基于BP神经网络的道路交通事故预测研究

随着我国机动化进程的加快,道路交通安全问题越来越受到人们的关注。对道路交通事故进行了机理分析,采用BP神经网络,建立可靠性较高的事故预测模型,提出了可预测事故发生因素导致事故发生概率值的研究方法。     

基于进化算法优化的多Agent系统协作模型

针对差分进化算法在多Agent系统协作时容易过早的收敛到局部极小点,从而导致寻优性能不佳的问题,本文提出了一种基于参数自适应调整差分进化算法的多Agent系统协作模型,首先对标准差分进化算法的参数进行自适应调整,在选择阶段如果子代的适应度值差于相应的父代个体,调整相应的差分进化控制参数,然后将改进算法应用于多Agent系统的协作中,以提高其协作的性能。算法仿真试验结果表明,本文提出的基于参数自适应调整差分进化算法的多Agent系统协作模型相比较传统算法而言,具有较好的寻优能力和协作性能。     

基于神经网络算法的飞行数据预测

<正>飞行数据在飞行试验中的地位是非常重要的。一方面,飞行数据保障了飞机试飞过程的安全飞行,另一方面,飞行数据也是飞行试验确定飞机性能的主要依据。因此必须保证高速有效获得飞行数据。但在真实飞行条件下,会出现飞行数据采集器的某一模块失灵的现象,而恰恰这又是一个受到高度关注的飞行数据,直接影响到试飞安全与飞机性能评估。此时如何预测这个失灵的数据采集模块的飞行数据成为一个关键问题。本文采用BP神经网络与试飞数据特性相结合构建预测模型,将之前比较多的输入变量经过试飞数据的特征处理后进行冗余变量的剔除,减少了不必要的输入端口,提高了效率,提升了试飞数据预测的准确性。     

小波神经网络预测软土路基沉降研究

利用小波神经网络在非线性建模中收敛迅速等优越性,提出预测高速公路软土地基最终沉降量的方法。其要点是:将前期沉降观测值作为样本,通过对小波神经网络结构的训练寻求沉降及其主要影响因素的内在关系,据以预测后期沉降量。     

遗传神经网络预测路基沉降

把基于遗传算法的人工神经网络用于岩土工程领域,建立遗传神经网络路基沉降计算模型。通过监测数据来训练遗传神经网络以获得网络神经元的连接权值。获得满意的权值后,用遗传神经网络来计算高等级公路地基沉降,取得了较好的预测结果。这将为公路的预测和控制路基沉降问题提供一种新的方法。     

基于ARIMA-BP神经网络模型海流流速预测研究

海流是一种具有广阔应用前景的无污染可再生能源,结合ARIMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对海流流速预测问题进行研究。采用神经网络模型得出海流流速的残差值对时间序列模型的预测值进行修正,提高了海流流速预测的精度。     

基于进化神经网络的受火钢筋混凝土柱损伤预测

钢筋混凝土柱在火灾中的损伤情况是建筑消防界的研究热点和难点。考虑钢筋混凝土柱尺寸、混凝土强度、受火时间等影响因素,基于用遗传算法进行优化权值后的神经网络,建立受火钢筋混凝土柱极限承载力的预测模型,进而确定柱子的损伤等级。研究表明该方法的预测结果与实测结果吻合较好,对评价钢筋混凝土柱在火灾中的损伤情况具有重要意义。     

基于灰色模型的建筑物基坑沉降预测的对比研究

在传统变形监测工作中,根据已观测数据作为初始值,建立预测模型,模拟监测体未来变形趋势成为变形监测工作重要研究方向。本文旨在研究利用灰色模型对已知观测数据要求较少的优势,在贵阳市基坑沉降项目中试验了3种灰色模型GM(1,1)、DGM(1,1)、NDGM(1,1)的模拟实验效果,分析了3种灰色预测模型预测精度及适用性,并且讨论监测体与周围环境因素的关联性,及其对预测结果的局限性。文中的一些实验结果对研究利用灰色理论建立灰色预测模型有着积极的意义。     

一种基于演化神经网络的预测算法

在神经网络预测方法中，网络结构的确定直接影响到预测结果的精确性。本文引入演化神经网络，利用遗传算法确定神经网络的结构参数，可以减少对预测用户经验的依赖性。通过对不同时间间隔的交通流实测数据的预测，表明本文中提出的预测方法具有较好的预测效果。     

生命周期基金净值预测研究——基于GA-BP神经网络模型

生命周期基金是我国养老目标投资基金的发展方向,对生命周期基金的净值进行研究具有重大意义。本文运用遗传算法优化的BP神经网络建立了生命周期基金净值的预测模型。通过对汇丰晋信2026基金2016—2018年度的相关数据进行实证分析,并与传统BP网络模型和RBF模型进行对比,表明该模型对基金净值的变化趋势有较好的预测能力,为生命周期基金净值的预测提供了一种可行的方法。     

