基于粒子群组合神经网络的原岩应力预测研究

【目的】建立原岩应力准确预测方法,为岩石力学研究及地下岩土开挖工程设计与施工提供参考。【方法】充分利用区域实测原岩应力数据资料,选取岩石埋藏深度、岩石类别等参数作为原岩应力的评判指标,在分析基于群体智能（GI）的粒子群优化算法（PSO）和BP神经网络算法特点的基础上,提出一种新的组合训练方法,建立了PSO-BP组合人工神经网络模型,并对原岩应力进行实际算例预测。【结果】PSO-BP组合人工神经网络模型整体工作性能优良,研究区域原岩应力场最大主应力、最小主应力、垂直应力的网络输出与目标输出相关程度较高,相关系数分别为0.994 0,0.997 0,0.992 0,该组合模型基本可以预测研究区域原岩应力场的分布规律。【结论】应用建立的PSO-BP组合人工神经网络模型可以进行原岩应力的准确预测,对岩体初始应力研究和地下工程设计具有一定的指导意义。     

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.     

基于粒子群优化算法的组合算子水质评价模型

根据参数化组合算子方法建立了水质评价模型,应用粒子群优化算法确定模型中的参数,并将该模型分别应用于富营养化海水、地下水与地表水的水质评价.案例分析结果表明,基于粒子群算法的参数化组合算子水质评价模型对各类水体的水质评价结果与传统方法基本一致,具有方法简单、计算量小和适用于非线性水质评价问题的特点.     

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。     

基于粒子群优化算法和长短时记忆神经网络的蟹塘溶解氧预测

为准确预测蟹塘溶解氧质量浓度,及时掌握溶解氧质量浓度的变化趋势,提前采取防控措施从而降低河蟹养殖风险,提出了一种基于粒子群优化算法(PSO)和长短时记忆神经网络(LSTM)的蟹塘溶解氧质量浓度预测模型,采用PSO算法优化LSTM模型参数后对蟹塘溶解氧质量浓度进行预测.结果表明,PSO-LSTM模型不仅整体优于ARIMA...     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于非线性粒子群算法与神经网络的天气预测

采用非线性PSO-BP神经网络对天气预测,可以有效地预测出多云、晴天和下雨3种不同天气。非线性PSO-BP算法提高了天气预测的准确度和精度,加快了网络收敛速度,为智能化天气预报提供了基础。     

基于粒子群优化支持向量机的电子商务客户流失预测模型

电子商务客户流失受到多种影响,具有时变性、非线性,为了提高电子商务客户流失的预测精度,提出一种粒子群算法优化支持向量机的电子商务客户流失预测模型。首先收集电子商务客户数据,并进行预处理,然后将数据输入到支持向量机进行学习,并采用粒子群算法选择支持向量机参数,建立最优电子商务客户流失预测模型,最后采用具体数据进行了仿真实验。结果表明,相对于其他电子商务客户流失预测模型,本文模型提高了电子商务客户流失的预测精度,可以准确反映电子商务客户流失变化特点,预测结果可以为电子商务企业提供有价值的参考意见。     

基于粒子群优化RBF神经网络的水轮发电机组振动故障诊断

【目的】针对单一径向基(RBF)神经网络在水轮发电机组振动故障诊断中泛化能力不足的缺点,提出基于粒子群(PSO)算法优化的RBF神经网络。【方法】利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对水轮发电机组振动故障进行仿真诊断。【结果】仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快。【结论】PSO算法优化的RBF神经网络,适用于水轮发电机组振动故障诊断,其诊断精度较高,具有推广应用价值。     

基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

地下水位预报的相空间重构神经网络模型研究

为有效揭示水资源系统复杂的非线性结构及变化规律,结合混沌理论、相空间重构理论与神经网 络,研究了地下水水位预测模型,即通过相空间重构,把一维地下水水位时间序列拓展为多维序列,从而挖掘更为 丰富的信息;运用混沌方法构造训练样本并确定神经网络的网络结构,用神经网络拟合相空间相点演化的非线性 关系。实例计算表明,该模型具有较高的预报精度。     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

