个复杂的非线性动力系统,地下水系统的输出(地下水位)与输入(降水入渗、蒸发、人工开采等)具有非常复杂的非线性关系。神经网络以其强大的处理非线性系统的能力而在地下水水位预测中得到了广泛的应用,它与传统的统计分析模型相比,具有更好的持久性和适时预报性,且能用于解决同时存在多个自变量和多个因变量的地下水系统预报问题。但是由于网络输入存在多重共线性,导致网络泛化能力不高,降低了网络的预测性能;并且在求解时易陷入局部极小,且收敛速度慢。针对以上问题提出了基于遗传算法的BP神经网络地下水动态预测模型。先用遗传算法优化确定BP网络的初始权阀值,然后应用LMBP算法在这个解空间里对网络进行精调,搜索出最优解或近似最优解。这样既实现了两者的优势互补,发挥了神经网络广泛的映射能力和遗传算法的全局搜索能力,也加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力。本文以Matlab7为平台设计了计算过程和具体的实现方式,还以分布于元宝露天矿区的6眼监测并为例,分别采用基于遗传算法的BP神经网络模型和BP神经网络模型对研究区的地下水位进行了短期预测,从对比分析的结果来看基于遗传算法的BP神经网络模型明显优于BP神经网络模型,是一种预测短期地下水位比较理想的预测模型。     

基于MATLAB BP神经网络的岩溶渗漏污染预测一例

本文以摆纪磷石膏堆场为研究对象,采用了地下水物质迁移模型中的"黑箱"模型,即运用MATLAB的BP神经网络建立磷石膏堆场岩溶渗漏污染预测模型,实现了人工神经网络对堆场岩溶渗漏污染的预测。在岩溶渗漏管道为单一管道类型时,模型预测值基本与实测值吻合,误差较小,效果较为理想。但对复杂的岩溶渗漏管道类型,虽然能大致反映出污染物浓度变化的趋势,但模型精度不够,误差较大,因此还需进一步收集数据进行模型的优化,使其达到理想的预测效果。     

BP神经网络在基坑工程变形预测中的应用

结合工程实例,针对基坑开挖过程的变形特点,应用BP神经网络和基于粒子群优化算法的BP神经网络对基坑支护结构的变形进行预测,并对两种方法预测结果进行比较分析。结果表明,基于粒子群优化算法的BP网络的泛化预测性能要优于BP网络,预测深基坑地下连续墙结构水平位移更有效。     

边坡岩体力学参数反分析遗传-神经网络算法

基于均匀设计、有限元法、人工神经网络和遗传算法建立了新的边坡岩体力学参数反分析方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,这样大大缩短了计算时间.通过算例分析,反演结果比较理想,表明该反分析方法是可行性和精确的.     

基于不同算法的道路混凝土干缩神经网络预测

针对多种因素下道路混凝土干缩预测模型难以建立的难题,基于BP神经网络理论建立了干缩预测模型.结果表明：BP神经网络预测道路混凝土干缩可获得较高准确度,且具有良好的泛化能力,在5种算法中,Trainlm训练速度快,但误差大,Traingda函数训练速度居中,误差最小,用其训练的神经网络可很好映射道路混凝土配合比与干缩率之间的非线性关系.     

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。