基于LS-SVM的基坑周边地表沉降预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,以已有的周边地表沉降为样本,利用最小二乘支持向量机(LS-SVM)建立基坑地表沉降预测模型,应用网格搜索算法优化模型参数,对基坑周边地表沉降进行连续滚动的多步预测。实例结果表明,LS-SVM用于基坑周边地表沉降预测效果较好,具有所需数据少、推广能力强等优点。     

神经网络融合模型在大坝变形分析中的应用

为了提高大坝变形分析模型的预测精度并检验模型的泛化能力,研究了大坝变形分析的BP神经网络模型,并基于神经网络BP算法和传统的统计模型建立了大坝变形分析的融合模型．结合陈村大坝多年的变形观测数据,对上述3种模型进行了试算及分析．分析结果表明,统计模型的平均预测精度为±0．477mm．BP神经网络模型的平均预测精度为±0．390mm,融合模型的平均预测精度为±0．318mm,相比统计模型和BP神经网络模型分别提高了33％和18％,且泛化能力较强,具有广泛的适用性．     

集装箱量预测的BP神经网络方法

介绍了BP神经网络的基本理论 ,建立了集装箱运量时间序列的BP神经网络预测模型。并将此模型应用于上海港集装箱运量的预测。结果表明 ,与传统的预测方法相比 ,该方法具有较好的非线性自适应能力和预测精度     

BP神经网络在多维非线性函数拟合中的应用

为了解决常规方法拟合多维非线性函数的预测结果精度较低问题,采用非线性映射能力较强的BP神经网络进行多维非线性函数拟合。通过对BP神经网络结构及训练过程的分析,依据给定的两维非线性函数构建BP神经网络模型,并利用MATLAB软件对BP神经网络进行预测。仿真结果表明,BP神经网络对于两维非线性函数有良好的拟合能力,拟合误差小、收敛速度快,也使该方法具有较好的推广性。     

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     

基于粗糙径向基函数的瓦斯涌出量预测

针对径向基网络对训练样本要求高的情形,将粗糙集和径向基神经网络相结合,提出粗糙径向基神经网络的方法,利用粗糙集对数据进行属性规约,得到适合径向基网络要求的数据,进而提高了其训练速度以及精度。将该方法应用在瓦斯涌出量预测的实验中,并将粗糙径向基神经网络和BP网络的预测结果进行对比,可以得出粗糙径向基网络预测效果比BP的效果好的结论,同时证实该方法的可行性。     

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．     

利用RBF神经网络构建销售预测模型

本文针对目前国内外应用较为广泛的传统销售预测模型和BP神经网络销售预测模型的缺陷，利用RBF神经网络构建了销售预测模型，并运用Matlab6．5编制了仿真程序。仿真结果表明：采用RBF神经网络进行销售预测在理论上和实践上都是可行的，该模型的估计精度比传统销售预测方法和BP神经网络所建立的模型的估算精度要高，且具有不会陷入局部最小点、学习收敛速度快、泛化能力强和适合动态建模等特点。     

基于GA-BP网络的洱海水质预测研究

水质预测是水污染防治工作的前提,是实现水系统管理的重要基础工作。在神经网络预测基础上,提出了基于遗传算法优化神经网络的洱海水质预测模型。该方法克服了传统BP神经网络收敛速度慢、算法容易陷入极小值、隐含层神经元个数难以确定等问题。利用遗传算法较强的全局搜索能力,提高了算法收敛度,能够迅速得到全局最优解。MATLAB仿真结果对比表明,优化前神经网络模型平均误差为25.1%,优化后模型预测平均误差为2.3%,证明该算法缩短了收敛时间,提高了预测精度。     

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。     

基于RDPSO-BP的粮食产后储藏环节损耗预测分析

对产后粮食损耗进行分析与研究,调查获得10多个省份的粮食损耗问卷,对问卷进行统计分析得到影响损耗的各个因素变量,同时进行数据预处理作为模型数据集。最后,将该数据集应用于提出的RDPSO-BP模型中。将随机粒子群（RDPSO）算法与BP神经网络相结合,并优化神经网络参数,从而得到粮食产后储藏环节损耗率预测模型。通过MATLAB仿真实验,发现优化后的RDPSO-BP模型相比传统BP神经网络,具有更高的预测精度,训练与测试误差分别降低了0.041%和0.055%。因此,该模型能够更好地预测粮食产后储藏环节的损失率,在实际粮食损耗分析中具有重要作用。     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

