基于灰色神经网络的地铁牵引用电预测模型

[目的]为了提高列车运行效率,需对地铁牵引能耗进行监测,并建立相关能耗模型对地铁牵引能耗进行预测分析。[方法]介绍了灰色预测模型和BP(反向传播)神经网络的基本原理;以天津某典型地铁车站2021年6月的牵引日用电量数据为例,采用灰色关联分析法筛选出与地铁牵引日用电量关联度大的影响因素,基于GM(1,1)灰色预测模型预测出短期牵引日用电量;将所筛选出的关联度大的影响因素、GM(1,1)灰色预测模型预测的短期牵引日用电量及相邻历史牵引日用电量数据,作为BP神经网络模型中的输入量进行训练,建立GM-BP灰色神经网络模型,并生成所需短期地铁牵引日用电量预测数据。[结果及结论]与传统GM(1,1)灰色预测模型和BP神经网络模型相比,通过GM-BP灰色神经网络模型预测的短期牵引日用电量预测误差有明显的改善,能够作为有效的地铁牵引能耗数据进行短期预测数据分析。

基于灰色遗传神经网络的建筑工程造价估算预测

投资估算是项目建议书和可行性研究报告的重要组成部分,是项目投资决策的主要依据之一。项目估算准确性直接影响设计概算与施工图预算的编制。估算的影响因素与其结果之间存在复杂的非线性映射关系,传统数学方法用于解决非线性映射问题时具有很大的局限性。为了提高投资估算的准确性,基于遗传BP神经网络,对误差反向传播机理进行深度分析,引入灰色系统理论,得到样本数据之间变化规律以及弱化适应度函数值的波动性,建立了灰色遗传神经网络预测模型。并对已有样本数据进行仿真,结果显示灰色遗传神经网络模型误差均值为1.54%,优于GM(1,1)预测模型、标准BPNN模型、GA-BPNN模型。验证了文中所建立的模型在工程估价中的有效性,对工程建设成本控制具有一定的实际意义。

基于灰色神经网络的贵州大数据安全风险评估方法

针对现有风险评估方法在判定贵州大数据安全风险等级时与实际情况存在的偏差,文章提出了一种基于灰色神经网络的贵州大数据安全风险评估方法。该方法通过构建风险评估模型,设计灰色神经网络的自适应学习机制,并初始化网络参数;进而通过动态调整网络参数和改变网络结构,有效提高评估的准确性。针对数据中的缺失值问题,本文采用灰色数据转化的方式进行填补,而确保评估数据的完整性。在评估过程中,系统提取每个样本点的信息特征,并赋予相应的权重,随后将这些特征输入风险评估模型中。通过计算,得到各个样本点的信息安全风险评估值,最终输出整体的信息安全风险评估结果。实验结果与实际情况高度一致,表明该方法在大数据系统安全风险评估中具有高度的准确性和有效性。

基于灰色关联度-BP神经网络的混凝土抗腐蚀性能研究

利用灰色关联度法对不同强度等级不同腐蚀环境下混凝土抗腐蚀性进行分析。利用神经网络对混凝土抗腐蚀性试验数据进行训练,并对未参与训练的数据进行预测验证。研究结果表明:砂子、水泥、碎石及防腐涂层等4种因素与抗腐蚀性的相关性最高,其余影响因素对抗腐蚀性影响则相对较小。BP神经网络预测的抗腐蚀性参数与试验所测数据误差基本在10%以内,满足要求。

基于灰色关联-BP神经网络的矿井小构造预测

为了对矿井小构造参数进行预测,利用灰色关联度分析按关联度大小对各介质参数进行排序,选取断层密度、断层分维值和断层强度指数关联度高的介质参数作为主控因素。结果表明,断层密度的分布不稳定,断层强度和断层分维值高值区的分布相对集中,同时也反映了落差大、延伸长、密度大、断层穿插复杂的区域,构造活动强度大,其形成的断层参数值也相应较大。

基于灰色关联分析和BP神经网络的“互联网 + 支教”培养效果评价研究

为科学、系统、全面地对云支教效果进行及时反馈,本文采用了灰色关联分析和BP神经网络相结合的评价方法。首先,使用变异系数法和DEMATEL确定综合权重,并结合相关文献与资料确定云支教培养效果评价指标体系,以各指标为输入,灰色关联分析综合评价结果为输出,训练神经网络,仿真结果显示,模型训练效果良好。In order to scientifically, systematically and comprehensively provide timely feedback on the effect of cloud tutoring, this paper adopts the evaluation method combining grey correlation analysis and BP neural network. First of all, using the coefficient of variation method and DEMATEL to determine the comprehensive weights and combining relevant literature and information to determine the evaluation index system of the training effect of cloud tutoring, using the indicators as inputs, grey correlation analysis comprehensive evaluation results as outputs, and training neural networks, the simulation results show that the model training effect is good.

