改进BP神经网络在管道腐蚀速率预测中的应用

针对影响管道腐蚀速率预测精度出现的BP算法易陷入局部最小值、收敛速度慢和引起振荡效应等问题,根据改进自适应遗传算法在广泛的空间搜索和向最优解的方向尽快收敛于最优目标的特点,提出了使用改进自适应遗传算法优化BP神经网络,构建了优化的混合算法神经网络模型.实际应用表明,该模型将大大提高网络的学习效率和预测评判的准确率.     

基于优化神经网络的温室厚皮甜瓜病害预测

在温室环境中,厚皮甜瓜较易感染一些病害,而传统的病害预测模型收敛速度慢,易在局部局限在极小值,为准确预测温室厚皮甜瓜病害,在BP神经网络的基础上进行优化,引入了遗传算法,在全局最优解的附近进行局部搜索,以遗传算法的全局搜索能力克服了传统神经网络的局部极小值问题与收敛速度缺陷。经以Matlab对试验数据进行仿真分析,证实引入遗传优化算法进行温室厚皮甜瓜病害预测误差显著减小,取得了较理想的拟合结果。     

BP神经网络和遗传算法相结合在洞庭湖氨氮浓度预测中的应用

BP算法具有寻优精确的特点,而遗传算法具有很强的宏观搜索能力和良好的全局优化性能。因此将遗传算法与BP神经网络相结合,训练时先用遗传算法进行寻优,将搜索范围缩小后,再利用BP神经网络来进行精确求解,可以达到全局寻优和快速高效的目的。设计了一种利用遗传算法优化BP神经网络权重的预测方法,并对洞庭湖氨氮浓度的预测进行了研究。结果表明,丰水期(9月份)数据分布比较均匀,遗传算法优化BP神经网络权重的预测方法的3种学习算法计算值与实际值接近,并优于BP神经网络的计算结果,说明该方法具有较好的预测效果。     

基于遗传神经网络的采暖季PM10浓度预测

用GA算法和BP算法相结合的算法预测西安市PM10污染浓度,首先采用GA算法优化BP神经网络模型的初始权重,再用BP算法进行精确训练,在此基础上进行浓度预报。实例表明GA-BP神经网络解决了BP神经网络收敛速度慢和易于陷入极小值的问题,提高了预测精度。     

基于IGA-GP的BP网络黄河流域需水预测研究

针对遗传算法和BP网络在寻优过程中的不足,将改进的遗传算法(IGA)与遗传编程(GP)相结合,建立了有广泛搜索能力和很强局部精化能力的IGA-GP自动编程算法,将该算法应用于BP神经网络的优化,克服了BP网络寻优过程中收敛速度慢、易陷入局部最优的不足,解决了新训练样本加入对网络稳定的影响。在此基础上,建立了黄河流域需水预测模型;拟合结果表明,该模型具有较高的预测精度。     

遗传算法优化人工神经网络模型在日光温室湿度预报中的应用

提出一种基于遗传算法优化BP神经网络的方法预测日光温室湿度环境因子。实测日光温室内影响空气湿度的环境因子组成数据样本作为神经网络的输入,采用基于实数编码的遗传算法替代随机设定神经网络的初始权阈值,然后通过改进的BP算法在由遗传算法确定的搜索空间中对网络进行精确训练。模型预报值和实测值基于1：1线的决定系数R2和预测平均相对误差MSE分别为0.9857和3．1％。结果表明,遗传算法优化BP神经网络预报模型收敛速度快、预测精度高。可为日光温室的湿度环境调控制提供理论依据和决策支持。     

山东省花生年产量的组合预测模型研究

以山东省花生年产量为研究对象.针对花生年产量的强烈波动性而导致的预测难、准确率低等难题,提出了一种基于GM(1,1)和RBF神经网络的组合预测模型,利用GM(1,1)来捕捉花生年产量的总体趋势,RBF神经网络来预测带有强烈非线性的残差项;同时为了提高RBF神经网络的训练速度和精度,针对标准遗传算法存在的早熟现象和收敛速度慢的缺点,提出了一种改进的自适应遗传算法,对RBF神经网络的初始参数进行优化.试验结果表明,组合预测模型可以较准确预测花生年产量,说明了组合预测模型的可行性.     

