基于GA-RBF神经网络的位山闸引水能力预测研究

[目的]对位山闸改建后的引水能力进行预测.[方法]利用RBF神经网络非线性拟合能力强和遗传算法寻优能力强的优点,建立一种基于遗传算法(GA)优化RBF神经网络隐层各参数的位山闸引水能力预测模型,模型输入变量为闸门开数、闸前、闸后水深和季节因子(受汛期影响,汛期内季节因子为1,非汛期内季节因子为2),输出变量为实测过闸流...     

基于混沌相空间重构的数控机床运动精度预测

针对难以通过数学建模方法分析数控机床运动精度演化规律的问题,提出了基于混沌相空间重构理论的数控机床运动精度非线性演化预测方法。采用平均互信息法计算延迟时间,以虚假最近邻点法计算最小嵌入维数,对数控机床运动精度的一维时间序列进行相空间重构,获得与原系统拓扑同构的状态空间。基于混沌系统内在的规律性和有序性,用相点轨迹描述运动精度在相空间中的演化规律,以相点的多维分量构成输入向量,以运动精度预测值为输出向量,构造了基于RBF神经网络的非线性预测模型。引入了量子粒子群方法对预测模型参数进行优化,得到RBF预测网络的中心点、宽度及连接权值的全局最优值,采用优化后的模型对数控机床运动精度演化趋势进行了预测。实验结果表明,基于混沌相空间重构的预测模型,可以很好地追踪数控机床运动精度的演变趋势和规律,有较高的预测精度。     

基于神经网络的温室土壤水分动态预测模型研究

针对智能温室变量施水的土壤水分预测问题,建立基于神经网络的土壤水分动态预测模型。以Delaunay三角剖分布点方法为基础,并将种植区域离散成若干单元。对各离散单元,模糊其土壤喷灌量,将单位时间土壤含水量的变化映射成土壤水势变化。考虑到土壤的时空特性,使用MATLAB建立以预测单元表层测量点土壤含水量、土壤温度和单位时间土壤含水量变化量作为输入,未来时刻该单元中心土壤深层含水量作为输出的BP神经网络和RBF神经网络预测模型。利用温室实际数据验证模型的准确性,通过比较两种神经网络模型结果,得出RBF神经网络模型具有较好实用性,为温室精细化变量施水的实现奠定基础。     

基于神经网络的温室土壤水分动态预测模型研究北大核心

针对智能温室变量施水的土壤水分预测问题,建立基于神经网络的土壤水分动态预测模型。以Delaunay三角剖分布点方法为基础,并将种植区域离散成若干单元。对各离散单元,模糊其土壤喷灌量,将单位时间土壤含水量的变化映射成土壤水势变化。考虑到土壤的时空特性,使用MATLAB建立以预测单元表层测量点土壤含水量、土壤温度和单位时间土壤含水量变化量作为输入,未来时刻该单元中心土壤深层含水量作为输出的BP神经网络和RBF神经网络预测模型。利用温室实际数据验证模型的准确性,通过比较两种神经网络模型结果,得出RBF神经网络模型具有较好实用性,为温室精细化变量施水的实现奠定基础。     

陕西省耕种收综合机械化水平预测研究

研究采用BP网络改进算法、RBF网络和遗传神经网络,构建了机耕、机播与机收水平预测模型。应用所构建的模型对陕西省机耕、机播、机收水平进行预测,着重对3种预测模型进行比较和分析,为有关部门制定政策、方针和路线提供科学依据。用测试样本对预测精度进行检验,3种机耕水平预测模型(基于BP改进算法的BP模型、GA-BP模型和RBF模型)的平均相对误差都在10%以内;3种机播水平预测模型的平均相对误差分别为5.17%,9.0%和13.86%;3种机收水平预测模型的平均相对误差分别为12.11%,7.22%和16.75%。对于机耕水平预测问题,综合考虑预测精度、构建网络的复杂度和稳定性,采用RBF模型较好;机播水平预测采用预测精度最高的基于改进BP算法的BP模型;机收水平预测可采用GA-BP模型。     

基于相空间重构小波神经网络径流式水电站发电量预测

预测径流式水电站发量。针对径流式水电站发电量变化的随机性及水力发电系统的复杂非线性,提出一种基于相空间重构小波神经网络的径流式水电站发电量预测模型,并借助具有全局搜索能力的改进粒子群优化算法对小波神经网络特征参数进行优化,提高模型的精度和泛化能力。结果表明:相空间重构小波神经网络模型的预测平均相对误差约为8.7%,相关系数达到0.81,误差分析指标优于传统神经网络预测模型,在多步预测情形下模型的收敛性和稳定性得到较为明显增强,能够准确进行发电量预测。     

