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。

反向传播-人工神经网络在辐照黑椒牛肉品质预测中的应用

为探究不同辐照处理对贮藏过程中黑椒牛肉品质变化的影响,建立基于理化指标的多种品质预测模型。3~4 kGy的辐照剂量能够有效延缓黑椒牛肉在贮藏过程中的汁液流失、脂质氧化和蛋白质降解,保持其硬度和微观结构,在一定程度上增加呈鲜味(Asp)和甜味(Gly、Ala、Ser)游离氨基酸的含量。以辐照黑椒牛肉的汁液流失率、硫代巴比妥酸反应产物值、总挥发性盐基氮值、原肌球蛋白条带强度比率、肌球蛋白重链条带强度比率和总游离氨基酸含量为输入变量,优化了反向传播-人工神经网络(backpropagation-artificial neural network,BP-ANN)模型。训练函数为ReLU函数,隐藏层神经元个数为14个,迭代次数100次。结果表明,6-14-6 BP-ANN模型可以较好地预测辐照黑椒牛肉的品质变化,该模型在预测辐照肉制品的多种品质方面具有很大潜力。

基于GA-灰色BP神经网络船舶备件需求预测模型

船舶维修备件的及时保障是船舶设备正常生产作业的保证,备件需求量的准确预测对于航运公司降低运营成本、提高管理效率起着至关重要的作用。文章从某船设备维修备件的历史数据进行分析,构建一种基于灰色模型的多层前馈(BP)神经网络模型,并采用遗传算法(GA)进行优化。首先对船舶设备备件需求影响因素进行分析,通过灰色模型确定备件需求的关键指标,并将结果作为BP神经网络的输入层,从而输出需求预测值。与灰色模型、GA-BP模型预测值对比发现,基于GA-灰色BP神经网络组合模型对于船舶备件的需求预测精度误差仅为0.147%。结果表明,使用GA优化可以提高灰色BP神经网络的预测精度,为船舶维修备件需求预测提供了一种新思路。

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。

基于灰色-小波神经网络模型的铁路路基沉降预测分析

铁路路基变形监测贯穿于整个项目的设计、施工和运行,因此其工后沉降变形分析对于安全化工程施工和管理具有重要的意义。该文结合工程实例,基于灰色模型、小波神经网络模型的相关理论对铁路路基沉降进行预测分析,数据结果表明两者预测效果均接近实测值,但组合模型比单一灰色模型预测精度质量有所提高,稳定性好。

施工场景下灰色小波神经网络短时交通量预测模型研究

在城市道路施工场景下应用短时交通量预测对提高施工区域交通效率及安全水平至关重要。考虑到施工场景下短时交通量历史样本量小且样本呈现非线性的特点,引入灰色预测模型,构建施工场景下的灰色小波神经网络短时交通量预测模型。以行宫西大街由西向东断面的交通量数据为例,分别基于小波神经网络短时交通量预测模型、灰色小波神经网络短时交通量预测模型,利用Matlab进行训练。结果显示,灰色小波神经网络短时交通量预测结果的平均绝对误差、平均相对误差和均方误差相较于小波神经网络短时交通量预测模型,分别降低了74.14%、75.21%和92.70%,该模型对城市道路施工场景下的短时交通量预测精确度更高。

灰色-神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项,建立灰色-神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测,证明该模型的有效性及可行性。

灰色-进化神经网络模型在深埋隧道围岩变形预测中的应用

由于深埋隧道围岩的变形受到构造、应力场、地下水、开挖方式等复杂因素的综合影响,具有位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将隧道围岩位移量分解成具有确定性的趋势项和具有不确定性的随机项。建立灰色–进化神经网络模型对趋势项和随机项进行预测,既结合GM(1,1)模型较好预测序列增长趋势的特点,又结合神经网络利用自适应实现网络总体误差最小的特点,进而解决了单一利用GM(1,1)模型时预测值的随机偏离量较大的问题,保证了预测的精度。将该模型应用于基于实测位移资料的堡镇隧道围岩水平收敛位移短期预测,较好地揭示了隧道围岩收敛位移演化的规律,为合理选取二次衬砌时机提供了参考。

灰色-神经网络综合预测模型

该文提出一种灰色-神经网络综合预测模型。该模型由背景值构造、加权GM(1,1)模型和神经网络补偿器三部分组成。其建模机理为:首先对于原始数列进行背景值构造,然后构建加权GM(1,1)模型,同时利用神经网络补偿器获得误差补偿信号,则最终的预测值为加权GM模型的输出值加上补偿值。仿真结果验证了所提方法的有效性。

