附加动量法和基于遗传算法附加动量法的实现与在沉降监测中的应用研究

在沉降监测工程实践中,根据沉降趋势的特点,而采用不同的预测算法,有助于提高沉降预测结果的精度。由于算法各自的局限性,综合不同算法各自的优势,成为目前预测算法研究的热点。本文在编程实现附加动量法和基于遗传算法的附加动量法的基础上,研究了种群规模对基于遗传算法的附加动量法收敛速度的影响,确定了种群规模的大小。最后,结合样本数据,对两种算法的收敛速度以及预测精度通过量化的指标进行比较。本文的结论对沉降监测的工程实践具有一定的借鉴意义。

基于遗传算法的最佳摄动量法在反问题中的应用

抛物型方程参数的反演在工程中有重要的应用价值,针对最佳摄动量法对初始模型依赖性的严重不足,给出遗传算法对最佳摄动量法的改进的新算法并进行了数值模拟.从模拟结果可以看到模拟结果与估算值曲线图基本吻合,体现了该方法的有效性和高精度性,且新算法弥补了对初始数据严重依赖的不足以及保证了区域收敛的全局性.

一种基于附加动量法的改进BP算法

本文研究了基本BP算法的工作原理,分析了导致基本BP算法学习效率低的原因,提出了基于附加动量法的改进BP算法。经过理论分析和实验验证,在基本BP算法中加入附加动量的方法,可以加快BP神经网络的学习速度,提高BP神经网络的学习效率。

标准BP神经网络算法和附加动量法在沉降监测中的应用研究

在沉降监测工程实践中,由于采用的预测方法和项目沉降趋势的不同,预测结果的精度会有差异。而随着应用的不断深入,对现有算法进行改进以发挥算法的优势,成为目前预测算法研究的主流。在本文的研究中,编程实现了标准BP神经网络算法和附加动量法。通过研究学习率对标准BP神经网络算法的影响,确定学习率的大小。然后,研究了动量项对附加动量法收敛速度的影响,确定了动量项的取值。最后,对两种算法的稳定性和算法的效率以及预测精度等方面进行比较,探究两种算法的特点。

全国私人车辆拥有量的BP神经网络模型预测与分析——基于附加动量与自适应学习速率相结合的BP方法

私人车辆拥有量的变化趋势与社会经济发展密切相关,研究与预测私人车辆拥有量变动对了解社会经济发展具有重要的意义。文章以1985—2013年全国私人车辆拥有量的发展情况为研究对象,利用附加动量法与自适应学习速率相结合的BP神经网络模型对全国私人车辆拥有量进行研究与预测,结果表明利用该模型对私人车辆拥有量进行预测的精度较高、效果好。

采用附加动量法的BP技术进行脱硫可行性数学模型的研究

控制SO2 污染是当今世界关心的重大课题。煤是中国能源支柱 ,由燃煤造成的硫污染尤为突出。研究煤中硫分与产率之间的关系并建立适用的模型是脱除硫工艺中至关重要的一步。本研究利用神经网络技术来研究硫分与产率之间的关系模型 ,此研究为寻求一种技术上可行、经济上合理的脱硫工艺 ,进而减少硫污染具有重要的理论价值和实际应用价值。

一种基于改进BP神经网络的PCA人脸识别算法

人脸识别作为模式识别领域的热点研究问题受到了广泛的关注。传统BP算法虽然具有自学习、自适应以及强大的非线性映射能力并且在人脸图像识别准确率上占有很大的优势,但算法具有收敛缓慢、训练过程振荡、易陷入局部极小点等缺点。针对传统BP算法的不足提出一种基于改进BP神经网络的PCA人脸识别算法,该算法采用PCA算法提取图像的主要特征,并结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,通过使用该算法对ORL人脸数据库的图像进行识别,其结果比传统算法具有更快的收敛速度和更高的识别率。

BP算法改进及其在变形数据处理中的应用

针对传统BP(back propagetion)算法存在的缺陷,分别对其收敛性标准、激活函数等进行改进,并采取措施防止振荡、加速收敛以及防止陷入局部极小.将改进后的BP神经网络运用到变形监测数据处理中,应用结果表明,改进后的BP神经网络比传统BP神经网络在精度等方面有了很大的改善.

改进BP算法在公路工程主材价格预测中的应用研究

分析了传统BP算法的不足,利用相关分析法筛选出公路工程主材价格的主要影响因素;在确定BP神经网络结构及选取训练函数的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型,并结合合肥市石屑价格预测的实例,利用建立的预测模型,采用BP传统算法及附加动量法、自适应学习速率法、两者相结合法等3种改进算法分别预测了合肥市2个季度的石屑价格,并将预测结果进行对比,分析了不同BP算法预测结果之间的差异。结果表明,使用改进的BP神经网络算法进行公路工程主材价格预测,可以将预测误差控制在6%以内,并减少95%左右的训练步数。同时采用自适应学习速率和附加动量改进BP网络的方法相对最有效。

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果。实验结果表明:优化后的PSO-BP神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的ROP预测。

BP算法的改进及其在公路工程主材价格预测中的应用

在利用相关分析法对主材价格影响因素进行筛选的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型。结合郑州市石屑价格预测的实例,分别采用3种BP改进算法进行预测,并对结果进行了对比分析。证明了使用改进BP神经网络进行公路工程主材价格预测是可行和有效的。

改进的BP算法在短期电力负荷预测中的应用

利用标准BP神经网络建立短期电力负荷预测模型,其算法存在最终解过于依赖初值和过学习现象,并且训练过程中存在局部极小问题且预测精度低等缺点。为了提高电力负荷模型的预测精度,通过阅读相关文献,构建了基于改进BP神经网络的短期电力负荷预测模型,该模型采用遗传算法对权值和阈值进行初始化,以相对误差和附加动量法相结合的方式去计算权值修正量。比较改进后的BP算法和标准BP算法在短期电力负荷预测的效果,从实验仿真的效果表明改进后的模型提高了预测精度。