基于遗传神经网络的工业股票指数预测

结合遗传算法与倒传递神经网络进行工业股票指数预测 ,使用 5个输入变量 :周成交额增减幅、周振荡幅度、周涨跌幅、5日EMA波动、DIF波动值 ,并将下周涨跌幅设为输出目标进行训练 ,以取得较理想的预测结果。对于传统上选择适合的神经网络拓扑结构效率较低的问题 ,本文对于遗传算法的引入大大提高了搜索到最优结构的速度。     

基于遗传算法的改进Elman神经网络模型的降雨量预测

为了研究年降雨量的变化规律及特点,采取预防措施,减少灾害损失,根据1955-2006年盘锦地区的气象资料,利用Matlab 软件分别取不同的网络训练样本,建立了3组BP神经网络预测模型.然后利用遗传算法对Elman神经网络进行优化,建立了遗传神经网络预测模型.对比结果表明遗传神经网络的预测精度高于BP神经网络预测模型.说明利用遗传神经网络模型对盘锦地区的年降雨量进行预测是可行的.     

基于遗传神经网络的农村用电量需求预测

文章对标准BP神经网络的基本原理进行了简单的概述,并提出标准BP神经网络存在的缺点和不足,进而提出了用实数遗传算法优化神经网络的权重,解决了标准BP神经网络在训练过程中的缺点,并将遗传神经网络应用到我国农村用电量预测中,取得了良好的效果。     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

优化BP神经网络算法在油茶产量预测中的应用

针对标准的BP神经网络模型对我国南方的重要木本油料树种油茶产量进行预测过程中存在的缺陷,采用相对误差逐步优化回溯算法在迭代过程的参数,使原始的BP神经网算法在运算精度和计算速度上均得到显著的提高,即一种改进的回溯算法优化BP神经网络预测模型。经过试验效验与仿真证明,得到的改进算法不仅能提高油茶产量预测的收敛速度,而且在油茶产量预测精度上也有很大的提高。优化后的BP神经网络算法为多要素因子之间相互影响事件的结果预测,提供了新的设计思路和更好的解决方法。     

基于GA-BP算法的玉米品种识别系统研究

介绍一种基于GA-BP学习算法的人工神经网络,利用神经网络具有的自适应性、并行性、鲁棒性以及分类能力强等优势,构造玉米品种学习和识别系统。选用3层BP网络自动识别玉米品种,遗传算法进行粗精度的学习以选取网络权值,用BP算法完成给定精度的学习,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷。结果表明,提出的GA-BP学习算法有效提高了BP算法的收敛速度。     

基于GA、BP神经网络和多元回归的集成算法研究

建立了一个考虑税收腐败和公共支出腐败的经济增长模型,从理论上探讨财政腐败行为及其影响.主要结论归纳：第一, 财政腐败降低私人资本的回报率,使厂商的生产力下降,就整体而言阻碍了经济增长.第二,最优税率可能大于或小于Barro的最优税率,取决于征税效率和寻租引发的行政成本.第三,两种类型的公共支出隐含着不同程度的腐败机会,以及对官员行为产生的不同“激励”作用,从而扭曲公共支出结构效率.第四,增强制度约束力对遏制财政腐败至关重要.     

基于神经网络PID算法的优化饲料配制系统

【目的】设计饲料配制控制系统,并采用神经网络PID优化算法实现对配料精度的提高。【方法】以西门子S-200 smart型PLC为主控设计饲料配制控制系统,针对现有常规PID算法的控制策略存在超调大、收敛慢等缺陷和BP神经网络梯度下降过程容易出现局部最小化问题,提出以附加动量项的BP神经网络PID算法实现称重误差的降低。【结果】基于动量项的梯度下降法建立的BP神经网络PID算法模型解决了参数自学习整定问题,在响应速度上该算法与PID算法对比为3∶1,试验后平均精度99.6%。并在收敛速度和改善超调现象具有更高效的表现。【结论】配料系统经算法优化后误差得到有效控制。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子，构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源，通过对6种BP神经网络的训练方法进行训练，经过反复筛选找出最优模型并与传统胸径-树高模型作比较；最后将BP神经网络中的输入因子从2个增加到6个后，经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳，R²和MSE分别为0.963 0和1.168；2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响，BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势；均方误差（MSE）呈现先下降后上升的趋势，两者都在节点数为10时有极值，此时的模型为最优模型；3）当输入因子为胸径和优势树高时，油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1），此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7；当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时，最优模型结构为6∶10∶1，此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出，在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法；BP神经网络模型与传统模型相比，BP神经网络模型不需要目标方程结构，并且模拟和预测的精度均要优于传统模型；在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

基于遗传神经网络的陕西省土地利用结构模型研究

针对土地利用结构变化的复杂特征与BP人工神经网络在预测应用上的缺陷,利用遗传算法来优化BP人工神经网络模型,形成了遗传算法与BP网络结合的遗传神经网络模型,通过运用matlab软件编制神经网络和遗传神经网络程序,实现模型的建立。证明遗传神经网络用于土地利用结构的预测是可行和有效的,有着良好的前景。