自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84 %、13.95 %和3.24 %,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明：AWLS-SVM预测的累积负荷误差为4.56 MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于智能算法的储粮通风过程中温度场预测

粮食的储备对于一个国家来说十分重要,是关乎民生的重要战略资源。储粮对于温度要求十分严格,机械通风是保持粮仓环境温度的重要方法。针对传统机械通风不能准确识别通风时机而导致的风机损耗和粮食损害问题,选用RBF神经网络建立温度预测模型,利用粒子群算法（Particle Swarm Optimization,PSO）及列文伯格-马夸尔特算法（Levenberg-Marquard,LM）优化网络的参数。仿真结果可以看出,用PSO算法和LM算法优化后的神经网络模型预测精度更加准确,与用PSO优化后的RBF神经网络进行比较后可知,PSO-LM-RBF算法预测误差小,模型更加稳定。     

基于随机森林算法的日光温室内气温预测模型研究

开展日光温室气温预报,为农业生产提供参考,指导农户采取调控措施,为作物生长提供适宜条件,促进品质和产量提升。研究选取温室外气温、日照等气象因子,建立随机森林算法预测模型,就室内最低、最高气温进行拟合预测分析和预测因子重要性评估。结果表明,温室内最低、最高气温拟合值与观察值的拟合度分别达99.69%和99.85%,温室外最低气温是室内最低气温的重要预测因子,室外日照是室内最高气温的重要预测因子。同时建立支持向量机、神经网络、多元回归、逐步回归模型,通过对各个模型中平均绝对误差、均方根误差等3个指标进行比较,得出随机森林模型的预测精度优于其他模型。基于随机森林算法的气温预测模型精确度较高,可推广应用到后期日光温室气温预测中。     

BP神经网络在烟蚜发生程度预测中的应用

为实现对烟田烟蚜发生程度的预测预报,以12年的历史资料为基础数据,采用BP神经网络方法建立了烟蚜发生程度的预测模型。该模型对待测样本的预测准确度为99.43%,回测准确度为87.36%。所建立的预测模型可提前1个多月对烟蚜发生程度进行预测,为中期预测模型,其预测结果可为烟田蚜虫综合治理提供依据。     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题，在分析传统方法的基础上，提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重，以直流电压和电流作为系统的输入，以有功功率和无功功率作为系统的输出，分别建立两个独立的双输入单输出功率预测模型。实验结果表明：所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%，并且对天气具有良好的鲁棒性。     

基于量子多种群遗传算法的蛋白质二级结构预测

为进一步提高蛋白质二级结构的预测精度,将量子计算和多种群算法融入到传统的遗传神经网络算法中。同时考虑到氨基酸残基的众多理化性质是形成蛋白质二级结构的主要驱动力,构象偏好也是影响蛋白质二级结构形成的重要因素,提出了一种新的基于理化性质和构象信息编码的量子多种群遗传算法。该方法蕴含了丰富的生物信息,可以有效减少网络系统的不确定性。用PDBselect25中的24条蛋白质进行测试,结果表明该算法可以有效的预测蛋白质的二级结构,平均预测精度达到72.10%,分别比SNN、DSC、PREDSATOR方法提高了7.80%、3.70%和3.41%。该方法采用混合编码的形式进行编码,在每个种群内部引入量子计算,形成了以多种群遗传算法来带动量子计算,量子计算反作用于多种群算法的双重优化的方法,可有效提高蛋白质二级结构预测的精确度。     

用模糊神经网络提高洪峰预报精度的研究

在大量研究的基础上,提出了基于模糊理论的神经网络改进算法,用来提高对洪峰的预报精度。该方法在网络训练时引入模糊理论来确定网络误差修改的程度。引入的算法增大了大值输出样本和期望输出的误差,使得网络向着提高洪峰拟合精度的方向修改权重。应用表明,改进的模糊BP神经网络能够较好的反映洪水演进机理,提高了神经网络洪水预报模型对洪峰的预报精度,保证了洪峰预报的可靠性。     

人工神经网络在熏煮香肠质构预测中的应用

应用BP神经网络对熏煮香肠质构的感官评定预测进行了改进。数学检验结果表明,建立的BP神经网络模型平方根误差(RMSE)和标准预测误差(%SEP)较低,显著低于多元回归模型,而偏差因子(B)f和准确性因子(A)f都在可接受范围。BP神经网络可以作为较好的预测模型,用于实际肉类工业中肉制品的质构感官评价,实现机械测定全部或部分代替感官评定的快速性、实时性、便捷性检测。     

基于云遗传RBF神经网络的储粮温度预测研究

采用基于云理论的遗传算法对RBF神经网络算法进行优化,将优化后的算法引入到储粮温度参数分析中,对粮堆内部温度环境的变化情况进行预测。实验结果表明:优化后的算法对粮堆内温度预测具有较好的效果,预测的拟合程度很高,进而证明优化后的温度预测模型的有效性和可行性。     

基于布谷鸟搜索神经网络的微波加热温度预测模型

微波加热是一种与被加热物直接相互作用的选择性加热方式，具有清洁、节能、减排等特点。针对工业物料作为微波加热负载时，其温度非线性变化的特点，以微波工业加热过程中的多维、海量参数为研究对象，基于泛函接神经网络模型提取样本数据的深度特征，提出了一种基于布谷鸟搜索算法，优化BP神经网络的网络参数，建立了以"数据驱动"为手段微波加热工业物料温度模型。仿真实验结果证明了所提出模型的准确性、实时性。     

