基于BP神经网络和二次指数平滑法组合预测模型的安徽省物流需求预测

为准确预测安徽省的物流需求,从经济发展、产量结构、地区贸易和消费水平4方面选取安徽省的地区生产总值,第一、二、三产业产值,社会消费品零售总额,固定资产投资,人均消费性支出7个影响因素作为安徽省物流需求评价指标,以安徽省货运量作为物流需求规模输出指标,采用灰色关联分析计算安徽省物流需求评价指标与物流需求规模间的关联度,判断评价指标的合理性。通过夏普利值法将BP神经网络预测模型和二次指数平滑法预测模型组合,预测2017—2021年安徽省物流需求。结果表明:BP神经网络预测模型、二次指数平滑法预测模型及二者的组合预测模型预测结果的平均相对误差分别为4.58%、6.70%、3.99%,组合预测模型的平均相对误差最小。通过组合预测模型预测2022—2024年安徽省物流需求分别为405 004.96万t、407 142.09万t、409 108.95万t,安徽省货运量呈持续增长趋势,但增幅降低。安徽省应加快传统物流向智慧物流的转移速度,扩大内需,加强物流枢纽城市间的联系,加速区域一体化发展步伐,确保物流高质量发展。

小波降噪及改进遗传算法的BP神经网络在基坑变形中的组合应用

以某市人民医院基坑工程为例,针对实测数据建立实测数据结合BP神经网络预测模型,小波降噪结合BP神经网络模型和小波降噪结合改进遗传算法优化的BP神经网络模型,并利用误差分析理论对基坑变形数据预测效果评价。结果表明:对比3种模型实际处理、预测数据能力,实测数据结合BP神经网络模型预测精度在1%-4%之间,小波降噪结合BP神经网络模型预测精度1%-2%之间,小波降噪结合改进遗传算法优化的BP神经网络模型预测精度在1%以内,小波降噪结合改进遗传算法优化的BP神经网络模型的预测准确率最高。针对基坑变形监测,小波降噪结合改进遗传算法优化的BP神经网络模型具有更高预测精度,可为类似工程提供实际参考。

基于BP神经网络组合模型的GPS高程拟合

为了提高BP(backpropagation)神经网络的高程拟合精度,本文在BP神经网络高程拟合方法的基础上引入了模拟退火算法(SimulatedAnnealing,SA),组成新的SA-BP高程拟合方法。该组合方法充分发挥了SA算法的全局寻优的优势,优化了BP神经网络拟合方法的初始值以及权值与阈值。将本文提出的组合高程拟合方法应用于平坦测区及复杂测区实测GPS水准点高程数据中,实验结果表明,本文提出的组合高程拟合方法可对实验高程数据进行有效拟合,拟合精度较传统的曲面拟合方法与BP神经网络方法更高,验证了本文提出方法的可靠性、优越性以及针对不同地势条件的良好适应性。

基于BP和RBF神经网络的折叠网壳帐篷风压系数预测对比研究

为了全面掌握折叠网壳帐篷风荷载分布特性,分别利用BP神经网络和RBF神经网络对折叠帐篷在风速为20m/s时风向角0°、45°、90°三种工况下风压系数进行预测对比分析。与风洞试验结果相比,BP神经网络和RBF神经网络在折叠帐篷风压系数的分布趋势均能够达到较好的吻合。在风压系数的定量分析上,RBF神经网络在时间效率和准确性上均比BP神经网络表现更好。两种神经网络模型在风压系数预测上的优缺点,可为类似工程神经网络模型构建提供参考。

基于BP神经网络和SSA-SVM的接地网腐蚀速率组合预测

为提高接地网腐蚀速率预测精度,提出了一种接地网腐蚀速率组合预测方法。首先,采用SSA算法对SVM进行优化,建立接地网SSA-SVM腐蚀预测速率模型;然后,采用6-11-1的BP神经网络对SSA-SVM模型的预测残差进行修正,建立了基于BP神经网络和SSA-SVM的接地网腐蚀速率组合预测模型;最后,采用接地网腐蚀实验数据进行算例分析。结果表明,所提接地网腐蚀速率组合模型预测结果的均方根误差、平均相对误差和相关系数分别为0.192、4.98%和0.974 6,在模型稳定性、预测精度、预测结果与实际值的相关性均优于其他模型,验证了所提模型的正确性和优越性。

