基于MATLAB和BP网络的公路软基沉降量预测模型

人工神经网络具有强大的非线性映射能力,文章利用BP神经网络建立了公路软土地基沉降量预测模型,并用MATLAB人工神经网络工具箱进行了实现。根据实测资料,对此预测模型进行训练和预测,试验表明,预测模型具有较好的预测精度,操作简单,具有广阔的工程应用前景。     

基于人工智能的薄壁浅地基的承重能力研究(英文)

目的:薄壁扩展式地基已被广泛应用于土壤强度相对较低的沿海工程。目前,已有很多学者对其进行了人工神经网络的适用性研究,希望用此对地基的承重能力进行预测。但是这些研究多数是基于传统的人工神经网络,学习速度慢且受困于局部极小值。本文拟提出一种改进的基于人工神经网络的预测薄壁浅地基承重能力的模型。方法:1.整合145组关于地基承重测试的文献数据和实验数据(包括承重能力、摩擦角、沙的单位重量、基脚宽度和长宽比等);除了承重能力,其他参数都是模型输入;2.研究各参数对地基承重能力的影响,确定最优的人工神经网络模型参数,并对不同的人工神经网络模型进行比较。结论:1.当基脚长宽比从0.5变为1.12时,地基的承重能力增加了大约一半;2.基于粒子群优化算法的人工神经网络模型表现最好;在测试数据中,承重能力的预测值和测量值之间高达0.98的相关系数也表明,在无粘性土中,基于人工神经网络的预测模型适用于薄壁浅地基的承重能力预测。     

灰色预测模型的研究及应用

在介绍灰色系统理论的基础上,讨论了灰色预测原理,以中国总人口为例,进行了灰色预测模型的建立和求解,提出了中国人口动态模型;以城市的年供电量为例,利用历史数据,并对电力系统各年的日最大负荷的预测建立了基于残差修正的灰色预测模型.该预测模型是一种基于残差CM预测法的改进灰色模型进行优化的组合方法,能够实现在线预测模型参数,最终的预测结果误差可基本控制在3%之内.经过实例计算,基于残差修正的灰色预测模型在对电力系统的日最大负荷进行预测时,与传统的系统理论方法相比较,该方法计算简捷,具有较高的预测精度,具有很好的实用性.     

基于数据驱动技术的非线性系统建模方法研究与应用

针对实际工业系统多存在非线性耦合、时变、滞后等特性,难以建立精确机理模型,提出了一种基于数据驱动的方法建立系统的预测模型。采集过程运行中的历史数据分别建立非线性系统的RBF、LS-SVM和KPLS 3种预测模型,仿真实验表明所建数据驱动模型具有较好的预测精度,能够被用于控制、预报和评价生产过程和设备的运行状态。     

基于VDM-ISSA-LSSVM的云资源短期负载预测模型

准确预测云资源短期负载对提高云平台资源管理效率、保障云服务质量至关重要。针对传统模型在面对小样本、非线性云资源负载数据时预测精度不高，提出一种基于变分模态分解(VMD)和改进麻雀搜索算法(ISSA)优化最小二乘支持向量机(LSSVM)的云资源短期负载预测模型。将原始负载数据通过VMD分解成多个相对平稳的模态分量；对麻雀搜索算法进行优化，增强种群多样性，提高寻优性能和收敛速度。利用改进麻雀搜索算法优化LSSVM的关键参数，建立VMD-ISSA-LSSVM预测模型。利用Wikipedia网站的云资源负载数据进行仿真，结果表明，所提模型在预测精度上优于参照模型。     

用改进单纯形法优化由Matlab曲线拟合得到的表达式

运用改进单纯形法，通过调整有关参数，对由Matlab曲线拟合得到的表达式进行优化，得到精度更高的表达式。     

基于改进KPCA方法的非线性过程故障诊断研究

为了提高工业过程非线性信息的提取程度、降低故障诊断时高误诊率等情况,提出了一种基于混合核函数的改进核主元分析(KPCA)故障诊断方法.该方法将主元贡献率和故障检测率作为混合核函数参数优化目标,获得混合核函数最优参数后,将混合核函数应用到故障诊断过程中,得到改进KPCA方法.在典型非线性过程和TE过程进行仿真,验证了该方法的有效性.     

基于神经网络的透气性状态预测

针对烧结过程的时变、强非线性等特点,基于神经网络和粒子群优化算法,提出一种预测透气性状态的集成方法.采用神经网络分别建立透气性预测模型,采用粒子群优化算法对神经网络进行训练,提高预测模型的实时性;进而借助模糊分类器将预测子模型实现有机融合.最后实际运行结果表明,提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果.     

一个遗传神经网络预测模型

BP算法是人工神经网络研究的一个常用方法，但从本质上说是属于局部寻优法，容易陷入局部极小点，且存在着学习速度与精度之间的矛盾；遗传算法是一种全局优化算法，具有并行计算能力．本文采用遗传算法来训练前向神经网络，建立一个基于遗传算法和BP算法的神经网络预测模型．试验结果表明它是一个成功较高的预测模型．     

基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.