基于主成分-BP神经网络的建设用地规模预测──以连云港市为例

建设用地是城市发展的重要因素,对建设用地规模的预测可以为土地利用总体规划提供参考数据和技术支持。笔者以连云港市为例,收集了2004—2013年有关建设用地规模的社会经济统计数据,采用主成分-BP神经网络模型对连云港市2014—2020年建设用地规模进行预测,得出7年连云港市建设用地规模的预测结果。研究得出主要结论:(1)主成分分析结果显示社会经济的发展、人口和基础设施的变化以及环境的改善从不同方面影响着建设用地的规模;(2)笔者构建的BP神经网络模型误差率较低、拟合效果较好且对于训练集以外的新样本数据具有较好的泛化能力,说明所建模型具有可靠性,可以进行预测;(3)连云港市2014—2020年的建设用地规模呈现逐年扩张的趋势,年均增长率为0.97%,连云港市应采取有效措施控制建设用地规模并且合理保护耕地,使得建设用地面积的增长控制在合理的范围之内。主成分-BP神经网络模型不仅能够对影响建设用地规模的因素进行全面分析,同时可以得到精度较高的建设用地规模预测数据,因此能够较好地应用于建设用地规模预测。

基于主成分-BP神经网络的我国农村居民用电量的预测研究

在农村经济发展规划中,精确合理地预测未来我国农村居民用电量对农村电网发展规划、电网改造建设具有重要的意义。研究选取1995-2014年影响我国农村居民用电量的9个指标因素,依次采取常规BP神经网络法、主成分-BP神经网络法、主成分回归法对我国农村居民用电量进行仿真,然后依次比较以上预测分析方法的预测误差(即进行预测精度比较),最终确定主成分-BP神经网络为本研究的最优方法,并运用该方法预测我国2015-2020年农村居民的电力需求量。

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。构建主成分分析-反向传播(principal component analysis-back propagation,PCA-BP)模型,针对受多因素影响的复杂备件,先利用PCA将影响风电备件的要素进行筛选,再利用BP神经网络算法,得到最为精确的预测结果。比较自回归积分滑动平均(autoregressive integrated moving average,ARIMA)模型、BP神经网络预测和PCA-BP神经网络预测的结果。结果表明:PCA能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用于风机备件的需求预测。

基于主成分自组织神经网络法的测井曲线分层技术

在砂岩型铀矿找矿工作中,提高测井岩性分层效率和精度至关重要。为提高砂岩型铀矿岩性分层效果,本文采用主成分分析法对多个测井曲线进行降维处理,将主成分分析法的第一主成分、第二主成分、第三主成分作为自组织神经网络的样本数据,进行自组织神经网络训练,将训练好的网络模型用于砂岩型铀矿岩性的自动化分层。实验结果显示:主成分自组织神经网络法岩性分层精度可达到85%以上,高于传统自组织神经网络算法78%的分层精度,具有更好的测井岩性分层效果。因此,主成分自组织神经网算法的岩性分层方法有效减少了输入样本的种类,简化了自组织神经网络结构,其自动化分层效果要优于传统的自组织神经网络算法。本文的研究结果表明,主成分自组织神经网算法在砂岩型铀矿领域岩性识别工作中具有较好的应用效果。

基于主成分分析和长短期记忆神经网络的光伏功率区间预测

针对光伏发电功率的随机变化,提出一种基于主成分分析和长短期记忆神经网络的光伏功率区间预测方法,有效实现了光伏功率的区间预测。首先,将用于训练模型的输入数据进行主成分分析法降维,在提取数据特征的同时降低数据维度;然后,将降维后的数据与真实光伏功率一同输入基于分位数的长短期记忆神经网络预测模型中迭代训练,得到训练完毕的预测模型;最后,在对比仿真中验证了所提方法的有效性。

基于主成分分析法及RBF神经网络耦合模型的水华预测研究

针对城市景观水体水华产生过程存在复杂性、时变性、不确定性等特点,为解决水华预测中准确度不高、预测模型过于复杂等问题,将主成分分析降维能力与人工神经网络自学习能力相结合,提出PCA-RBF神经网络水华预测模型。主成分分析的结果将作为RBF神经网络的输入矩阵,并可对城市景观水体的主要污染物进行分析。结果显示,PCA-RBF神经网络对水质的预测精度为0.763,平均相对误差为21.83%,对水华的预测精度为92.3%,远高于一般的RBF神经网络模型。PCA-RBF网络的水华预测模型泛化能力强,网络预测精度较高,为水华的预测、预警提供了有效的手段,对城市景观水体的水华防治具有指导意义。