基于灰色关联-BP神经网络的吉县苹果产业物流发展分析

随着社会经济的快速发展,农产品物流在农业经济发展中扮演了重要的角色,应用SPSS软件,对吉县苹果产业物流进行了灰色关联-BP神经网络分析。采用灰色关联度分析了吉县的八个相关指标与其运输业增加值的关联度,得出苹果产量与当地苹果产业物流发展关联度最大;第二是农业机械总动力;第三是吉县公路建设的总里程,吉县公路的快速发展得益于“四好农村路”规划的实施。又考虑到在一定时期内吉县苹果产业物流面向的对象是从整个临汾市到山西省,所以进一步从山西省的角度应用神经网络模型探讨影响吉县苹果产业物流发展的指标,得出山西省居民的可支配收入对吉县苹果产业物流发展的重要性位居第一,紧跟其次的是农业补贴,农业机械总动力为第三,最后在此结果的基础上,对吉县苹果产业物流发展提出了一些建议。

基于灰色BP神经网络的电力碳排放峰值预测

电力碳排放影响因素较多,使得电力碳排放峰值预测误差增加。为了有效解决该问题,提出了基于灰色BP神经网络的电力碳排放峰值预测方法。分析原始数据序列和累加序列,利用灰色BP神经网络构建碳排放峰值预测模型。分析电力碳排放影响因素,使用递推算法计算电力碳排放量。通过惩罚函数压缩模型系数至零,筛选出显著变量。根据碳排放流邻接特性,通过有限次递推计算节点碳势,在误差允许范围内进行迭代训练,实现模型求解,得到电力碳排放峰值预测结果。实验设置基准、低碳和强化低碳三种情景,在这三种情景下所设计方法的预测结果分别为40 000万吨、39 000万吨、40 000万吨,与实际结果一致,说明该方法的预测误差更低,预测结果更为精准。

基于灰色神经网络组合模型的城区沉降预测应用研究

为了提高城区沉降量的预测精度,本文基于灰色预测模型(Grey Model,GM)和反向传播(Back-Propagation, BP)神经网络预测模型,构建了灰色神经网络组合预测模型(Gery Neural Networks Model,GNNM)。以SBAS-InSAR技术获取上海特征区的平均沉降量作为3种预测模型的原始序列,进行预测计算,对比分析组合预测模型预测结果与灰色模型、BP神经网络模型的预测结果。实验结果表明:相比单一的GM(1,1)和神经网络预测模型,GNNM(1,1)组合预测模型的预测精度和稳定性更高,且越接近中心城区,预测效果越好。

基于灰色关联度分析-BP神经网络的混凝土抗冻性能研究

混凝土在温度较低地区会随着季节的变化发生冻融,影响其耐久性。而混凝土原材料比例对其抗冻性有着重要影响,通过优化原材料配比可达到改善混凝土抗冻性的目的,延长其使用寿命。利用灰色关联度理论,计算混凝土原材料配合比对混凝土的影响,通过BP神经网络对混凝土力学性能进行预测,将水泥、石灰石粉、粉煤灰、矿渣、细骨料、粗骨料、水、减水剂和循环次数等变量作为输入因素,将抗压强度作为输出变量。结果表明,矿渣、细骨料、粗骨料、水和循环次数这5种因素与抗冻性的相关性较高,其余原材料含量对抗冻性影响相对较小。调整原材料比例可提升混凝土力学性能及抗冻性能,BP神经网络可有效预测抗压强度,预测结果误差较小,相关性系数大于0.96,此结果可有效减少混凝土实验研究的工作量,降低工程成本。

基于灰色神经网络的长三角地区物流需求预测研究

区域货运量作为衡量区域物流需求的关键指标,其预测研究不仅揭示物流发展的规模,更反映物流业的未来趋势和发展方向。本研究以长三角地区为例,选取了物流需求的影响因素构建指标体系,利用灰色理论对长三角地区2001—2022年原始数据进行灰色关联分析及灰色预测;构建灰色神经网络模型,并对长三角地区2023—2027年的物流需求量进行预测分析。研究结果表明:灰色神经网络组合预测模型具有更高的精确性,预测结果可以为长三角地区物流的规划和发展提供一定的数据支持和决策参考。

改进灰色神经网络导航在无人机巡线中的应用

为了消除无人机导航系统的误差,本文设计了改进灰色神经网络GNSS/SINS无人机电力巡线导航系统,基于Kalman算法对GNSS和SINS这2种导航数据进行融合。在GNSS信号缺失的情况下,改进灰色神经网络来预测缺失部分的数据,再结合SINS的数据对无人机的位置进行精准预测。算法设计完成后,运用MATLAB软件模拟验证系统算法的功能。结果显示,其位置预测数据精度良好,证明该系统能够提升无人机的导航效果。