基于长短期记忆神经网络模型的地下水水位预测研究

利用长短期记忆神经网络(LSTM)构建地下水水位预测模型,解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题,同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。以泰安市岱岳区满庄镇姜家园村046J地下水位监测井为例,采用2001-2016年的监测资料与相关气候数据,利用长短期记忆神经网络构建了地下水水位预测模型,以控制变量的方法确定最优参数,对该井的地下水水位进行了预测,并与单变量LSTM神经网络、BP神经网络预测模型作对比。研究结果表明:基于多变量输入的LSTM神经网络模型能够通过少量历史数据准确的预测未来地下水水位变化情况,特别是在一些资料匮乏的地区,预测误差要显著低于参与对比的预测模型,预测均方根误差仅为2.052。因此,基于多变量的LSTM神经网络模型能够作为简单有效的地下水水位预测工具,为区域水资源管理提供一定的参考。     

RBF网络在西安渭滨地下水位埋深预测中的应用

基于径向基（RBF）神经网络建模,对西安市渭滨地下水水源地的地下水位埋深进行了模拟和预测。将降雨、径流和人工开采量作为输入变量,对研究区域内的潜水和承压水位埋深分别进行预测。1984—2001年的数据用于径向基网络模型训练,2002-2005年的数据用于模型的验证,最后对2006—2023年共18年的地下水位埋深进行预测。结果表明,径向基神经网络模型对20年左右的数据序列有较好的预测效果,且根据降雨、径流和开采量,能较准确的预测地下水位埋深。     

基于NARX神经网络的年径流预测

针对传统BP模型在时间系列年径流预测中的适应性问题,本文构建了基于动态反馈性NARX神经网络的年径流预测模型,模型结构带有外部输入的非线性自回归网络,输入向量选取降雨及气温,输出向量为未来的年均流量。本文采用构皮滩站历史实测数据对模型进行训练及测试,对NARX模型与传统BP模型及逐步线性回归模型性能进行了对比分析。     

基于遗传算法与RBF网络的养殖池塘溶解氧模型

在分析了工厂化水产养殖池塘溶解氧影响因素的基础上,利用RBF神经网络良好的非线性逼近能力建立了池塘溶解氧的神经网络预测模型.常规的RBF神经网络模型常导致训练时间较长且易陷入局部极小点,因此,采用自适应遗传算法对RBF神经网络进行优化,模型的收敛速度明显加快.采用了养殖池塘的外部可控环境水体温度T、水流量Q、酸度(pH)以及增氧机器的转速V作为模型的输入.实验结果表明采用该方法预报溶解氧的预测精度较常规RBF递推算法的预测精度明显提高.该方法为研制开发智能水产养殖环境监控系统以及工厂化水产养殖奠定了基础.     

基于RBF神经网络的种猪体重预测

针对猪体生长参数之间具有一定的自相关性、部分参数与体重间呈非线性关系、通过线性回归模型预测猪体体重存在着自变量间共线性及拟合优度较低等问题,以52头长白母猪的生长参数为基础,通过最近邻聚类算法,构建了基于RBF神经网络的种猪体重预测模型。通过线性回归检验法对种猪体重预测值与实测值进行分析,发现基于RBF神经网络的长白种猪体重预测模型的拟合优度R2为0.998,而线性回归模型的R2为0.891。结果表明：通过RBF神经网络方法建模,消除了线性回归分析中自变量的共线性问题,预测效果优于线性回归模型。     

基于 NARX 神经网络的农产品价格时间序列预测方法研究

针对传统时间序列预测方法在非线性时间序列预测上的不足,引入了非线性有源自回归神经网络（ NARX ）,建立了基于非线性有源自回归神经网络农产品价格时间序列预测模型。该模型利用核函数对农产品价格时间序列进行数据变换;再用统计分析方法对模型性能进行评价、分析,进而对模型性能进行优化。实验结果表明：非线性有源自回归神经网络较传统时间序列预测模型,对非线性时间序列预测有更好的适应性和更高的预测精度。     

基于1stOpt神经网络模型的年均径流预测与应用

针对年均径流预测问题,首先利用1stOpt软件进行逐个影响因子拟合,得到相关影响因子的主次顺序,提取关键因子在基于L-M算法和UGO算法下进行多元非线性曲线拟合;另外结合基于L-M算法的改进BP神经网络将所提取的关键因子进行径流预测,以北方某河流径流实例进行计算,两种方法效果均优于传统模型,且在多影响因子的情况下,组合模型精度和效果更好,为径流预测提供了一个新的更实用的方法。     

