基于GM(1,1)模型和BP神经网络的四川省用电量预测

随着中国经济的快速增长,人民对能源的需求也在逐步增长。电能作为居民基本的生活能源,其是否能够充足稳定的供应决定了社会经济的运行。当在面对突发事件无法及时满足供电需求时,对于用电量的预测就成为了一种未雨绸缪的重要方法。本文基于GM(1,1)模型和BP神经网络建立了一种新的GM-ABP模型。我们将GM-ABP模型用于预测中国四川省年用电总量。本文提出的模型在GM(1,1)模型的基础上加以修正,利用Adam算法优化的BP神经网络对残差进行拟合。预测结果显示GM-ABP模型的预测精度均优于GM(1,1)模型和Adam-BP神经网络模型,且预测精度有较大提升。最后通过GM-ABP模型给出了四川省2021~2023年用电总量的预测值。

电子鼻融合BP神经网络预测玉米赤霉烯酮和黄曲霉毒素B_1含量模型研究

为探究玉米赤霉烯酮和黄曲霉毒素B_1的无损快速定量测定方法,用电子鼻对7级不同霉变程度玉米样品进行检测,并用理化分析方法分别测定霉变玉米中的玉米赤霉烯酮与黄曲霉毒素B_1含量;在提取电子鼻响应信号的积分值作为特征参量的前提下,采用BP神经网络建立不同霉变程度下玉米样品中的玉米赤霉烯酮与黄曲霉毒素B_1含量的预测模型。同时,为了获得较为可靠的BP神经网络预测模型,在神经网络结构不变的条件下,对比分析了不同训练集、测试集构建的预测模型。结果发现在各预测模型的70组测试样本中,相对误差控制在5%以内的样本数量都在60个以上,最大相对误差控制在15%以内,从而证明了BP神经网络预测模型的有效性、可靠性。该研究为实施玉米霉变毒素的快速无损检测提供了一种途径。

2.25Cr-1Mo-0.25V钢高温流变应力的BP神经网络模型

以2.25Cr-1Mo-0.25V钢热压缩实验得到的数据为样本,采用BP神经网络的方法建立了以应变、应变速率、变形温度为输入和流变应力为输出的流变应力模型,并采用遗传算法优化了网络的初始权值和阈值。结果表明,利用BP神经网络建立的2.25Cr-1Mo-0.25V钢热变形人工神经网络模型的可行性较高,拟合程度是0.52%。该模型较精确地预测了2.25Cr-1Mo-0.25V钢的高温流变行为,为更加合理地制定热工艺参数提供了依据。

基于一维卷积神经网络的列车异响识别系统研究

在列车行驶过程中,车内异响可作为反映车辆设备状态的信息源。为此提出一种基于1D-CNN的识别模型,对车辆异响进行识别,并设计列车异响识别系统。首先构建音频数据的试验样本库,然后利用MFCC提取异响数据样本的特征信息。针对列车噪声特征与车辆状态类型间的映射关系复杂、难解耦的问题,构建一种基于MFCC输入的1D-MCNN对异响所蕴含的故障信息进行识别分类。最后对识别模型进行实验与优化,确定MFCC阶数、学习率与批尺寸等模型参数,采用t-SNE算法、混淆矩阵进行模型特征提取的分析评价。试验结果表明该方法对列车异响识别诊断效果较好,准确率达98.38%。

基于神经网络和遗传算法的事例最近邻法检索模型

提出了基于自适应共振神经网络ART1模型进行事例的智能层次聚类和基于遗传算法 (GA)进行事例特征权值优化的解决方案。经过ART1网络的层次聚类形成事例库的层次智能存储组织 ,可有效缩小事例的搜索空间 ,提高检索效率。基于GA对特征权值优化可提高检索质量 ,防止检索出的相似度系数最大的事例并非最佳事例 ,即K NN收敛不到最佳解。因此所提方法的运用可有效提高CBR系统整体的检索效率与质量 。

非点源污染负荷预测的多变量灰色神经网络模型

【目的】建立一种对资料要求较少、精确度较高的非点源污染负荷多变量灰色神经网络预测模型,为有限资料条件下非点源污染负荷的预测提供支持。【方法】针对GM(1,N)模型在原始数据变化幅度较大且趋势不明显时预测效果较差的不足,提出并建立用人工神经网络对GM(1,N)模型的残差系列进行修正的改进模型,并将其应用于华县站总氮非点源污染负荷的预测。【结果】在华县站总氮非点源污染负荷预测中,灰色+BP神经网络组合模型拟合预测效果较好,建模阶段和检验阶段的确定性系数(Nash-suttcliffe模拟效率系数)分别为1.00和0.93,优于单独灰色模型或神经网络模型的预测效果。【结论】研究建立的多变量灰色神经网络模型综合了灰色理论和神经网络的优点,提高了模拟精度,为有限资料条件下非点源污染负荷的预测提供了一种有效的方法。

基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究

由于超超临界1 000MW机组过热蒸汽温度控制对象具有大滞后、非线性、动态参数随工况变化大等特点,使得传统的控制方法难以适应过热蒸汽温度的控制,出现过热蒸汽温度波动大,甚至超温等问题。对此,采用数据处理群集方法(GMDH)神经网络建立了过热蒸汽温度动态预测模型,以预测过热蒸汽温度的变化趋势。仿真结果表明,基于GMDH神经网络的过热蒸汽温度预测效果优于线性神经网络和BP神经网络,具有较好的移植性和实用性。

基于遗传算法优化的BP神经网络的组合预测模型方法研究

【目的】提出以传统猪瘟发病率为对象的组合预测模型。【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理,将初步处理结果作为优化后的BP神经网络输入构建组合模型。【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析,结果表明预测数据精度达到97.379%,较ARIMA模型,灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%,模型平稳性增强,预测结果良好。【结论】本研究为动物疫情测报提供了有效的分析手段,验证了组合模型在动物疫情研究中的可行性,并可为其它动物疫病提供借鉴和参考。

基于GM(1,1)-神经网络模型的安徽省财政收入预测

为分析安徽省财政收入增长趋势,选取2010-2019年与财政收入相关的影响因素的数据资料进行统计分析.采用Lasso回归法筛选出财政收入的主要影响因素,进一步建立财政收入主要影响因素的GM(1,1)预测模型,并根据神经网络模型预测出未来财政收入.结果表明,2010年至今安徽省财政收入呈现持续增长趋势,2020年安徽省财政收入预测值为64 480 128万元,2021年安徽省财政收入预测值为70 866 816万元.

