基于改进BP神经算法的农产品价格预测模型的构建与实现

为了提高农产品价格预测精度,提出一种改进的 BP 神经网络模型。先通过定性分析得到影响农产品价格波动的因子,然后采用MIV方法选择强影响力的因子作为神经网络输入节点。并采用改进的算法进行学习,寻找最优的BP网络结构。利用改进后的模型,实现了农产品价格的高精度仿真。     

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。     

基于AdaBoost算法的BP神经网络在软件老化测试中的应用

为提高BP神经网络的预测精度,克服自身容易陷入局部极值和收敛速度慢的缺陷,将AdaBoost算法和BP神经网络结合起来,建立基于AdaBoost算法的BP神经网络模型。该模型将多个BP神经网络作为弱预测器,然后采用AdaBoost算法将多个弱预测器组成强预测器进行预测。将该模型应用于软件老化测试,实验结果表明,该模型相比单个BP神经网络具有更好的预测精度。     

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     

思维进化算法在BP神经网络拟合非线性函数中的应用研究

直接使用BP神经网络拟合非线性函数,具有预测精度差、收敛速度慢等缺点.该文提出利用极强全局搜索能力的思维进化算法来优化BP神经网络.首先根据BP神经网络拓扑结构构建思维进化算法模型,然后用思维进化算法得到的最优解作为BP神经网络的初始权值和阈值,最后利用MATLAB软件对多个非线性函数进行拟合仿真实验,比较思维进化算法优化BP神经网络和单纯使用BP神经网络的预测结果 .数据表明,优化后的BP神经网络具有更高的拟合精度和更短的网络训练时间.     

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．     

遗传算法优化BP神经网络的非线性函数拟合研究

传统的BP神经网络收敛速度慢,以及该算法的不完备性,易陷于局部极小,全局最优无法保证能收敛到等缺点.针对BP神经网络的缺陷,该文提出了遗传算法,利用遗传算法优化BP神经网络权值和阈值,使得训练了BP神经网络预测模型得到了最优解.采用遗传算法优化BP神经网络的算法,并以此结合算法来研究非线性函数拟合的问题.从实验结果表明,基于遗传算法优化的BP神经网络的非线性函数拟合具有较强的收敛性和鲁棒性,并且有了更高的预测精度.     

基于BP神经网络的交通事故预测

交通事故的发生因受随机因素的影响而呈现出不确定性和非线性的特点。在分析交通事故与人口、车辆、道路、经济发展等因素关系的基础上,综合考虑影响交通事故的多种因素,建立了BP神经网络。进而,选取总人口、机动车驾驶员人数、公路密度、民用车辆、人均GDP作为交通事故预测模型的输入向量,以交通事故的四项指标作为输出向量,利用LM算法或GALM算法优化的BP神经网络模型对交通事故进行预测。实验表明,GALM算法优化的BP神经网络模型与BP神经网络或LM算法优化的BP神经网络相比,具有较高的精度和较快的收敛速度,能更好地适用于交通事故预测。     

自然通风防辐射罩辐射误差算法

为提高自动气象站温度传感器观测数据精度,对不同型号的自然通风防辐射罩所产生的辐射误差进行分析,提出一种基于BP神经网络算法对不同表面反射率的防辐射罩进行误差修正。将BP神经网络应用于温度传感器防辐射罩辐射误差的预测:将太阳辐射强度、风速、表面反射率作为BP神经网络的输入,利用计算流体动力学分析防辐射罩在不同大气环境下的辐射误差作为BP神经网络的训练输出。分析训练输出与样本输出,两者的绝对误差仅在[-0. 001,0. 002],可见BP神经网络的预测精度在理想值内。最后将BP神经网络得到的辐射误差修正方程用Java进行封装,并开发Web平台实现算法应用。     

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。     

一种神经网络模型在混凝土配比设计中的应用

本文描述了人工神经网络的模型和算法，给出了BP神经网络模型和算法的相关变量的处理方法。用这种方法，对混凝土配合比试验数据进行分析预测，效果良好。说明BP神经网络模型可用于混凝土混合比强度预测中。     

基于粒子群算法的BP神经网络优化在电站锅炉燃烧中应用研究

用BP神经网络对电站锅炉运行数据进行训练、测试,并在此基础上使用粒子群算法对已建立的锅炉BP神经网络模型做进一步优化。通过对网络预测输出值与实际值之间的比较,明确PSOBP可以更好地提升BP神经网络的泛化能力。     

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。     

一种智能的无线温度控制系统设计与实现

针对传统室内温度控制方案的诸多不便和低智能化现状,运用Zig Bee无线通信技术和智能预测算法构建了室内空调智能温度控制系统。设计了由主控制台、传感终端和控制终端组成的硬件系统。采用基于BP神经网络的智能预测算法实现智能预测和突发情况处理。在Matlab中的仿真结果表明:BP神经网络算法对空调开关预测的准确度高达92%,对温度控制预测的平均误差为0.846 8℃,即可在大多数情况下准确地实现智能化控温操作。     

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．     

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．     

人工神经网络预测难溶性硫化物溶度积Ksp

对神经网络方法中的BP算法的在分析难溶性硫化物Ksp的原理与方法作了详细的论述,并运用BP算法进行预测,取得了较好的效果.     

人工神经网络预测难溶性硫化物溶度积Ksp

对神经网络方法中的BP算法的在分析难溶性硫化物Ksp的原理与方法作了详细的论述,并运用BP算法进行预测,取得了较好的效果。     

改进量子粒子群BP神经网络参数优化及应用

针对现有BP神经网络选取权值和阈值不精确问题,采用改进量子粒子群优化算法优化BP神经网络权值和阈值。首先在改进的量子粒子群优化算法中,采用双层多种群优化策略提高整个种群的寻优能力,然后在每个子群中使用混沌反向学习和Levy飞行增强子群寻优能力,最后利用改进的量子粒子群优化BP神经网络权值和阈值。实验结果表明,改进的量子粒子群优化算法能有效提高BP神经网络的全局寻优能力和收敛性,对数控高速铣削加工的铣削力进行准确预测。