基于改进BP算法的汽轮发电机组的故障诊断

针对传统BP算法即梯度下降法,收敛速度慢、容易陷入局部极小值等缺点,提出了基于附加动量法和自适应学习速率的改进方法。将改进后的BP神经网络应用于汽轮发电机组的故障诊断中,获得了很好的效果,证明了改进方法的有效性。

基于改进BP神经网络的尿液中红白细胞识别算法

对显微图像中的尿液有形成分包括红白细胞等进行分析,可以帮助医生对有肾脏和泌尿系统疾病的患者进行评估。针对无染色、无标记的尿液图像中红白细胞存在对比度低、边缘模糊等问题,提出一种基于改进BP神经网络的识别方法。首先,将遗传算法引入BP神经网络对网络权值和阈值进行优化,解决训练过程中网络容易陷入局部极值等问题,提高BP神经网络的识别精度;其次,使用动量梯度下降法消除网络在梯度下降中产生的摆动,加快网络的收敛,提高BP神经网络的学习速度。与基础BP神经网络相比,改进方法对红白细胞的识别准确度分别提高了6.9%和9.5%,且识别时间分别缩短了19.3 s和42.1 s;与CNN识别算法相比,改进算法对白细胞的识别准确度提高了1.7%;与SVM识别算法相比,改进算法对红白细胞的识别准确度分别提高了12.9%和12.7%。验证实验和对照实验的结果表明,改进方法能以较高的准确率和较快的速度实现红白细胞的识别。

一种改进的BP神经网络车牌识别算法的研究

在识别车牌的技术中,由于车牌存在这图像模糊不清、倾斜、分割以后字符笔画粗细不均、不完整等问题,导致了传统车牌的识别率很低,不能适应车牌识别的实时性要求。针对问题,本文将要提出一种改进的BP神经网络算法可提高车牌识别准确率和速率,此算法采用附加动量法和自适应学习速率对BP神经网络算法进行改进。结果表明,改进的BP神经网络提高了车牌的识别正确率和速率,是一种实时性强的车牌识别算法。

基于三种BP-NNs改进算法的财务预警研究

危机预测研究主要涉及建模研究和指标体系构建。传统BP-NNs存在收敛速度慢、局部最优等局限。为此,文章提出基于附加动量法、共轭梯度法以及L-M优化算法的三种BP改进算法,通过对这三种方法的网络训练、仿真与回归分析结果比较,发现L-M算法收敛速度最快且误差最小。另外,创新性地将财务指标与EVA、股权结构以及管理结构等内部控制理论的非传统财务指标有效耦合,经多重指标筛选分别构建财务LM-BP模型和综合LM-BP模型进行实证检验,研究结果表明非财务指标的引入能显著提高预测精度。

基于混沌量子粒子群BP算法的研究

针对传统的反向传播(BP)神经网络存在过度拟合、预测精度不高的问题,提出了一种基于混沌量子粒子群BP(CQPSO-BP)算法的预测模型。该算法可以提高种群的遍历性,用混沌序列初始化粒子的初始角位置。为了避免网络进入早熟收敛,引入了变异操作,从而优化BP神经网络的权值、阈值。为了验证CQPSO-BP算法的有效性,将准确率和MSE、MSPE作为评价指标,对不同维度的数据集进行预测试验,并与改进的附加动量法和BP神经网络进行对比。试验及对比结果表明:CQPSO-BP算法在预测精度、收敛速度、准确率等方面,相对于传统的BP神经网络和改进的附加动量法等算法有较明显的优势。

PCA-BP神经网络入侵检测方法

针对经典BP神经网络在入侵检测应用中收敛速度慢、学习性能不够理想等缺陷,以消除原始数据中的冗余信息、提升入侵检测算法的检测性能为目的,综合采用主成分分析法和附加动量法,提出了一种基于PCA-BP神经网络的入侵检测方法,通过对数据的特征选择和对网络的权值修正,对经典BP神经网络算法进行了拓展和改进。首先对网络数据集进行标准化处理,并对处理后的数据集进行降维处理以确定主分量的特征数,最后将处理完成后的数据集输入到改进的BP神经网络中进行检测。通过在KDD Cup 1999网络数据集上的大量实验证明,该方法在大部分网络环境,尤其是在训练样本较为充足的网络环境中时,系统模型的收敛性、检测效率和检测准确率上均优于经典BP神经网络方法和半监督入侵检测方法。

基于改进灰色神经网络的故障预测方法研究

故障预测技术是电子装备预测与健康管理(PHM)领域的核心内容,对电子装备关键部件实施有效的预测是保证系统正常运行的关键。首先将灰色理论和人工神经网络算法相结合,构建灰色神经网络模型并对其进行分析;然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进,提出一种基于改进灰色神经网络的故障预测模型;最后以某型脉冲测量雷达中频接收组合中的压控振荡器为例,以采集的原始频率数据为基础进行仿真验证。预测结果表明,将该预测方法应用于电子装备PHM是行之有效的,可有效提高故障预测精度。

深基坑变形的滚动预测方法

为了探究在深基坑开挖阶段基坑监测点的数据是否超过预警值并预测变形规律,对传统BP算法进行改进,建立了基于附加动量法和时间效应的五步一出多步滚动BP神经网络预测模型,并将该方法预测结果与传统BP神经网络预测结果进行对比分析。结果表明,所提滚动优化BP神经网络方法对监测点坡顶沉降和水平位移预测的平均相对误差分别为0.80%和0.83%,达到了较高的精度。该方法在基坑变形预测中具有重要的应用价值。