基于模糊神经网络的RTT智能预测算法

在网络拥塞控制的重要参数中,RTT（Roundtriptime）尤为突出,因为它能对网络所发生的拥塞作出较早的反映。所以对RTT的精确预测程度,无论是对网络拥塞控制还是流量、带宽估计都很有意义。分析了RTT的特性,发现其有很强的高频噪声,因而采用低通滤波和MBP网络相结合的RTT预测策略。实验表明,即使在网络状况较忙的情况下,也能获得很好的预测结果。     

基于LM算法的BP神经网络股价预测

介绍了一种BP神经网络的改进Levenberg-Marquardt(LM)算法原理,用这种方法对上证指数收盘价进行了训练和仿真,并将此改进算法与标准BP算法及其他三种改进算法进行了比较。结果表明,该算法稳定、快捷、预测准确,适合应用于对实时性要求比较高的股票市场。     

基于ARIMA模型的linux内核进化预测分析

linux内核进化有较明显的超线性趋势和内在规律.科学地预测软件进化,找到一种简易又有足够精度的预测方法是管理软件工程的一项重要基础性工作.以linux的52个内核版本数据作为时间序列,用ARIMA模型建模并做出linux进化预测,将预测结果和2009年的linux内核进化实际结果进行对比,预测结果令人满意,表明该类模型可以用于linux进化预测.     

基于BP神经网络模型的丽江旅游人数预测研究

本文以丽江市统计局获得的2005—2017年的旅游人数为输出值建立BP神经网络模型,通过Matlab软件进行求解,计算出丽江旅游人数。通过分析模型的残差、相对误差,可以看出该模型的精度较高,可以用来预测丽江未来的旅游人数。     

一种基于差分进化算法和粒子群算法的双进化方式的全局优化算法

差分进化算法(Differential Evolution Algorithms,DE)和粒子群算法(Particle Swarm Optimization,PSO)是一种基于种群的全局优化的通用的启发式算法,已经用来求解很多的问题。本文提出一种基于DE和PSO的双进化方式的种群进化策略。对于种群中的每个粒子可以随机选择按照差分进化或者按照粒子群进化。为了提高进化的收敛速度,对于每一代粒子选择一个最优的粒子提供给按照PSO算法进化的粒子使用。通过4个标准函数测试该算法并与PSO和DE算法进行比较,实验证明该算法是一种求解精度高,速度快,鲁棒性好的算法。     

基于混合算法和BP 神经网络的网络舆情预测研究

【目的/意义】网民对社会现象及问题表达意见、态度使得网络舆情对社会的影响力越来越大,构建模型对 网络舆情的发展进行预测具有现实意义。【方法/过程】通过信息熵理论控制种群初始化,利用遗传算法较强的全 局搜索能力和粒子群算法的局部搜索能力实现对BP神经网络权值的优化,构建混合算法优化的BP神经网络的网 络舆情预测模型并进行实证分析及对比实验。【结果/结论】结果表明,该模型在预测性能上具有更好的优越性及 稳定性。     

基于神经网络算法的毒品滥用预测与区域可视化研究

现今,毒品滥用已经成为影响社会安全的重要课题,为了对毒品滥用进行可控性预测。本文以美国五个州各县的毒品滥用情况为例,选取2010-2017年美国关于毒品滥用情况的数据,建立神经网络算法,对2018年毒品可能的出现地点进行预测,并且进行数据可视化展示。本文做出一点探索性的工作,旨在为毒品滥用的研究提供可行性的思路与分析方法,将神经网络模型与毒品滥用问题进行结合。     

基于指数平滑模型的linux内核进化预测分析

linux内核进化有较明显的超线性趋势和内在规律.科学地预测软件进化,找到一种简易又有足够精度的预测方法是管理软件工程的一项重要的基础性工作.以linux的52个内核版本数据作为时间序列,用指数平滑模型建模,并做出linux进化预测,将预测结果和2009年的linux内核进化实际结果进行对比,预测结果令人满意,表明该类模型可以用于linux进化预测.     

基于最优加权组合模型的道路交通事故预测

当前我国交通事故状况严峻,对其进行有效预测十分必要。本文鉴于单一模型的局限性,建立了一种基于多种单一模型的最优加权组合模型。针对事故死亡人数的季节周期性、单调性和趋于平稳性,选取季节模型SARIMA、灰色模型GM(1,1)和Verhulst模型建模以及最优加权组合模型。结果表明,SARIMA、GM(1,1)、Verhulst模型预测相对平均误差分别为5.43%、11.92%、10.16%,而SGV(SARIMA、GM(1,1)、Verhulst)加权组合模型的平均误差仅为1.19%,因而最优加权组合模型克服了单一模型的不足,具有良好的精度,可以利用该模型对我国未来交通事故死亡人数进行预测。     

基于聚集密度的协同进化多目标优化算法

为了改善协同进化多目标优化算法性能,引入了聚集密度对超级个体集合进行更新。其基本思想是：首先计算种群中各个体的聚集密度,再定义一个偏序集,然后根据一定的比例依次从偏序集中选择个体更新。根据数值试验和量化指标测试了新算法的收敛性与分布性。结果表明,新算法在收敛性方面与常规协同进化多目标算法相当,但其分布性获得了一定程度的改善。