一种改进的BP算法及在降水预报中的应用

传统BP(back propagation)算法在实际应用中具有网络结构参数和学习训练参数难以确定、泛化能力差、训练学习易陷入局部极小点等问题。该文在传统BP算法的基础上,提出一种改进算法,在训练过程中能自动确定各种参数,并避免陷入局部极小点,提高网络的泛化能力。利用2003—2005年5—9月中国国家气象中心T213的数值预报产品,通过动力诊断得出反映降水的物理量,然后从中挑选出与降水关系较好的25个因子,连同中国国家气象中心T213模式、日本气象厅业务模式和德国气象局业务模式相应的降水量预报结果作为预报因子。采用改进的BP算法建立江淮流域68个站24 h降水(08:00—08:00,北京时)3个等级(降水量≥0.1 mm,降水量≥10 mm,降水量≥25 mm)的预报模型。通过对2006—2007年5—9月68个站试报结果表明:改进BP算法对降水预报的TS评分大大高于传统BP算法,也高于几种模式的降水预报结果,同时,改进算法使降水预报的平均空报率、漏报率明显降低。

基于BP神经网络的城市水灾灾情预测模型

洪灾灾情预测是保险公司财产保险防灾减损工作的重要内容,它有效地预测出受灾的地区和强度,对于财产保险的费率制定、有效预防、及时施救和防灾预案编制有举足轻重的指导意义。采用了BP 神经网络进行灾情预测,在学习过程中结合了聚类,采用了S 函数输出限幅,引入了惯性因子,加快了学习的收敛速度,提高了预测的精度。

自适应BP算法及其在河道洪水预报上的应用

提出一种改进的BP算法 ,即自适应BP算法。该方法采用两种策略 :一是在权重修改公式中加动量项 ;二是学习率随总误差的变化作自适应调整 ,亦即总误差增加时 ,学习率将减小 ,反之学习率增大。以上两种策略能有效的抑制网络陷于局部极小并缩短了学习时间。实例研究表明 ,该算法用于河道洪水的预报 。

改进的模糊BP神经网络及在犯罪预测中的应用

为了提高犯罪预测的准确性,从而提高犯罪预防技术、以便更好地保护社会治安.采用模糊BP神经网络的一种新算法,通过对已有年份的犯罪数量进行分析,建立知识库,预测犯罪数量.试验数据结果显示:预测具有一定的准确性;同时采用聚类算法得到的隐层数和节点数也是十分准确的,增加了知识库运用的广泛性.该方法为犯罪的预测分析提供了一种新思路.

基于ANN和模糊控制相结合的电力负荷短期预测方法

提出了一种ANN与模糊控制（FC）相结合的电力负荷短期预测方法。通过优化训练样本、变步长和变动量因子来改进BP算法，并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。算例计算表明ANN与模糊控制相结合提高了预测精度。

基于模糊聚类和BP神经网络的流域洪水分类预报研究

传统的流域洪水预报大都通过率定一组水文模型参数来寻求一个流域径流形成的一般性或平均化规律,其预报精度需要进一步提高.用模糊聚类ISODATA迭代模型将历史洪水分为若干类型,进行水文预报模型参数的分类调试;并建立BP神经网络分类模型判断实时洪水所属类别,选择其相应类别的模型参数实现流域洪水的分类预报.在辽宁省大伙房水库流域的实际应用表明:此方法不但可以实现洪水实时在线分类而且提高了流域整体洪水预报精度,是一种为水库实时调度提供可靠依据的有效洪水预报方法.

新安江模型和改进BP神经网络模型在闽江水文预报中的应用

精确的水文预报是防洪减灾中重要的非工程措施,水文模型是开展水文预报最有力的工具。采用LM算法改进了的BP神经网络水文预报模型,以闽江富屯溪流域为例,进行了BP模型和新安江模型在日流量模拟预报中的应用比较。结果表明:两个模型总体均达到水文预报的精度要求,水文预报合格率可达到90%以上;新安江模型在丰水年模拟效果较好,相比而言,BP神经网络模型的模拟精度更高一些;两个模型均可用于闽江流域的水文预报研究。

基于气象因子Fuzzy模糊处理的短期电力负荷预测

电力短期负荷预测受各种气象因素的影响,这导致短期电力负荷预测准确度不高。使用模糊逻辑处理温度、湿度和风速的三种影响因素,把它们转化为能被BP神经网络输入识别的具体的数据。该网络经过训练后,得到合适的权值。利用该模糊神经网络,测试电力日负荷数据,预测的平均误差约在±1.69%。

基于改进BP网络模型的洪水预报研究

针对目前神经网络应用于洪水预报时存在的不足,引入遗传算法、模糊神经网络对BP网络模型进行了改进,建立了基于改进BP网络模型的洪水预报模型,并将改进的BP网络模型应用于文峪河洪水过程的预报。预测结果表明,过程预报合格率达93．54%。达到了水文预报规范的要求;与传统BP网络相比,改进算法可提高洪峰的预报精度。

