基于 DPSO-BP 网络模型的短期电力负荷预测

为准确、快速、高效地预测电网短期负荷,提出改进的粒子群算法(DPSO),并与BP算法相结合,形成改进的粒子群—BP(DPSO-BP)神经网络算法,用此算法训练神经网络,实现神经网络参数优化,得到基于DPSO-BP算法的神经网络模型.算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力     

基于粒子群优化RP网络短期电力负荷预测方法

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L—M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L—M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。     

改进的BP算法对网站访问量的预测

利用BP神经网络进行预测已经取得了很大的进展,但BP神经网络易形成局部极值,算法收敛的速度相对较慢,将遗传算法结合到BP神经网络中可以改善算法收敛速度较慢的问题,利用改进的BP算法对网站访问量进行预测,结果表明运算效率得到了很大的提高,同事也说明了改进方法的可行性．     

一种较为完善的改进BP算法

根据传统BP算法存在的多种缺陷，本从多角度改进了BP算法。在学习过程中优化了网络结构，并且选取了更符合实际的动态学习步长。最后。应用该算法预测我国第三产业的产值比重和就业比重，效果非常明显。     

基于改进BP神经网络对非线性时间序列的建模预测

分析了BP神经网络的基本特性,对BP神经网络用于非线性时间序列(股价)预测的算法进行了研究,并对其进行了改进。利用MATLAB软件对其进行仿真,结果表明,利用改进的BP神经网络对股价进行短期预测是可行的,改进方法有效。     

电力负荷中期预测方法

本主要叙述了电力负荷中期预测中两种重要的方法：一元线性回归法和灰色预测法。简要介绍了根据历史数据进行预测的数学模型和过程，并指出了各自的特点及一些改进的方法。     

BP神经网络改进算法在空分制氧质量预测中的应用

文中对传统BP神经网络的基本原理和学习过程进行分析,发现其存在收敛速度慢、容易陷入局部极小值等问题．采用增加动量项和自适应学习速率两种方法对传统BP算法进行改进,并将改进的BP算法运用于空分制氧质量预测网络模型中,结果表明改进的BP神经网络能够改善传统模型的缺点,而且预测质量效果较好．     

基于BP人工神经网络改进算法的数据挖掘技术应用研究

在阐述数据挖掘技术的产生背景、过程和一些常用方法的基础上,针对原有BP神经网络算法效率较低、易陷入局部极小等不足,提出了一种改进的BP算法,并对其进行推理和验证:同时将其应用到病人数情况预测中.结果表明,与标准的BP算法相比,改进的BP算法具有更好的精度和更高的效率.     

BP神经网络的改进及其在股票预测中的应用

研究了BP神经网络,对BP算法的权值初始化进行改进,使得其收敛速度更快,并建立了基于BP神经网络的股价预测模型．最后以深发展A的收盘价为例,分析改进后NBP神经网络模型的预测效果．     

两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

基于灰色神经网络组合模型的电力消费量预测——以河北省为例

在分析灰色预测模型GM(1,1)以及BP神经网络预测模型2种单一模型在电力消费量预测方面不足的基础上,提出灰色神经网络组合预测模型。以河北省电力消费量为基础,分别用3种模型进行预测,并加以比较分析。结果表明,灰色神经网络组合模型提高了关于河北省中长期电力消费量的预测精度,对河北省未来电力系统及能源需求规划具有一定参考价值。     

基于人工智能的机器人折弯机滑块行程研究

针对金属板料折弯工艺和更高精度的要求,提出基于人工智能神经网络的机器人折弯新技术。对机器人弯折工艺进行特征参数分析及提取,并建立改进算法的BP神经网络模型;比较了不同机器人折弯训练函数下的性能,建立更加有效的神经网络训练函数。通过经验实测值与改进算法的BP神经网络预测值对比,验证了所确定的机器人折弯的改进BP神经网络能够更加精准确定折弯工艺过程中所需的滑块行程,提高了折弯工艺精度。     

基于人工神经网络的预测原理及MATLAB实现

为了提高科研项目评估的客观性和公正性,选用BP网络为模型,利用逆向建模技术和MATLAB实现了“科研项目选题决策综合模糊评估系统”.测试数据表明该系统能较准确地对科研项目作出评估得分.     

神经网络在预测饱和砂土液化中的应用

1　Ｉｎｔｒｏｄｕｃｔｉｏｎ　Ｍｏｄｅｌｉｎｇｏｆｓｏｉｌｂｅｈａｖｉｏｕｒｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｄｅａｌｉｎｇｗｉｔｈｐｒｏｂｌｅｍｓｒｅｌａｔｅｄｔｏｓｏｉｌｍｅｃｈａｎｉｃｓａｎｄｆｏｕｎｄａｔｉｏｎｅｎｇｉｎｅｅｒｉｎｇ .Ｏｖｅｒｔｈｅｐａｓｔｆｏｕｒｄｅｃａｄｅｓ ,ｍａｎｙｒｅｓｅａｒｃｈｅｒｓｈａｖｅｄｅｖｏｔｅｄｅｎｏｒｍｏｕｓｅｆｆｏｒｔｓｔｏｆｏｒｅｃａｓｔｉｎｇｔｈｅｌｉｑｕｅｆａｃｔｉｏｎｏｆｓａｔｕｒａｔｅｄｓｏｉｌｕｎｄｅｒｖａｒｉｏｕｓａｓｓｕｍ…     

基于最优非负可变加权系数组合预测法的CPI预测研究

准确的物价预测是稳定物价的前提之一,及时根据预测结果制定有针对性的宏观经济措施,对维持经济系统的有效运行、保证居民的生活稳定有着重要的意义.文章分别采用回归预测法、ARMA时间序列预测法、VAR模型预测法和BP神经网络预测法四种单项预测方法和最优非负可变加权系数组合预测法对我国物价走势进行预测,并将预测值进行对比分析,得出最优非负可变加权系数组合预测方法能够综合各单项预测方法的信息,有效提高预测精度,该模型可以用作我国物价走势预测的模型的结论.     

基于PSO优化的BP神经网络在洪水预报中的应用

针对BP神经网络的不足,采用PSO算法对BP神经网络进行优化,建立一个混合的神经网络洪水预测模型。实验仿真结果表明,该模型的预测效果优于传统的洪水预测模型。     

冰蓄冷技术时间序列研究

为了解决传统的各种单一预测方法中存在的问题,运用一种BP神经网络的预测方法,将人工神经网络理论和算法应用于冰蓄冷技术的研究,并在正交实验66组数据中选择56组作为BP神经网络的输入样本,余下的10组为检测样本的输出样本。在对网络进行训练的基础上,建立了蓄冷时间与管壁温度之间的数学模型。