基于GA-BP神经网络的环境质量评估方法

应用神经网络技术进行环境质量评估,为了提高评估的准确度和科学性,涉及多目标的复杂系统,因此对环境保护和正确决策制定具有重要意义.利用一种基于遗传算法优化BP神经网络进行环境质量评估的新方法.利用遗传算法优化BP神经网络初始权值,充分发挥GA全局寻优的能力和BP算法局部细致搜索优势.并通过MATLAB工具进行仿真模拟计算.结果表明,基于GA-BP算法的神经网络系统对环境质量评估有着良好的性能,与标准BP网络相比,收敛速度快,具有更好的全局收敛性,并提高了评估准确率对保护环境提供依据.     

基于改进GA-Elman的无线智能传播损耗预测方法

在5G移动通信系统商用落地的背景下,设计准确、高效的信道估计方法对无线网络性能优化具有重要意义.基于改进GA-Elman算法,提出一种新的无线智能传播损耗预测方法.对Elman神经网络中的连接权值、阈值和隐藏神经元进行实数编码,在隐藏神经元编码中加入二进制控制基因,同时利用自适应遗传算法对权值、阈值和隐藏神经元数量进行...     

基于改进BP神经网络的路由器流量预测方法

为了减少路由器的能耗,提出了一种改进的反向传播(BP)神经网络预测路由器流量的方法,在传统BP神经网络的基础上加入学习率自适应算法,提高路由器流量的预测精度和训练速度.运用MATLAB平台构建BP神经网络对网络流量进行建模、训练并预测.仿真结果表明:相较传统预测模型,运用改进的BP神经网络预测模型精度较高,训练速度较快,路由器可以更快、更准确地调整工作状态,实现了有效节能,具有很好的应用前景.     

基于GA-BP神经网络的广州市降雨量预测

BP神经网络模型在预测领域中应用十分广泛,但其在网络学习过程中存在缺陷,结合遗传算法(GA)能够得到改善。历年的降雨量可以视为时间序列问题,本文分别建立BP神经网络和基于GA的BP神经网络对广州市降雨量进行预测,模型测试显示,GA-BP模型的预测效果优于BP模型。最后应用GA-BP神经网络模型对2014年的广州降雨量进行预测,预测结果为1635.1毫米。     

基于GA-BP神经网络的电池剩余电量的预测

研究动力电池剩余电量问题,电池剩余电量的准确预测一直以来都是一个难点.由于剩余电量与电流、内阻和温度有关,电池内部复杂的电化学反应导致了电池电压不能线性反映电池的剩余电量,传统的方法往往会有较大的误差.BP神经网络的特点是可以逼近任意的非线性函数,而BP神经网络并非完美的神经网络,采用用遗传算法优化BP神经网络可以克服其缺点,更好的预测电池的剩余电量.实验结果证明,所用的GA - BP神经网络方法具有反应快,误差小的特点,达到了预先设计的目的.     

基于蝙蝠算法优化反向传播神经网络模型的无线网络流量预测

针对无线网络流量数据预测精度不高问题,提出一种基于蝙蝠算法(BA)优化的反向传播(BP)神经网络的分类预测模型——BABP.通过采用蝙蝠算法对BP神经网络模型的初始权值与阈值进行全局寻优,构建崭新的基于蝙蝠算法优化的神经网络模型.通过与基于传统寻优算法遗传算法(GA)与粒子群优化(PSO)算法的反向传播(BP)神经网络模型比较,在无线网络流量数据的分类预测和稳定性方面,提出的BABP模型要优于GABP模型、PSOBP模型;同时,无论迭代次数的多与少,BABP均比GABP、PSOBP算法更快地收敛.实验结果表明,BABP模型在预测精度、寻优速度以及模型稳定性等方面均比GABP、PSOBP模型更具优势.     

基于遗传算法的BP神经网络在电力负载预测中的应用

为有效利用电力资源,改进电力供需结构,建立面向电力负载的短期预测模型。利用层次分析法,对负载预测的影响因素做权重筛选,优化输入参数。通过主成分分析法对样本数据进行线性组合,压缩数据,提高网络泛化能力。引入L-M算法完善反向传播(BP)算法,加快收敛速度。同时结合改进的遗传算法,自适应调整交叉变异概率,对BP神经网络的初始权重进行动态赋值。在真实数据集上的实验结果表明,相较于传统神经网络模型,提出的模型能够加快神经网络的收敛速度,同时提高预测精度,电力负载的实际值与预测值的相对误差小于3%。     

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测.仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果.     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型;用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解;该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较;结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性.     

基于GA-BP神经网络的胎儿体重预测分析

胎儿体重是判断胎儿发育、保障孕产妇安全的重要指标,但是胎儿体重无法直接测得,只能根据孕妇体检数据进行预测.提出了一种基于遗传算法优化BP神经网络（GA-BPNN）的胎儿体重预测模型,首先采用回归模型和特征归一化预处理得到的历史体检数据建立孕妇连续体重变化模型,然后利用遗传算法（Genetic Algorithm,GA）优化BP神经网络的初始权值和阈值,建立胎儿体重预测模型.从我国东部某医院2016年孕产妇中随机抽取3000例样本数据,将本文的模型与基于传统BP神经网络（BPNN）的预测模型进行比较,实验结果表明,本文提出的GA-BPNN胎儿体重预测模型不仅加快了模型的收敛速度,而且将胎儿体重预测精度提高了14%.     

优化BP神经网络的可靠性预测模型

为了提供一种更加准确高效的算法,对传统的BP神经网络模型进行优化。首先对初始权植的选取规则,传统的N-W规则算法进行改进,再对其它参数进行优化。在此基础上,将神经网络理论应用于系统可靠预测评价之中,提出了基于此理论的系统可靠预测评价模型、实现方法和优点;评价实例证明此方法的可行性。     

优化BP神经网络的可靠性预测模型

为了提供一种更加准确高效的算法，对传统的BP神经网络模型进行优化。首先对初始权植的选取规则，传统的N—W规则算法进行改进，再对其它参数进行优化。在此基础上，将神经网络理论应用于系统可靠预测评价之中，提出了基于此理论的系统可靠预测评价模型、实现方法和优点；评价实例证明此方法的可行性。     

GA-BP算法预测滚动轴承退化趋势

故障预测是PHM技术中的关键一环,它是以装备当前的运行状态为起点,结合设备的运行状态参数、历史数据,依据数学模型,对采集到的数据进行分析,结合装备自身运行规律,判断装备在未来任务时间段内是否会出现故障.在BP神经网络预测算法对滚动轴承退化趋势预测基础上,结合遗传算法对BP神经网络参数优化后进行预测,同时与粒子群算法优化BP网络参数后的预测结果比较,验证了所提方法的有效性.所提方法的研究思路是基于滚动轴承退化状态划分的退化趋势预测,根据滚动轴承全寿命周期振动数据特点,划分轴承退化状态,选取退化效果明显且退化时间较长的数据进行趋势外推.研究的创新点在于提取轴承时域、频域指标后,采用相关系数理论选取和轴承剩余寿命强相关的时域特征指标作为输入数据,频域特征指标作为输出数据,建立时域指标与频域指标的对应关系,通过预测频域特征值指标的变化趋势反映出轴承的退化趋势.     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

一种基于遗传算法的改进的BP算法

提出一种利用遗传算法对BP算法的改进方案。充分考虑了BP算法的精确性和遗传算法全局寻优的特点．使BP算法摆脱局部极小的困扰,并且所训练的网络能够达到要求的精度。     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题. 网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network, ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm, GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average, ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine, LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.