克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性，提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机，得到RBF网络较优的初始结构和参数；随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明，混合学习算法学习效率高，网络性能优良，应用于函数逼近时效果优良．     

基于近红外透射光谱及神经网络的大豆油质量分析

提出了一种基于近红外透射光谱及最速下降BP算法识别大豆油质量的方法。光谱采集范围是10 000~4 000 cm-1,将得到的近红外光谱数据作为网络的输入神经元,利用主成分分析方法得出8个变量指标数,该变量指标对样品累计贡献率达到99.9%以上;将8个主成分的特征值作为BP网络的输入向量,建立BP神经网络模型。该模型对预测样品集能正确判别,判别正确率达到100%。     

基于最小二乘支持向量机的参考作物腾发量预测

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义.最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种改进算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力,将LS-SVM方法引用于参考作物腾发量预测中,并以辽宁省铁岭市为例,对比分析了 LS-SVM模型与BP模型的预测结果.结果表明:LS-SVM模型学习速度快,具有比BP模型更高的模拟性能和预测精度.LS-SVM方法克服了BP模型训练时间长,容易陷入局部极小的缺点,是适合参考作物腾发量预测的新方法.     

BP神经网络在气象数据预测研究中的应用

BP(Back Propagation)网络是一种被广泛运用的神经网络.它的核心是BP算法,本文是在建立影响气象环境状态指标体系基础上,收集各指标在研究期内的有关数据,对数据进行整理分析并建立数据库,尝试利用基于BP算法的三层向前神经网络对气象数据进行预测.     

改进的BP神经网络在单桩竖向承载力预测中的应用

提出了用改进的BP神经网络对单桩竖向承载力进行预测的新方法,并编写了相应的训练程序.实例计算表明,改进的BP神经网络算法比一般的BP模型结果误差小、收敛快,对单桩竖向承载力的预测行之有效.     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

一类BP神经网络优化评分预测的协同过滤推荐算法

协同过滤推荐算法是当前被广泛关注的推荐算法之一,算法中基于Resnick公式的评分模块只考虑了用户的浏览行为,忽略了用户间的评分影响,而且在数据稀疏的情况下不能较好的发挥评分预测的作用。针对这一不足,提出了一类BP神经网络优化评分预测的协同过滤推荐算法。其中,BP神经网络优化评分预测模块首先将相似用户的评分频数作为输入数据,并将目标用户正确评分作为输出数据进行神经网络训练,然后使用训练完的神经网络对用户评分进行预测。应用该模块分别替换皮尔逊推荐、模糊混合用户推荐和改进后的Top-N推荐代表性算法中的Resnick公式,对应给出了3种BP神经网络优化评分预测的协同过滤推荐算法。Movie-Lens数据集上的试验结果表明,该类协同过滤推荐算法在个性评分预测、特别是在稀疏数据评分预测方面有较强的竞争力。     

基于DBN-LSSVR的南美白对虾养殖溶解氧预测

为了提高南美白对虾(Litopenaeus vannamei)养殖溶解氧预测的精度,提出了深度信念网络融合最小二乘支持向量回归机(Deep belief nets-least squares support vector regression,DBN-LSSVR)的南美白对虾养殖溶解氧预测模型.首先,采用深度信念网络(Deep belief nets,DBN)方法,多尺度提取养殖水质时序数据的特征向量;然后,使用提取的养殖水质特征向量训练和优化DBN-LSSVR,构建了基于DBN-LSSVR的对虾养殖水质溶解氧预测模型;最后,以广州市番禺区南美白对虾养殖水质溶解氧实测数据为基础,对预测模型进行了实验验证,并与浅层BP神经网络、标准最小二乘支持向量回归机进行了对比分析.所构建的模型具有较高的预测精度和泛化性能,是一种有效的南美白对虾养殖溶解氧预测方法.     

开关磁阻电动机的神经网络建模及算法研究

针对标准BP算法存在收敛速度慢,容易陷入局部最小值和前向网络拓扑结构中,隐节点选取困难的问题,采用一种由Levenberg-Marquardt算法与改进自构形算法相结合而成的快速自构形算法训练BP神经网络,建立了训练收敛快,泛化能力强,网络规模小,便于实时控制的开关磁阻电机非线性BP神经网络模型.经与样机实测数据对比,验证了该模型的准确性.该模型有助于进一步优化能量转换,减小转矩脉动.     

土壤含盐量BP神经网络反演模型

运用Hyperion数据,以黑龙江省大庆市某一实验区为例,通过对图像预处理、特征提取、土壤含盐量、波段与土壤含盐量的相关性分析,建立BP神经网络模型(Back Propagation Network)、经验统计模型等进行研究,并开展了对土壤含盐量的定量提取研究,探讨Hyperion数据反演土壤含盐量的方法.结果表明:与传统的经验统计模型相比,BP神经网络模型具有不可比拟的优越性;同时,Hyperion数据为建立土壤含盐量模型提供了高维的输入样本,大大提高了反演的精度;土壤含盐量的反演模型的研究还有待于进一步深入.     