基于灰色-BP神经网络安徽省二氧化碳排放量预测研究

为顺利实现2030年前碳达峰目标,研究安徽省二氧化碳排放量的主要影响因素和预测模型可促进其制定合理的减碳政策,本文先使用灰色关联系数用于筛选出安徽省二氧化碳排放主要影响因素,构建BP神经网络中的输入层,再利用训练完成的BP神经网络预测安徽省二氧化碳量。选取近23年数据进行相关验算,预测结果表明:1) 与GM (1, 1)和BP神经网络模型进行对比,组合预测模型平均绝对百分比误差为1.14%,该模型具有良好的预测效果;2) 利用该模型预测出安徽省2023至2027年二氧化碳排放量,与往年相比,二氧化碳增加较少,趋于稳定,得到一定的控制。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于灰色关联分析法的BP神经网络预测机械通风冷却塔出水温度研究

通过灰色关联度分析法对影响冷却塔出水温度的10项参数进行筛选,确定以进水温度、循环水量、冷却塔运行台数、环境湿度、环境温度、风机运行频率和风机运行台等7项权重占比高的因子作为输入层,根据Kolmogorov定理得出5个神经元的隐含层,以冷却塔出水温度为输出层,以100组实验数据为样本,进行三层结构的BP神经网络预测模型构建。结果显示:预测值与实验值吻合良好,相关系数为0.987 49,平均相对误差(MAE)为0.33%,均方根误差(RMSE)为0.014 5,该模型可以有效预测该实验冷却塔在不同条件下的性能特征。

基于图神经网络的多智能体路径规划方法

在多智能体路径规划问题中,每个智能体需要互相协调来完成共同的全局目标,智能体之间通常需要显式的通信策略。传统的多智能体路径规划算法受限于实时性、扩展性、不完全通信等问题,很难适用于复杂的工作环境中。为了解决多智能体工作环境中的通信问题,本文提出了一种基于图神经网络(GNN)的路径规划方法。该方法首先通过卷积神经网络(CNN)在局部观测中采集特征数据,由图神经网络在智能体之间传递这些数据。其次,为了减少智能体的惰性,提出了一种新的奖励函数,鼓励智能体更积极地探索并学习有效的协调策略。接着通过集中式收集数据训练、分布式执行提高学习效率。最后,进行多个环境下的仿真实验评估本文提出的算法,并与其他算法进行对比,验证了算法的有效性和可扩展性。

基于改进灰色神经网络的往复式压缩机振动趋势预测模型

往复式压缩机振动趋势预测是往复式压缩机状态识别的重要技术研究内容。针对往复式压缩机振动信号特征样本少、非平稳、非线性等原因,提出了基于改进灰色神经网络的压缩机振动趋势预测算法。该方法首先提取往复式压缩机振动特征,利用遗传算法优化灰色神经网络并建立预测模型,将振动特征作为模型输入,形成了往复式压缩机振动趋势预测新模型(GA-灰色神经网络模型)。对某往复式压缩机输入主轴轴承部位振动测试实验分析表明,新模型与灰色GM(1,1)模型、灰色神经网络模型相比,具有更高的预测精度。灰色GM(1,1)模型预测值与实际值相比,相对误差高达21%~27%灰色神经网络模型的预测误差为14%~19%;新模型与实际值吻合良好,相对误差小于12%,其预测精度最高,更适合用于往复式压缩机振动趋势的状态预测和评判。

基于灰色BP神经网络的宁波舟山港集装箱吞吐量预测

为验证灰色BP神经网络组合模型在预测港口集装箱吞吐量预测中的有效性,以宁波舟山港为例,选取了2006-2020年港口集装箱吞吐量原始数据进行分析。首先运用灰色关联度法筛选出影响集装箱吞吐量的3个一级指标,共计13个主要因素;然后通过GM(1,1)模型得到主要因素预测值,再经BP神经网络训练后得到2021-2025年的港口集装箱吞吐量。实证结果表明,该组合模型预测拟合精度达到97.951%,预测效果较好,可对宁波舟山港未来建设和发展规划起到数据支持作用。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于粒子群优化神经网络的变压器故障诊断方法

针对传统变压器故障诊断方法存在处理效率低、诊断结果主观性强的问题,提出一种改进的粒子群(PSO)-BP神经网络变压器故障诊断方法,对智能变压器故障诊断方法展开研究。首先,采用无编码比值法,选用变压器油中各类溶解气体的比值来更准确地区分故障类型;其次,根据所选的测试集气体比值信息,利用灰色关联度法选出与测试集信息特征相似度高的信息作为训练集,剔除冗余信息,优化样本数据;最后,构建PSO-BP变压器故障诊断模型,利用改进的PSO算法优化BP神经网络中的权值和阈值,使诊断模型拥有更快的诊断速度和更高的准确率。使用采集的变压器油中溶解气体信息训练诊断网络,与传统BP神经网络法进行对比。结果表明,所提方法对变压器故障诊断的准确率明显提高。