基于神经网络的船舶综合电力系统负荷组合预测研究

随着纯电动船舶的高速发展,其用电负荷在电力市场交易中的影响日渐突出,为此该文提出一种船舶综合电力系统负荷神经网络组合预测方法,旨在提高预测精度。首先,分析纯电动船舶综合电力系统在多种工况下的负荷特性。然后,研究基于典型神经网络的船舶综合电力系统负荷预测方法,揭示其在复杂工况下预测的局限性。针对以上问题,提出了基于BP和RBF神经网络相结合的船舶综合电力系统负荷组合预测方法。此组合预测方法集合了BP和RBF神经网络模型的优势,提高了预测模型的泛化能力和容错率。最后,以江苏某纯电动船舶为实际算例,针对复杂工况下的船舶综合电力系统负荷进行对比预测。结果表明,所提方法与单一预测算法相比,预测精度从96.63%提高至98.98%。

神经网络在组合式ADCP在线测流系统中的应用

针对长江下游感潮河段受潮汐影响导致流量测报精度不高的问题,分析探究了多元线性回归模型和BP神经网络模型利用ADCP流速指标推算断面平均流速的适用性。以南京水文实验站2020~2021年实测6组全潮测验数据为例,设计了3种研究方案,分别对比分析了多元线性回归模型和BP神经网络模型的精度。结果表明:仅考虑ADCP指标流速而言,BP神经网络模型推算精度更高。同时,适当增加相关训练数据类别能够获得更好的拟合效果。研究成果可为神经网络模型与传统水文测验方法相结合提供研究思路。

基于改进BP神经网络的软土路基沉降预测研究

结合软土路基沉降观测值,分别从精度、安全性和预测期限等角度对双曲线模型、S型成长曲线模型和BP神经网络进行适用性分析。为了提高沉降预测精度、克服传统BP神经网络缺陷,采用LM优化算法改进BP神经网络,验证了LM算法的优越性,在此基础上建立了一种考虑趋势部分和随机部分的组合预测模型。该模型既符合路基沉降的发展规律,又能够充分利用BP神经网络的非线性外推能力,弥补趋势函数的精度下降。工程实例研究表明,该模型优于各单一预测模型,具有很好的预测效果,均方差为0.03,残差平方和为1.8,相关系数接近1。

优化灰色BP神经网络组合模型在基坑沉降监测中的应用

基坑沉降监测是基坑工程施工中的一个重要环节.为准确预测基坑沉降,采用优化灰色GOM(1,1)模型与BP神经网络组合预测.GOM(1,1)模型是在GM(1,1)模型原理上对其参数进行优化,使拟合值接近观测值,BP神经网络具有较强的非线性数据处理能力,优化组合模型结合两者优点应用于基坑沉降监测,得出优化后的组合模型对基坑沉降数据预测优于普通组合模型.

基于神经网络组合模型的大坝变形预测研究

大坝变形对坝体的稳定性和安全性有着重要影响,在多种环境影响下,大坝变形呈现出非稳定性和非线性的特点。为了精准预测大坝变形,研究提出LDM-BRF神经网络组合模型,并将大坝变形实测值和常见的网络模型预测结果进行对比。结果表明,LDM-BRF神经网络模型得出的大坝变形预测结果的均方根误差、平均绝对误差百分比、平均绝对误差低于另外两种模型;LDM-BRF神经网络组合模型得出的大坝变形预测值与实际监测值较为接近,预测效果较好,可进行应用推广。

基于BP神经网络的电池容量估计

电池充足的容量是保障通信基站电池储能系统稳定运行的关键因素之一。通信基站按照要求每年进行例行核对性放电,该方法人工成本较高。本文提出一种基于BP神经网络的电池容量估计算法,利用大量的电池放电过程中电压变化数据建立电池模型,实现对电池容量的估计。

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EWM-AHP-BP神经网络的地区电网电压无功组合评价

为量化评估新能源接入对地区电网电压无功运行状态的影响,提出一种基于EWM-AHP-BP(entropy weight method-analytic hierarchy process-BP)神经网络的地区电网电压无功组合评价方法。建立考虑电压合格率、电压波动、功率因数合格率、无功储备4项指标的电压无功综合评价模型,通过新能源与负荷运行数据聚类划分典型场景,采用熵权-层次分析组合方法对多场景下的评价模型打分,评价结果作为BP神经网络的样本进行训练。提出的组合评价方法简化了多目标评价的指标权重计算过程,实现了权重随数据变化的自适应调整,有效提升了计算效率。以某实际地区电网为例进行仿真,对历史数据进行样本训练和评价分析,验证了该方法的有效性。