基于灰色-BP神经网络组合模型的水位预测案例

为了提高水位预测的精确度,提出一种将灰色模型和神经网络模型相结合的灰色-BP神经网络预测方法。该方法通过分别计算灰色模型和神经网络模型预测结果的均方误差,按照误差计算权重并重新组合,得到最终的预测结果。研究证明,该方法比灰色模型和神经网络模型预测精度高,预报结果更加接近实测值。

改进BP神经网络的混凝土构件承载力预测仿真

受到多种因素的影响,大直径混凝土受弯构件在使用期间其承载力将发生变化,为此提出大直径混凝土受弯构件承载力预测方法。确定影响大直径混凝土受弯构件承载力的五大因素,将影响因素作为输入建立用于大直径混凝土受弯构件承载力预测的BP神经网络模型,通过模拟退火-粒子群混合算法优化BP神经网络模型参数,并使用优化后BP神经网络模型完成大直径混凝土受弯构件承载力预测。实验结果表明,所提方法的大直径混凝土受弯构件承载力预测精度和效率更高,整体应用效果更好。

油田产量灰色-神经网络混合预测模型研究

提出将灰色预测与神经网络预测结合起来,建立灰色-神经网络混合预测模型,对油田产量进行预测。此方法是指以灰色预测为主,采用神经网络预测对其补偿的预测方法。模型的工作过程是,首先建立既考虑油田产量自身变化规律又考虑其影响因素变化对产量的影响的灰色预测模型,然后利用神经网络识别灰色预测所得的预测值和实际产量值之间的未知关系,去修正灰色预测模型所得的预测值。实例表明,这种方法不仅能够在很大程度上提高灰色模型预测的精度,而且扩展了灰色模型预测的应用范围。

无偏灰色—BP神经网络组合模型在变形预测中的应用

在传统灰色预测模型和BP神经网络模型的基础上提出了一种新的组合模型来对变形监测中的沉降进行预测。运用无偏灰色-BP神经网络组合模型,兼顾了灰色预测模型计算样本少、计算简单和BP神经网络自组织、自适应的预测能力等优点,并通过实验结果证明,利用该组合模型方法预测结果的精度明显优于单纯的灰色模型和无偏灰色模型。

灰色DGM(2,1)与BP神经网络的组合预测模型研究

针对贫信息、不确定性,以及数据量少的问题,提出了一种灰色DGM(2,1)与BP神经网络组合预测模型。首先将原始数据分组建立灰色DGM(2,1)模型组,并得到每个模型组的拟合值,然后,将拟合值作为BP神经网络的输入样本,以原始数据为导师值训练BP神经网络,最后,使用训练后BP神经网络模型进行预测,从而高效利用数据。在预测养老保险缴费的场景下,灰色DGM(2,1)与BP神经网络的组合预测模型的预测平均误差降低0.012。仿真结果表明,该组合预测模型具有较高的预测精度和较好的稳定性。

灰色-BP神经网络模型预测区域气温

本文旨在提出更为准确的区域气温预测方法。预测试验基于我国广东省深圳市某一时间段内的气温数据,尝试运用了灰色-BP神经网络模型对未来648个时间点(规定1个小时为一个预测时间点)的气温情况进行预测。通过软件仿真得到预测结果,并对预测结果进行了定性评估。仿真发现,该预测方法兼具BP神经网络和灰色模型的特长,能有效提高区域气温预测的精度。

基于灰色-BP神经网络的福州市年平均气温预测模型

年平均气温是反映气候变化的重要指标,随着全球气候变暖的逐步加剧,对未来气温的预测显得尤为重要.然而,目前采用线性关系的预测模型,在研究像气温这样波动性较大的对象且样本数量较少时准确性欠佳.灰色模型可以在少样本的情况下做出准确的预测,BP神经网络模型具有较强的非线性的优点,建立灰色-BP神经网络的组合模型,以福州市年平均气温为研究对象,对未来年平均气温的走势做出更为准确的预测,可为人们的生产生活提出合理的建议.

基于灰色-BP神经网络组合模型的赣南脐橙产量预测分析

赣南脐橙产量变动的随机性、波动性和复杂性,给脐橙产量的预测带来了很大的困扰。将灰色-BP神经网络加以组合,采用2004年至2013年赣州市赣南脐橙产量数据,对赣南脐橙未来产量进行预测。通过MATLAB计算,结果表明:灰色-BP网络组合预测模型精度高于传统灰色预测模型,且2014年至2016年赣州市赣南脐橙产量预达到171.34万t,190.81万t,212.49万t。