基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于预测模型的BP_Adaboost算法改进

针对BP_Adaboost算法预测精度不高的问题,对算法作了改进:先用遗传算法对每个BP神经网络弱预测模型进行优化;然后把优化后的BP神经网络模型看作为新的弱预测器;再通过BP_Adaboost算法,用多个被遗传算法优化后的BP神经网络弱预测器组成强预测器模型;最后加权整合优化后用2 000组随机数据验证改进后算法的预测精度,用Matlab程序仿真实现改进后的BP_Adaboost算法,并与改进前的BP_Adaboost算法作比较。程序运行结果表明,改进后的BP_Adaboost算法预测精度有了明显提高。

基于AGA-BP强预测的爬升段油耗估计

为准确预测燃油消耗量,减少民航碳排放,分析飞行数据影响油耗的参数,提出两种爬升阶段油耗预测模型,即BP预测模型与基于自适应(简写为A)GA-BP强预测模型。GA-BP强预测模型以BP预测网络为弱预测器,经有限次数迭代得到强预测器输出,实现误差的优化调整,解决非线性复杂问题。实验结果表明,该模型在非线性预测方面有明显优势,预测精度和拟合度较好,验证了两种模型在油耗预测领域都具可行性。