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明:BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。

基于BP人工神经网络的学术期刊组合评价

在学术期刊评价中,组合评价得到了广泛应用,但组合评价方法和多属性评价方法均可用于组合评价问题,从而加剧了组合评价的复杂性,这种现象被称为组合评价悖论。为了解决这个问题,文章提出采用BP人工神经网络进行组合评价的思路,基于JCR2017经济学期刊,分别采用主成分分析、因子分析、TOPSIS进行单一评价,然后采用BP人工神经网络进行组合评价,并对评价效果进行分析。研究结果表明:组合评价悖论是学术评价中面临的新问题;BP人工神经网络是一种全新的组合方法,具有充分尊重单一多属性评价方法、精度高的优点,很大程度上解决了组合评价悖论问题;BP人工神经网络让评价重点重新回归到多属性评价,避免了评价方法过度技术化;BP人工神经网络组合评价不适合小样本。

基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型

针对当前犯罪预测模型无法捕捉到犯罪时序数据的复合特征且无法及时反应环境变化等问题,提出基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型。该模型将SARIMA和GRU对犯罪数量的预测结果通过BP网络实现非线性组合,采用反向传播算法进行权重学习,将各层神经元所确定的权重矩阵作为两种方法在组合预测中的比重,综合利用SARIMA模型在线性时序预测中的优势和GRU网络在非线性特征挖掘上的优势,从而获得更好的预测结果。通过温哥华和旧金山的真实犯罪数据对组合后的模型与其他模型进行对比实验,结果表明,基于BP神经网络非线性组合的SARIMA-GRU模型可以捕捉到犯罪时序数据的复合特征,与其他模型相比具有更高的准确率。

基于改进果蝇优化算法的BP神经网络在组合梁钢构件定位中的应用

为提高桥梁钢构件的安装精度,建立了基于改进果蝇优化算法的BP神经网络,实现了对钢构件空间坐标的精确预测。在果蝇算法中,引入Logistic映射以优化果蝇种群初始位置,增加混沌动态权重和多种群协同搜索用于加强算法的全局搜索和局部探索能力,有效改进了BP神经网络在处理复杂工程问题时训练时间长和精度低等问题。改进后的BP神经网络可对影响钢构件定位的多个变量进行识别,并筛选出其中的关键变量。结合某波形钢腹板-预应力混凝土组合梁矮塔斜拉桥的工程实例,利用优化后的神经网络对即将施工节段的钢腹板和钢锚箱的空间坐标进行预测。研究表明:经过施工过程验证,该桥钢锚箱与波形钢腹板开孔连接件的孔轴误差、钢锚箱拉索套管误差等问题得到了大幅改善,体现了改进的BP网络在准确预测钢构件的空间坐标。

基于RBF-BP组合神经网络的地震预测研究

针对地震预测中预测因子高度非线性、训练样本数量有限及分布不均匀的问题,提出采用RBF-BP组合人工神经网络对地震预测因子样本进行建模和预测,并用RBF神经网络初步训练预测因子样本,将训练结果输入BP神经网络,根据期望输出值加强训练。实例分析表明,该预测方法可行并能有效提高地震预测精度。

基于RBF-BP组合神经网络的短期风电功率预测研究

为提高风电输出功率预测精度,提出一种基于RBF-BP组合神经网络模型的短期风电功率预测方法。在考虑尾流等因素影响的基础上,对风速进行预处理。根据相关历史数据,建立RBF-BP组合神经网络短期风电功率预测模型,对风电输出功率进行预测。仿真分析结果表明,该预测方法能有效提高风电输出功率预测精度。

基于人工神经网络的梯形闸门流量计算模型

对新型平板闸门——梯形闸门自由出流和淹没出流的过闸流量进行计算。基于反向传播(BP)神经网络和径向基函数(RBF)神经网络建立了多变量、多组合单输出的流量计算模型,模型输入变量为边坡系数、闸门开度、闸前总水头、水力半径、闸后收缩水深、下游渠道水深,输出变量为实测流量,利用试验实测数据集对模型进行训练和检验,充分验证后发现2种人工神经网络模型的预测效果良好。人工神经网络模型在梯形闸门自由出流和淹没出流的流量计算上适应性好、预测精度高,对灌区各级渠系上设置的梯形闸门过闸流量可以进行精确预测,实现精准控流。