基于遗传算法和模糊聚类算法的改进BP神经网络风速预测

针对BP神经网络风速预测中存在的结构不确定以及网络过度拟合的问题,利用遗传算法的全局搜索能力和模糊聚类算法的数据筛选能力,分别对BP神经网络的结构与数据进行双重优化,提出了基于遗传算法和聚类算法的改进BP神经网络风速预测方法。仿真表明,改进风速后的预测方法大大提高了风速预测的准确性。

基于BP神经网络和遗传算法的丰满水库洪水预报模型研究

根据丰满水库的流域特性,尝试使用BP神经网络模型进行洪水预报。针对随机生成网络权重的盲目性,采用遗传算法进行初始权重优化。通过历史洪水检验,证实此模型在丰满水库的洪水预报中有很高的预报精度和应用价值。

基于粒子群优化的BP网络算法在渭河下游洪水预报中的应用

介绍了BP、粒子群、基于粒子群的BP三种人工神经网络模型,利用基本粒子群优化的BP算法,建立了渭河下游临潼至华县段人工神经网络模型。通过对1980～2005年洪水的率定和检验及对2006～2009年洪水的应用模拟,结果较好。本模型是对该河段洪水预报手段和方法的有益尝试和补充。

模糊聚类分析和代数算法结合的短期负荷预测

为了提高短期负荷预测速度和精度,提出了将模糊聚类分析和神经网络代数算法相结合的短期负荷预测方法。综合考虑天气、日类型、历史负荷等对未来负荷变化的影响,通过模糊聚类分析选取学习样本,找出同预测日相符的预测类别,采用神经网络代数算法训练样本,对24小时负荷(24点)每点建立一个预测模型。该方法充分发挥了神经网络和模糊理论处理非线性问题的能力,提高了学习效能,而且克服了传统BP算法存在的缺点。算例分析结果表明该方法有较高的预测精度,取得了令人满意的结果。

用模糊神经网络提高洪峰预报精度的研究

在大量研究的基础上,提出了基于模糊理论的神经网络改进算法,用来提高对洪峰的预报精度。该方法在网络训练时引入模糊理论来确定网络误差修改的程度。引入的算法增大了大值输出样本和期望输出的误差,使得网络向着提高洪峰拟合精度的方向修改权重。应用表明,改进的模糊BP神经网络能够较好的反映洪水演进机理,提高了神经网络洪水预报模型对洪峰的预报精度,保证了洪峰预报的可靠性。

智能预报模式与水文中长期智能预报方法

建立了以模糊优选、BP神经网络及遗传算法有机结合的智能预报模式与方法。在应用该方法进行中长期水文智能预报时,首先选取训练样本的数量,根据预报因子与预报对象的相关关系得到相对隶属度矩阵;再将其作为BP神经网络输入值以训练连接权重;最后将得到的连接权重值用于预报检验。计算结果表明,智能预报模式与方法的运行速度、精度及稳定性都达到了实际应用的要求。

三种神经网络在洪水预报中应用的比较

本文以四川省达州市州河流域的洪水为研究对象,分别采用标准BP算法、Levenberg-Marquart算法和遗传算法来建立洪水预报模型,并对预报结果进行了分析和比较.结果表明:三种算法之中,遗传算法所建立的模型的收敛速度最快,预测结果精度最高,能够避免网络陷入局部极小点.

一种短期电力负荷预测新方法的研究与应用

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。对山东地区1年的实际数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况(夏季典型日负荷)也有较好的预测精度。

基于模糊神经网络的网络成瘾预测

综合运用模糊数学和神经网络知识构建一个模糊神经网络模型,用以预测网络成瘾。确定了适宜的判别指标和分级标准,对评价论域进行模糊处理;建立各指标对不同论域等级隶属度的计算模型;以实际网络使用者为样本,应用改进的BP算法训练网络模型,并对6个受验样本进行成瘾判别以验证模型的准确性。该方法是对已有的单一指标判别法和用模糊数学对多个指标判别方法的改进。实验证明,改进的BP神经网络方法能够快速、准确、有效地识别网络成瘾模式。

基于模糊集的电力系统神经网络负荷预报研究

提出了电力系统短期负荷预报基于模糊集的神经网络方法 .该方法计及了天气和日期特征量 ,具有训练时间短预测精度高的特点 .采用两种学习算法 ,依据模糊集概念用某地区电网实际数据建立样本集后 ,对ANN进行了训练 ,通过分析比较得出了优化模型 .

天气数据模糊化处理对神经网络短期负荷预测模型的影响研究

介绍了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法,计及了天气和日期特征量.应用模糊集理论将天气和日期特征量模糊化后作为BP神经网络的一部分输入进行训练,同时考虑实际历史负荷数据构造了短期负荷预测模型,预测未来24 h负荷.通过典型算例与普通BP方法预测结果相比,表明该方法是有效的并具有较高的预测精度.