基于LM-BP神经网络的黑河龙电渠流量推测研究

本文通过分析总结内陆流域黑河水系干流莺落峡龙电渠测验断面水文特点以及流量测验现存问题,提出应用matlab编程软件设计LM-BP神经网络预测模型的方法;采用有导师训练方式,并获取历史实测流量测验资料中点流速和平均流速数据做为样本集,对网络模型的设计、训练和测试做了研究和分析。根据网络仿真和测试结果可以得出,在误差允许范围之内,黑河龙电渠测验断面流量测验采用"五线一点"法的测验方案和LM-BP神经网络模型推测流量的方法,其推测值精度较高,且具有一定的推广应用价值。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。