基于混沌径向基神经网络模型的洪水预测研究

【目的】建立更为理想的洪峰大流量预测模型。【方法】针对目前大部分预测模型对洪峰大流量数值预测结果不太理想的问题,根据自然界中普遍存在的混沌现象,在对洪水系统进行混沌识别的基础上,建立了基于混沌理论和径向基神经网络(RBF)的预测模型,将实测洪水序列进行相空间重构得到训练样本,利用MATLAB 7.0工具箱确定网络结构。【结果】将所建立的RBF模型用于汾河石滩水文站2004年最大洪水的预测,结果表明,该模型预测结果的合格率、平均相对误差、相关系数(R)、均方根误差(RMSE)和Nash-Sutcliffe系数(NSC)分别为100%,4.69%,0.9793,4.2260和0.9552,而传统Volterra级数自适应预测模型的分别为93.75%,8.97%,0.9540,10.2632和0.7358,可见RBF模型的预测结果较好,并且对预测洪峰大流量数值取得了较理想的预测效果。【结论】将混沌理论和径向基神经网络结合建立预测模型,作为提高洪水预报精度的一种新尝试,对以后进行洪水预测研究具有一定的参考价值。     

正则化RBF网络模型在地下水位预测中的应用

【目的】建立地下水位预测的正则化RBF网络模型,为区域地下水资源的利用、规划和管理提供决策依据。【方法】以MATLAB7.0为平台,用函数newrb创建正则化RBF网络模型,基于宝鸡峡灌区B210号观测井1983-2009年的地下水位埋深资料,对网络模型进行训练后再用测试集检验,分别绘制训练集与测试集的拟合曲线,同时计算实测值与预测值间的相对误差(RE)、平均绝对偏差(MAD)和均方误差(MSE),并将其与BP网络模型的相应值进行对比。【结果】正则化RBF网络模型和BP网络模型的相对误差均小于5%,平均绝对偏差分别为0.53和0.85,均方误差分别为0.54和1.15,相比之下,正则化RBF网络模型的预测精度更高。【结论】训练样本和测试样本的合理选取为时间序列的拟合扩展了思路,良好的泛化能力使正则化RBF网络模型在区域地下水位预测中具有一定的可行性。     

基于改进粒子群优化算法的BOD-DO水质模型参数确定

【目的】将改进的粒子群优化算法应用于BOD-DO水质模型参数求解,为水质模型参数求解提供支持。【方法】通过差异演化算法对各个体历史最佳位置进行变异,以保持种群多样性,并在搜索后期加入局部搜索能力强的单纯形算法,建立改进的粒子群优化算法,并用该算法对BOD-DO水质模型参数进行求解。【结果】改进的粒子群优化算法能有效地确定BOD-DO水质模型参数;参数取值范围的放宽对算法的收敛性影响较小,但迭代次数有所增加;均匀分布法生成的初始种群可以有效地提高算法的收敛率,加快收敛速度;交叉概率和缩放因子的随机选取策略,可以有效地提高算法的收敛率并加快收敛速度;比较计算结果可知,改进的粒子群优化算法的收敛精度有所提高,收敛率可达到100%,收敛速度可提高5倍以上,标准差约是粒子群优化算法的10%。【结论】改进的粒子群优化算法有效地避免了原算法的早熟或停滞,为不同类型的水质模型参数求解提供了一个可靠的方法。     

基于多层全连接神经网络的白洋淀水质预测

白洋淀是华北平原最大的天然湖泊湿地,也是雄安新区的重要生态依托,对其水质进行预测,可为其水质保护与管理提供重要依据。利用1996—2015年白洋淀南刘庄、圈头、烧车淀的生化需氧量(BOD)、化学需氧量(COD)、总氮(TN)和总磷(TP)4项水质数据,通过率定与校验,构建了全连接神经网络水质预测模型,对未来3 a白洋淀水质进行了预测。结果表明,白洋淀南刘庄、圈头、烧车淀的各项水质指标都有所改善,但部分点位TN和TP仍然超标。未来应加强入淀河流与淀内污染控制,强化生态补水与水系连通。     

土壤水分特征曲线模型参数识别的多邻域粒子群算法

Van Genuchten模型(简称VG模型)是目前运用最为广泛的土壤水分特征曲线模型,提出适宜的优化算法进行模型参数识别也是一个非常重要的研究方向。针对标准的粒子群算法易陷入局部最优的缺点,给出了一种多邻域粒子群算法,可以有效地克服粒子群算法易陷入局部最优的缺点,并利用该算法对VG模型参数进行识别,最后用所求解的参数对不同类型土壤持水性能进行了试验。数值实验结果表明,多邻域粒子群算法能够有效地应用于VG模型的参数识别,与其它算法相比在性能和精度上都有所提高,而且对参数的取值范围也可以较大地放宽。因此,多邻域粒子群算法可以作为VG模型参数识别的一种新方法。