考虑季节因子的支持向量机径流预测模型

基于河川径流月时段具有非平稳季节性的特征,构建支持向量机的季节性样本,建立水库入库径流的季节性支持向量机预测模型。以三峡水库1950~2006年的入库径流系列为训练样本,利用季节性支持向量机预测模型对三峡水库2007~2009年的月径流量进行预测。将此预测结果与BP神经网络模型和标准支持向量机模型预测结果进行指标分析,结论显示季节性支持向量机径流预测模型准确度更高,可以用于水库入库径流的预测。     

基于MI-PCA与BP神经网络的石羊河流域中长期径流预报

使用神经网络进行水文预报的关键之一是预报因子(输入变量)的筛选。鉴于现有方法对预报中因子与径流间复杂的非线性相关关系考虑不充分以及因子间信息重叠导致的算法"过拟合"等问题,提出了一种信息熵理论和主成分分析方法相结合的预报因子筛选方法,并应用至石羊河流域的中长期径流预报中。实例研究表明:运用基于MI-PCA的预报因子筛选方法构建的石羊河流域中长期径流预报BP神经网络模型检验期预报合格率为91.67%,优于单独基于互信息法(83.33%)和主成分分析法(75.00%)的合格率,预报精度满足相关标准规范的要求,可为石羊河流域中长期径流预报提供实际支撑。     

6R焊接机器人逆解算法与焊接轨迹误差分析

为了提高6R焊接机器人的位姿精度和焊接轨迹的准确度,提出了一种基于RBF神经网络的6R焊接机器人逆运动学求解方法。针对6R焊接机器人逆运动学方程组具有高维、非线性、求解复杂的特点,基于RBF神经网络建立运动学逆解预测模型,采用尺度空间理论对焊接机器人的位姿参数样本所在的工作空间进行分区,采用均匀设计法和模糊聚类理论对分区后的训练样本进行优选,并根据Z-Y-Z坐标转换原理进行转换和归一化处理,将逆运动学求解问题转换为基于RBF的6输入6输出预测系统。运用该系统对6R焊接机器人进行了复杂焊接轨迹仿真和点焊实验,并与基于组合优化迭代法和BP神经网络的逆运动学求解效果与焊接精度进行了比较,结果表明,基于RBF的6R焊接机器人运动学逆解预测模型具有求解简单、精度高、便于轨迹规划的特点,证明了该方法的可行性和有效性。     

基于小波方差分析的BP神经网络年径流预测

开展径流量的预测研究,将为水资源的优化配置提供科学的理论基础。以卡拉贝利水文站50年实测径流资料为例,利用Matlab软件对数据进行小波方差分析,分析不同时间尺度下的趋势性和周期性,为径流预测输入因子提供依据;再结合BP神经网络实现不同周期下的年径流的预测,结果表明,与未经小波方差分析的神经网络预测模型相比,精度高。     

Philip入渗模型参数的非线性预报模型

利用黄土高原区大田耕作土壤的水分入渗试验过程资料,拟合了Philip入渗模型参数,建立了以土壤体积含水率、干密度、粉、黏粒含量和有机质含量等土壤理化参数为输入变量,Philip入渗模型参数为输出变量的土壤传递函数,通过对函数的分析、检验,建立了土壤入渗参数S和A的多元非线性预测模型;在此基础上,运用灰色关联分析理论,将各输入变量进行了灰色排序。研究表明:用土壤体积含水率、干密度、粉粒含量、黏粒含量和有机质含量作为预报模型的输入参数可实现对入渗参数的预测,预测参数实测值与预测值之间的相对误差可控制在8%以下,所建立的非线性预测模型高度相关。     

灰色RBF网络在西湖叶绿素a预测中的应用

以西湖常规检测的水质参数数据为研究对象,对初始数据进行预处理,筛选具有代表性的水温、pH等水质参数作为网络输入变量;以Chl-a作为输出变量,建立灰色RBF神经网络,并比较它与普通RBF网络在预测精度、网络收敛速度等方面的性能。结果表明,与灰色理论相结合的灰色RBF网络表现出了比RBF神经网络更好的数据拟合能力。运用灰色RBF神经网络来预测短期内西湖水质参数变化时,其与实际值的误差较小,表明灰色RBF神经网络能够有效地模拟水体水质参数的变化趋势,可为水体富营养化趋势预测和治理提供依据。     

土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选

基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。