基于主分量分析和遗传神经网络的电力负荷预测

针对中长期电力负荷预测受经济、人口、天气、政策的影响密切的问题,为了保证预测的准确性和快速性,应当将这些影响因素全部考虑进来作为预测模型的输入。首先通过主分量分析法在保证不丢失输入信息的情况下将输入的维数降低,然后使用遗传算法优化网络的权值和阈值,最后用L-M贝叶斯正则化BP算法训练网络,并与传统的只考虑经济因素的预测方法的训练结果进行了比较。通过《重庆统计年鉴》统计的数据仿真,结果表明本文提出的预测方法的预测精度更高。

基于多目标分层遗传模糊建模的磨矿过程溢流粒度软测量

提出一种基于多目标分层遗传算法的模糊系统对溢流粒度进行软测量,该方法将模糊系统分为4层,即输入层、隶属度层、规则库层和系统集成层.为了达到各层共同进化的目的,设计遗传算法各层编码策略,构建基于平均绝对百分误差和均方根误差的优化目标函数,并采用该函数计算各层个体的适应度.鉴于模糊模型训练过程中可能出现异常解,将L-M贝叶斯正则化方法融入训练过程.对磨矿生产数据的仿真实验验证了所提出方法的有效性.