基于EMD与机器学习算法的近零能耗建筑负荷预测方法

采用皮尔逊相关系数法分析了不同特征变量与冷热负荷的相关性,确定了预测模型的输入特征变量。采用经验模态分解(EMD)对逐日冷热负荷按频分解,然后采用机器学习算法,即反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM),分别对不同频率的负荷量进行了训练、验证,最后重构得到了近零能耗建筑预测负荷。基于上述方法,以北京市某近零能耗居住建筑为研究对象,比较了不同算法预测结果的精确度。结果表明:采用EMD与RF算法相结合对近零能耗建筑冷热负荷的预测精确度较高。进一步采用穷举搜索法对模型初设参数进行了优化,冷热负荷预测结果精确度提高,冷负荷预测结果的决定系数R2、平均绝对百分比误差MAPE分别为0.996、1.32%,热负荷预测结果的R2、MAPE分别为0.997、0.79%。

FNN上的反向传播学习算法

近几年来,模糊神经网络(FNN)的研究引起了广泛的注意。本文对FNN上的反向传播学习方法加以讨论。使用输入均值和输出权重参量来进行模糊化和反模糊化处理,学习的目的是调整这两个参量到合适的值。

改进的反向传播学习算法

采用了激励函数可调的多层神经网络，并对ＢＰ算法进行了改进。

模糊系统反向传播学习算法在系统辨识中的应用

文中提出了一种模糊逻辑系统的网络模型，给出了相应的反向传播学习算法，并将其用于非线性系统的辨识，构造了一种模糊动态辨识器．

带有反向传播学习算法的自适应模糊炉温控制系统

本文介绍以控制电加热炉的实际对象为背景研制的一种计算机控制系统。该系统引入了带有基于反向传播学习算法的自适应模糊控制。这种控制方法超调小 ,调整时间快 ,精度高。

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统。该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率。实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度。

基于自适应学习速率的改进型BP算法研究

从感知器的结构及学习规则无法执行异或问题出发,用神经网络中的BP网络来解决异或问题,消除了感知器的局限性,但BP算法在具体实现中常会出现一些问题,如:收敛速度缓慢且与其他参数存在较强的耦合关系,局部极小等。对此,从前馈神经网络的原理出发,提出了一种自适应学习速率因子方法,用于对BP算法的改进,并将改进后的算法用于二维XOR问题及多维XOR问题的学习中。仿真实验证明,改进后的算法可显著提高网络的学习速度,且学习过程具有良好的收敛性及较强的鲁棒性。

适用于海量负荷数据分类的高性能反向传播神经网络算法

负荷分类对于指导电网发用电规划与保证电网可靠运行具有重要意义。面向负荷数据海量化与复杂化趋势,传统负荷分类方法已无法满足用电大数据分析要求。首先,针对用户侧数据体量大、类型多、速度快等特点,在Spark平台上将反向传播神经网络(BPNN)算法并行化,实现对海量负荷数据的高效分类。然后,通过对训练样本抽样分块以降低各网络学习时间,针对分布式后BPNN基分类器由于学习样本缺失潜在的准确度下降问题,采用集成学习予以改善。并通过BPNN学习不同训练样本块构建差异化基分类器,对基分类结果多数投票得到最终分类结果。另外,提供了一种基于K-means和K-medoids聚类的负荷数据训练样本选取方法。算例表明所提方法既能对负荷曲线有效分类,又能大幅提高海量数据的处理效率。

动态调整学习速率的BP改进算法

在基本反向传播(BP)算法中,学习速率往往固定不变,限制了网络的收敛速度和稳定性。因此,提出一种动态调整BP网络学习速率的算法,以BP网络输出层节点的实际输出值与期望输出值的平均绝对值误差及其变化率为自变量,找出学习速率与两个自变量之间的函数关系。根据网络的实际学习情况,对学习速率进行动态调整。实例仿真结果表明,改进的BP算法在保持网络稳定性的同时,具有更快的收敛速度。而且,该算法只需恰当地选取几个参数,不受条件限制,因此具有普遍的适用性。

一种改进的反向传播神经网络算法

在标准反向传播神经网络算法的基础上,提出了一种改进的反向传播神经网络算法.通过对每个处理单元增加3个参数来增强作用函数,且3个参数与连接权一样,在学习过程中进行实时更新.此算法提高了学习速度,且减少了进入局部最小点的可能性.通过XOR问题的仿真证明了改进算法的有效性.

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .

综合反向传播算法

提出一种用于多层前向神经网络的综合反向传播算法．该算法使用了综合考虑绝对误差和相对误差的广义指标函数，采用了在网络输出空间搜索的反传技术，具有动态自调整学习率和动量因子，有神经元激活特性自调整、减少平台现象和消除学习过程中不平衡现象的能力．对比实验表明该算法有比基本ＢＰ算法快得多的收敛速度，并能取得全局最优解．

反向传播神经网络联合遗传算法对复合材料模量的预测

为减少测试成本和缩短设计周期,基于机器学习方法对树脂基复合材料模量的预报方法进行了研究.采用一种全新预测方法——神经网络联合遗传算法(GA-ANN),将T800/环氧复合材料的强度、泊松比和失效应变作为反向传播(BP)神经网络的3个输入变量,在遗传算法(GA)中得出最优阈值和权重,并将所得数值赋给对应的网络参数,更新BP神经网络以更高的准确率预测树脂基复合材料的模量;同等条件下,用Adam算法进行预测.对比这两种方法,结果充分证明了GA-ANN的可行性.

基于深度学习的健康云数据监控分析算法设计

针对远程在线智能化健康监控的数据处理需求,基于数据挖掘和深度学习技术原理,文中提出了一种健康云数据监控分析算法。在数据挖掘的框架下,对健康云数据进行预处理,从而完成数据准备。在此基础上,建立了基于多隐藏层级联的深度学习网络的数据挖掘模型。为了更精确地对健康数据展开监控,通过反向传播算法进行网络训练,并使用梯度下降法进行迭代优化,实现网络代价函数的最小化。实验结果表明,文中所提算法相比于现有算法,在不提高训练复杂度的情况下具有更高的数据分析正确率,且对于不同类型的健康问题均具有良好的适用性。

基于机器学习的高程异常建模算法及其水电工程的应用

某水电工程测区受地形复杂、植被覆盖率高等因素的影响,水准测量实施困难,采用循环神经网络RNN、反向传播BP神经网络和径向基函数RBF神经网络等3种机器学习算法,分别对试验区域高程异常进行拟合与建模,并将结果与二次曲面拟合方法进行对比。内符合与外符合精度对比发现,机器学习算法建立的高程异常模型精度高、残差小。3种方法中,径向基函数RBF神经网络更适用于研究区域的高程异常建模。此外,基于相同的机器学习算法,研究随机选取部分拟合点高程异常建模的精度发现,公共点分布更加均匀时,拟合效果更好。研究成果为复杂地形条件下水电工程项目高程异常建模提供参考。

基于改进邻域粗糙集和优化BPNN的火灾预测算法

针对传统森林火灾检测算法精度低,以及大规模、多特征的火灾数据存在冗余信息等问题,该文提出了一种基于改进邻域粗糙集的优化反向传播神经网络(BPNN)火灾预测方法。首先,考虑到数据集具有高维特征空间和高度特征冗余等特点,设计出一种基于混沌反学习蝙蝠(BA)算法的邻域粗糙集特征选择算法,对火灾原始数据集进行特征寻优,得到约简属性子集;然后,构建BA算法优化的BPNN预测模型,将约简属性子集输入该模型中,得到火灾预测的结果;最后,通过平均分类准确度、F1值、精确度、曲线面积、召回率、平均误差率这6种评价指标,在UCI公开森林火灾数据集上分析和检验模型的分类性能。在2个数据集上的实验结果显示,基于混沌反学习策略的算法准确率为94.3%和52.7%,与邻域粗糙集结合后准确率达到98.1%和59.6%,证明了该文算法具备较高的检测精度。

基于反向传播算法的5G网络优化技术研究

移动通信正在从人和人的连接方式,逐渐转变为物与物及人与物的连接迈进,万物互联将是未来的大势所趋。作为4G技术的增强版,5G多制式共存的异构网络高速度、低时延、高可靠的网络特色,为万物联网提供了先决条件。同时也对人工智能的发展提出了新的要求。如何在高速发展的网络时代保持竞争力、实现网络的自我学习,这将是人工智能道路发展上的重要一环。

深度迁移学习中两种反向传播方法的比较

深度迁移学习是将迁移学习技术应用到深度学习中的一种针对样本数据量不足的训练方法。作为仅有少量样本数据的有效学习方法,深度迁移学习有冻结和微调两种不同的反向传播方法。本文针对这两种不同的方法,比较了它们在不同深度层次的不同网络参数设置下的深度学习效果。