基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于改进PCA-BP神经网络模型的海宁市需水预测

需水预测是地区水资源规划中的重要部分,对于实现水资源合理有序开发,保障社会经济的可持续发展有重要的指导意义。采用改进PCA-BP神经网络模型对影响需水量的9个影响因子进行降维处理,并分别以海宁市2001~2014、2015~2020年数据作为训练样本和检验样本完成模型训练,其中,综合灰色预测模型GM(1,1)对降维后的影响因子独立预测,从而预测海宁市规划年需水量,并与传统定额法的需水预测结果进行对比分析。结果表明,人口、GDP、居民生活用水量、城镇公共用水量为影响海宁市需水量的主要因子;通过构建改进PCA-BP神经网络模型得到的2025、2030、2035年需水结果,比传统定额法更为真实、合理,进一步证实了预测模型的合理性,可为海宁市未来水资源规划提供指导。

基于PCA-BP神经网络的古代玻璃分类模型

为了有效地鉴别古代玻璃并分析其主要成分,提出了一种预测古文物玻璃制品类型的方法。根据现有数据测量得到13种主要化学成分含量,基于主成分分析(PCA),将所得主成分作为反向传播算法(BP)神经网络的输入,构造一种基于PCA-BP神经网络的古代玻璃分类模型。实验中,选择80%的数据作为训练集与测试集,选择20%的数据作为验证集。结果表明:对玻璃文物样品提取的主成分有显著贡献的化学成分为SiO 2、K 2O、PbO和BaO;改进后的模型与传统神经网络模型相比,对样品预测平均相对误差率小于4%,迭代时间缩短,对未知的古玻璃文物样品的预测估计更精确;提出的玻璃分类模型在不同地区的不同数据集上有可靠的精确度,并相较于Logistics模型有较好的预测效果。

基于主成分与BP神经网络的物流企业即兴能力评价

即兴能力是企业在不确定性环境中获取优势的重要竞争力。客观评价物流企业的即兴能力对于提高其决策水平,使其在模式创新中“拔得头筹”具有重要意义。文章基于专家访谈与即兴能力相关研究,从自发性、创造性、资源利用和压力承受四个方面构建了物流企业即兴能力评价指标体系,进而运用主成分分析及BP神经网络模型对物流企业即兴能力进行了综合评价。结果表明,目前我国物流企业即兴能力水平存在较大差异,总体水平不高。

基于主成分分析和深度神经网络的声学层析成像温度分布重建

为快速准确地获取火电厂锅炉炉膛温度场在线监测信息,提出了一种基于深度神经网络(deep neural network,DNN)的声学层析成像(acoustic tomography,AT)温度场重建算法。对测量值进行归一化处理后,结合主成分分析(principal component analysis,PCA)降维,构建全连接网络区别峰型,分别搭建DNN与BP神经网络对归一化慢度值及其最值进行预测,最后重建温度场分布。采用该方法对4种典型的温度场模型进行了仿真,结果表明:DNN算法的重建质量优于Tikhonov正则化算法与共轭梯度算法,重建图像的平均相对误差和均方根误差分别小于0.36%和0.85%。

基于PCA-BP神经网络的烟叶含水率预测研究

为了实现对复烤下机烟叶含水率的准确预测,提出了基于主成分分析法和BP神经网络的烟叶含水率预测模型。首先,采用主成分分析法提取最具表征意义的复烤烟叶含水率特征因子,获得特征矩阵。然后将特征矩阵输入BP神经网络,构建包括特征矩阵与复烤下机烟叶含水率的预测模型。仿真结果表明,提出的模型在复烤烟叶含水率预测方面呈现出显著的预测能力,决定系数达0.92。文中方法可辅助优化烟叶复烤控制参数,提升复烤烟叶品质。

基于PCA-MSSA-BP神经网络的列车车轮踏面磨耗预测模型

分析列车车轮踏面磨耗,预测车轮剩余寿命,对降低车辆运营成本、提高运行安全品质具有重要意义。该文以某公司某型车为例,分析轮对历史检修数据,建立基于PCA-MSSA-BP神经网络的车轮踏面磨耗模型,与传统方法相比,预测精度更高、速度更快。该文首先用主成分分析法从众多磨耗影响因素中提取4个主成分因子,接着建立BP神经网络模型,并针对麻雀优化算法进行改进,验证改进效果,将改进后麻雀算法对网络权值和阈值进行优化,实验结果表明,轮径磨耗、轮缘厚磨耗预测的平均绝对误差分别为0.1935、0.1215 mm。

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。

基于PCA-BP神经网络的跨境农产品供应链数字化转型风险预测

数字经济正在成为重组全球农业要素资源、重塑全球农业经济结构、改变全球农业竞争格局的关键力量。对于跨境农产品供应链(Cross-border Agri-food Supply Chains,CASCs),由于农产品自身具有易损易耗、季节性和周期性等特点,使得跨境农产品的链式结构相比其他供应链存在更大的脆弱性。推动跨境农产品供应链数字化转型,关键是有效识别和预测数字化转型过程中的风险因素。基于TOE框架归纳了企业数字化转型风险中的3个表现层面,在对跨境农产品供应链核心企业及其成员企业调研基础上,运用主成分分析(PCA)减少原始数据的维度,在此基础上构建反向传播神经网络(BPNN)用于预测CASCs数字化转型中的风险。结果表明,所选择的4个主成分是合理的,评价指标体系是有价值的。研究结果为跨境农产品供应链发展提供了新的思路。