QGA-BP神经网络在农业信贷风险评估中的应用

为了提高风险评估的准确度和效率,有效降低农业信贷风险,提出一种基于优化反向传播（Back-Propagation,BP）神经网络的风险评估方法。首先,该方法利用量子遗传算法（Quantum Genetic Algorithm,QGA）调整和确定BP神经网络的初始权重和阈值,实现了BP神经网络模型参数设置优化。然后,将QGA-BP神经网络模型应用于农业信贷风险评估中,并基于案例分析法进行验证。最后,通过对比QGA-BP神经网络与GA-BP神经网络的性能验证所提方法的有效性。结果表明：QGA-BP神经网络可以加快神经网络的收敛速度,改善BP神经网络容易陷入局部最小值的缺点。QGA-BP神经网络模型在农业供应链金融信用风险预测中表现良好,其预测精度和预测速度都有所提高。     

基于粒子群优化BP神经网络的新冠肺炎疫情预测

针对传统指数平滑时间序列模型预测精度不足及传统BP神经网络在训练过程中易陷入局部最优的问题,通过粒子群算法优化BP神经网络,对美国明尼苏达州2021年7月11日至8月25日新冠肺炎累计死亡和累计确诊人数进行时间序列预测,并与传统双指数平滑模型(Holt)、BP神经网络模型进行比较分析.实验结果显示,PSO-BP模型的预...     

支持向量机和BP网络在Mg/PTFE性能预测中的比较

为了更好地预测Mg/PTFE贫氧推进剂配方与其性能之间的关系,分别采用支持向量机(SVM)和BP神经网络对Mg/PTFE贫氧推进剂的燃烧热、燃烧温度和燃速进行了预测,并将各自的预测结果与测试结果进行了比较验证。结果表明,SVM能够较好地对Mg/PTFE贫氧推进剂的性能进行预测,其预测的最大相对误差(4.2%,9.8%,10.0%)都比BP神经网络预测的相对误差(13.0%,25.9%,41.8%)小,精度较高,为Mg/PTFE贫氧推进剂的性能预测提供了一种新方法。     

高考命题中试题难度预测方法探索

运用命题教师主观评估、多元线性回归分析和BP神经网络建模三种预测方法,对高考命题过程中试题的难度进行预测,并对三种方法的预测性能进行比较.结果发现,三种预测方法均具有较高的预测准确度,其中,BP神经网络预测模型对试题难度的预测准确度相对更高,误差相对更小.     

三种分类预测模型在医学中的应用研究

基于一个肾衰竭患者数据,应用两种神经网络(BP神经网络和贝叶斯正则化BP神经网络)与常用的二分类Logistic回归对肾衰竭患者是否死亡进行预测,并比较三种模型的预测效果.三个模型的判对率都达到89%以上.其中,以贝叶斯正则化BP神经网络的判对率和ROC曲线下面积(AUC)最大,即预测效果最好;BP神经网络和Logistic回归预测效果差别不大.     

基于NWP和改进神经网络的短时风电功率预测研究

风电场功率预测对电力系统稳定运行起着决定性作用。首先对传统BP神经网络进行改进,以某一风电场获取的2月1日-10日的天气预报(NWP)数据和功率数据作为改进后BP神经网络的训练数据,对神经网络进行训练;其次以2月11号3小时的数值天气预报数据作为改进后BP神经网络的输入数据,对未来3小时的输出功率进行预测。预测过程和结果显示,改进后的BP神经网络在满足低预测误差的同时,能够提高BP神经网络的稳定性和收敛速度。     

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。     

基于Elman神经网络的商品销售额建模及预测

为提高预测精度,采用Elman神经网络对商品销售额进行预测.在分析样本数据特性基础上,采用Elman神经网络对商品销售额的预测进行建模,通过实例验证模型的有效性并对比分析BP神经网络的预测效果.研究结果表明,基于Elman神经网络的商品销售额预测能够较好地反映商品销售额的变化趋势且提高了预测精度,验证了该方法在商品销售额预测中的可行性.