居住建筑室内热环境低能耗营造的多目标设计方法

人居环境改善涉及重大民生问题,节能减排是国家重大战略。因此,有必要寻求合理的居住建筑设计方法,使设计方案既满足居民的室内热舒适需求又能降低建筑能耗。基于多目标遗传优化算法,建立能够对建筑设计方案进行优化、实现增加室内热舒适时间比例的同时降低建筑全年冷热负荷的居住建筑设计双目标优化模型。最后,以重庆典型户型为实例进行优化,优化后的设计方案建筑全年冷热负荷降低了47.74%,室内热舒适时间比例提高了3.94%,验证了模型的可行性和准确性。     

Stratification and Bearing Capacity Prediction Method Based on BP Neural Network for Foundation in Huaibei Plain

According to the features of stratification and obvious inhomogeneity in geological soil in Huaibei plain, BP neural network prediction method for stratification and bearing capacity calculation of multiple cross-bedded foundation was proposed. By comparing the results of drill sampling, static cone penetration tests and screw plate tests, plate loading tests, penetration resistance ps value was found as an evaluation index for stratification and bearing capacity prediction of cross-bedded foundation. Moreover, gradient descent algorithm and conjugate gradient algorithm BP neural network models were obtained, and the calculation results of the two algorithms were comparatively analyzed. The results show that penetration resistance value can be taken as an evaluation index for stratification and bearing capacity prediction of cross-bedded foundation in Huaibei plain. Gradient descent algorithm and conjugate gradient algorithm BP neural network models have good results for soil identification and bearing capacity determination, which can meet the accuracy requirements of actual engineering. However, the computational efficiency of gradient descent algorithm is significantly lower than that of conjugate gradient algorithm.     

A new pattern recognition method of gas sensor array detection

BP neural network based gas sensor array detection pattern recognition has some disadvantages, such as slow convergence and local minimum problem. A modified immune neural network model which combines BP algorithm and immune algorithm is proposed to enhance global search capability and improve the performance of the neural network model. Orthogonal test is adopted to design the study samples of neural network. This ensures the accuracy of neural network while reducing the number of samples. The simulation results show that the proposed pattern recognition method solves the cross sensitivity of gas sensor effectively, overcomes the disadvantages of traditional BP neural network and improves the learning speed and detection accuracy.     

毛竹导热系数的神经网络预测模型

为了准确测算一定范围内的毛竹导热系数,同时改进现有的竹材导热系数研究方法,笔者采用激光闪光法精确测量毛竹导热系数值,并以此为基础,建立毛竹导热系数随不同温度和密度变化的神经网络预测模型。由于原始BP算法收敛速度慢,笔者使用Trainlm函数训练神经网络模型,确定了最佳隐层神经元个数,并对该模型的输出预测值进行线性分析及误差分析。实验结果如下：毛竹导热系数神经网络模型具有很高的预测精度,能准确预测一定条件范围内毛竹的导热系数,从而节省了以往常规试验所花费的大量时间和资源。本研究初步揭示了毛竹导热系数随温度、密度等因素的变化关系,为进一步研究毛竹热物理特性提供了理论依据。     

Research on Load Prediction Model of Air Condition System Based on Elman Neural Network

The load of air condition system is influenced by many factors, and they are variable and nonlinear, The relation between them is dynamic,It is impossible to forecaste the load of air condition syestem accurately by traditional method. But Recurrent Neural Network is able to reflect the dynamic lively and directly. Elman is one of the typical RNN. Based on the analysis as above, prediction model of air-condition system based on Elman neural network is established, and some prediction is done. The prediction accuracy of Elman neural network and BP neural network is compared, and the experiments show that the Elman neural network is efficiency and accuracy , so Elman neural network is a new and reliable method for predicting the load of air-condition system.     

Dynamic Control Model for the Secondary Cooling of Slab Casting Based on Neural Networks

A dynamic control model for the secondary cooling of slab casting is presented to reduce the difference between the actual temperature and the goal surface temperature of slab. The model, which is based on the BP neural networks for forecasting the temperature and the fuzzy neural networks for dynamically controlling the water in the secondary cooling in the continuous casting, could timely adjust and allocate the water according to the speed and temperature of slab. A series of tests have been conducted based on inputs of the No. 2 slab caster in a steel plant. It has been shown that the model, which integrate the charateristics of water controlling problem in secondary cooling into the temperature status of slab during the cooling process, can control the water in secondary cooling efficiently and dynamically according to the situation of actual production.     

南方建筑非透明围护结构热工与节能设计

如何兼顾冬夏两季建筑供暖空调负荷和能耗，保证室内热环境质量，确定最适宜的热工特性，是长期困扰中国南方建筑围护结构热工与节能设计的难点。通过对夏热冬冷和夏热冬暖地区建筑在采暖、空调与自然通风条件下动态热过程的分析，研究了这一地区围护结构热特性与能耗的制约关系，以及对室内热环境与建筑热稳定性的作用机理。在兼顾冬季保温与夏季隔热的情况下，将建筑全年能耗作为控制目标，从室内热环境质量、节能效果、围护结构的安全性、可靠性、经济性和实用性等角度评价目前所采用的围护结构节能技术存在的问题，提出一种适宜南方气候的建筑围护结构热特性指标及构造形式。