紫外光谱结合人工神经网络识别不同品种红薯淀粉

为了识别不同品种红薯淀粉,建立紫外光谱的红薯淀粉品种识别模型。采用单因素试验优化提取条件,对不同品种红薯淀粉提取液进行紫外光谱扫描,将原始光谱数据预处理后进行主成分分析,比较不同数据处理方法区分品种的效果,并进行聚类分析,利用人工神经网络建立识别模型。结果表明:最佳提取溶剂为甲醇,最佳超声时间为20 min;紫外光谱图有相似的吸收峰,但吸光度存在差异;以小波降噪后一阶求导处理数据进行主成分分析的品种识别效果最好。建立的人工神经网络识别模型对13个品种预测的准确率为100%。因此,紫外光谱结合人工神经网络模型可作为红薯品种淀粉快速、准确识别的新方法。

基于主成分分析和LSTM神经网络的海温预报模型

利用荣成、海阳两站的自建浮标海温观测数据以及区域大气模式WRF(Weather Research and Forecasting)的气象数值预报数据,基于主成分分析(Principal Component Analysis,PCA)法和长短时记忆(Long Short-Term Memory,LSTM)神经网络,提出了适用于单站海表温度预报的PCALSTM海温预报模型。该模型可以提供24~120 h预报时效的海温预报,预测效果比数值模型和统计模型明显提高。

基于主成分分析法优化神经网络的滆湖组黏性土抗剪强度预测

为了研究苏锡常地区滆湖组黏性土抗剪强度特性,建立抗剪强度参数预测模型;以研究区711组滆湖组黏性土物理力学试验数据为载体,运用主成分分析(principal component analysis,PCA)方法,从样本11个指标中提取影响目标变量的主成分;将其作为反向传播神经网络(back propagation neural network,BPNN)模型的输入层,建立基于PCA-BPNN算法的滆湖组黏性土抗剪强度预测模型。结果表明:当主成分数量为3时,主成分累计贡献率达93.4%;第一、二主成分贡献率分别为52.1%和36.6%;PCA算法即保留了样本大部分信息,又实现了对多维变量的降维。第一主成分可归纳为土体孔隙特性,与黏聚力和内摩擦角均呈负相关关系;第二主成分可归纳为土体水稳性,与黏聚力和内摩擦角均呈正相关关系;土体孔隙特性越显著,水稳性越弱,抗剪强度越低。建立了滆湖组黏性土抗剪强度参数PCA-BPNN预测模型,模型抗剪强度拟合优度为0.85,内摩擦角拟合优度为0.72;模型可靠性总体较高。可见PCA-BPNN预测模型即可降低解释变量间的多重共线性,简化了模型,又能够提升模型的泛化能力;为运用数学方法研究土体工程地质参数提供了参考。

基于多源信息融合与神经网络的汽车塑件无损检测方法研究

针对汽车塑件内部缺陷检测精度不高、检测方法单一等亟需解决的问题,基于多源信息融合与深度学习神经网络等技术,探究高鲁棒性、稳定性、精确性的检测模型,旨在为汽车塑件批量无损检测提供理论基础和技术支持。通过超声波探伤、激光光斑测量、紫外线探伤、智能电参数测量和红外热成像等无损检测方法,试验样本经异质信息采集、预处理以及多特征变量提取,根据检测要求,用于定量/定性神经网络模型构建。再以样本训练、规则判别、深度学习和模型类比,选取最优模型用于试验样本内部缺陷预测和品级分析,以求得所设计的“深度学习”神经网络模型与检测方法具有通用性,可进一步用于汽车铸件、冲压件或焊接件等无损检测,为匹配智能装备研发提供研究基础。

基于图卷积神经网络的滑行时间预测研究

为准确预测滑行时间,提出一种基于机场场面运行态势演变的图卷积神经网络预测方法。首先,根据机场场面航空器时空分布情况,从路段流量、路段密度、路段速度等多角度构建交通态势指标体系;其次,利用主成分分析法对指标进行降维处理并利用K-means算法实现对机场场面路段的态势等级划分,绘制机场场面时空分布热力图;最后,利用图卷积神经网络(GCN)结合门控循环单元(GRU)来获取场面路段特征数据的时空特征,将GRU作为解码器预测输出滑行时间。以深圳宝安国际机场AirTOP仿真数据为例,对所提出的方法进行了分析和验证,并获得了符合预期的预测结果。实验结果表明,该方法在预测滑行时间方面具有有效性。