黄瓜、西瓜与南瓜种子大小对萌发期及幼苗质量的影响

以黄瓜、西瓜与南瓜种子为试验材料,研究了种子大小对瓜类蔬菜萌发期及幼苗质量的影响。结果表明,种子大小与千粒重有极显著正相关关系,黄瓜、南瓜中粒种子的发芽势最高。除黄瓜的鲜、干重外,种子大小与三种瓜类的幼苗质量有关的各项指标均有正相关关系。     

基于灰色神经网络和证据理论预测地下水位的研究

用灰色GM(1,1)模型、BP神经网络模型和证据理论相结合而成的灰色证据神经网络模型,对山东枣庄区域地下水位进行预测。基本思路是运用灰色GM(1,1)模型所得到的预测值按前两年来预测下一年的组合规律分别作为BP神经网络的输入输出;再用BP神经网络输出作为证据理论基本可信度分配函数,使用D-S理论将信息进行二次融合;并用地下水位实测数据对模型进行验证。结果表明,预测模型具有可行性和实用性,为生态农业规划发展提供了科学依据。     

基于图像处理的烘烤过程中烟叶含水量检测

【目的】量化烘烤过程中烟叶形态变化的数值特征指标,实现烘烤过程烟叶水分含量的无损检测。【方法】以密集烤房中不同烘烤阶段的烟叶为研究对象,先利用图像处理技术提取鲜烟叶及烘烤过程中烟叶图像的颜色特征（红分量（R）、绿分量（G）、蓝分量(B)）及纹理特征(纹理能量、纹理熵、纹理惯性、相关度),以其为输入指标,分别建立烘烤过程中烟叶含水量的BP神经网络模型和基于遗传算法的最小二乘支持向量机预测模型。用建立的2个模型对烘烤过程中烟叶含水量进行预测,并比较其预测精度。【结果】烟叶图像颜色特征R、G、B分量表现出变黄期剧烈上升,定色前期缓慢上升并达到最大值,定色后期至烘烤结束逐渐下降的变化趋势;纹理能量和相关度呈现出变黄前期减小,变黄后期增大,定色及干筋期逐渐减小的趋势;纹理熵、纹理惯性表现出变黄前期增大,变黄后期减小,定色及干筋期逐渐增大的趋势。以烟叶颜色和纹理特征值作为输入变量,建立了烘烤过程中烟叶含水量的BP神经网络预测模型和基于遗传算法的最小二乘支持向量机预测模型,其预测平均绝对误差分别为0.037 4和0.017 0,预测误差标准差分别为0.048 5和0.020 0,前者预测精度略低于后者,但2个模型均可以满足烘烤过程中烟叶水分含量实时检测的需要。【结论】图像处理技术可以精确量化烘烤过程中烟叶的形态特征变化;利用建立的BP神经网络模型和基于遗传算法的最小二乘支持向量机模型可以实现对烟叶含水量的精确估测。     

基于神经网络的多特征结合法鲫鱼质量估计

质量不同的鱼摄食能力不同,准确估计鱼体质量有利于水产养殖中鱼类精准投喂,避免饲料浪费及水体污染。首先使用1元硬币作为参照物采集鲫鱼图像和体重数据,其次对图像进行预处理,提取鲫鱼和硬币的特征值,最后采用BP神经网络、Elman神经网络以及Numpy库构建的神经网络实现多特征的鲫鱼质量估计。结果表明：使用BP和Elman神经网络估计鲫鱼质量时决定系数分别为0.925 6和0.906 4,均方误差分别为0.003 68和0.004 55。采用Numpy库构建的神经网络估计时决定系数值为0.823 7,均方误差值为0.008 1。因此,使用BPNN-面积-周长和Elman-面积-周长方法能够快速、准确地估计鱼体质量,实现水产养殖中鱼类的精准投喂,以及在鱼类被捕捞后根据质量进行分级,推进渔业现代化的进展。     

基于BP神经网络的鸡蛋大小分级方法研究

用计算机视觉装置获取鸡蛋图像像素点数,用电子天平称得蛋重,用它们作为样本数据建立BP神经网络模型,达到自动检测鸡蛋大小并分级。经检验,建立的BP神经网络有很好的泛化功能、鲁棒性好,用其检测鸡蛋大小并分级,其正确识别率为91%。     

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。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数,一直是气候变化和生态研究中的热点,遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象,以机载LiDAR和Landsat8/OLI为信息源,结合44块样地实测数据,使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上,进一步构建区域尺度的LAI反演模型,实现景洪市橡胶林LAI的反演。结果表明,基于LiDAR的林分水平模型中,SVR模型最优,决定系数（R²）为0.76,相对均方根误差（rRMSE）为17%,估测精度（P）为83%;以SVR模型估测结果作为区域尺度遥感反演模型的先验样本,结合Landsat8/OLI数据的BP神经网络模型反演效果最好,估测精度达76%。     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

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。