灰色BP神经网络模型的优化及负荷预测

为了提高样本数据较少情况下中长期负荷预测的预测精度,分析了传统GM(1,1)预测模型的缺点,提出了一种适用于中长期负荷预测的GM(1,1)优化建模方法。用一个与GM(1,1)模型的时间响应式具有相同形式的连续函数,拟合灰色系统的原始离散数据,将连续函数映射到神经网络,构建了GM(1,1)模型的灰参数与BP网络权值的对应关系。用已知负荷作为训练样本,利用BP算法对网络进行优化,当网络收敛时,提取优化的灰参数,实现了应用GM(1,1)模型对中长期负荷预测的优化建模。算例分析结果表明该方法是可行且有效的。

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路[1],本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM(1,1)模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。

基于神经网络的重载列车缓冲器模型

以试验数据为基础,利用BP神经网络快速准确地建立缓冲器模型,对不同冲击速度下的单车碰撞试验进行模拟仿真,并与试验结果作对比.结果表明:所建模型拟合出缓冲器工作过程的曲线形式与试验曲线形式相似性较高;所拟合的最大阻抗力与试验最大阻抗力误差基本在10%以内,发生位置误差小于1 mm.构建的缓冲器数学模型有利于进一步对HM-1型与HM-2型重载货车缓冲器力学特性的研究,也可以用于其他型缓冲器,利用试验数据构造缓冲器模型.为重载列车缓冲器的试验结果处理、缓冲器模型建立以及重载列车纵向动力学研究开辟了新途径.

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。

模拟视觉系统的非负稀疏编码神经网络模型

非负稀疏编码(NNSC)神经网络模型能够有效模拟人脑初级视觉系统主视皮层V1区神经元的感受野,有效抽取自然界的特征,目前已在图像处理领域中得到广泛应用.考虑NNSC建模过程中稀疏先验分布的选取、特征基矩阵的稀疏度约束、特征基的最大化代表性、图像数据类别先验信息等主要因素,主要讨论了基于正态逆高斯(NIG)密度的双层反馈NNSC(NIG-N NSC)模型、基于局部特征的NNSC(LNNSC)模型以及基于Fisher线性判据的NNSC(FLD-NNSC)模型.研究结果表明,拓展的NNSC模型在图像特征提取、图像消噪和图像恢复中具有一定的实用性.

基于神经网络方法的C波段和Ku波段统一地球物理模型

通过地球物理模型建立后向散射系数与海面风矢量的关系,可将散射计从不同方位角测得的风矢量单元后向散射系数反演得到风矢量,因此地球物理模型在风速反演中起着至关重要的作用。使用神经网络方法,利用C波段经验模型CMOD4和Ku波段经验模型QSCAT—1仿真数据建立了形式统一的C波段和Ku波段地球物理模型。新模型将电磁波频率作为模型的参数之一,使新模型不再局限于特定的传感器,并使C波段与Ku波段具有统一的形式。分析表明,由新模型建立的后向散射系数与海面风矢量的关系同经验模型具有很好的可比性。利用新模型反演的风速与CMOD4和QSCAT—1模型反演的风速具有很好的一致性,说明新模型在具有统一简洁形式的同时也兼有与经验统计模型相同的有效性。

基于灰色神经网络模型的径流模拟与应用

通过对实测年径流系列进行相关影响因子的灰关联度分析,建立了GM(1,N)模型,利用BP神经网络模型对残差值进行拟合修正,构建了一个基于GM(1,N)的灰色神经网络预测模型.结合实例的计算结果表明,该模型可提高年径流模拟精度.

灰色误差神经网络模型在预测中的应用研究

在分析GM(1,1)模型的建模机理的基础上,指出了传统建模方法的不足,即发现了预测数据序列中的第一点的值并不能用原始数据序列中第一点的值来代替,因为存在误差,同时给出了误差项的一般表达式,然后基于BP神经网络对误差项进行优化模型。结果表明,该模型拟合误差小,预测精度高。

基于灰色BP神经网络的中国人口预测模型

基于"国家人口发展战略研究报告"中的数据,采用"小波去噪"处理方法,建立GM(1,1)模型与BP神经网络相结合的灰色神经网络模型,对中国人口结构、分布、出生率、自然增长率、数量、抚养比例、男女比例等七个指标进行预测,并对预测结果运用PP样条拟合进行计算机模拟。

灰色神经网络模型在河南省未来人口总量预测中的应用

人口预测对经济社会的发展有着非常重要的作用。本文在灰色GM(1,1)模型基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省未来人口总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。结果证明了该组合模型的优势,具有较好的预测精度,预测结果是可信的。

轴类零件设计耦合神经网络的实例分类模型

提出了一种基于神经网络的轴类零件设计实例分类策略 ,建立了实例的三级分类模型 :采用 ART1网络实现实例的二级聚类 ,BP网络实现三级分类。该方法的优点在于求解简单快速 ,效率高以及基于神经网络的分类算法的鲁棒性。