基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于混沌理论和RBF神经网络算法的风电功率预测研究

风电功率预测对并网后电力系统的发电量调度、优化以及安全稳定地运行具有重要意义。通常算法是通过分析风功率与天气因素的关系等方法来预测的,没有从风机发电系统的角度出发。因此,传统算法使用的数据种类较多,导致模型的训练压力较大,且容易陷入局部极小值点,影响预测结果。由于风力发电时间序列具有混沌特性,本文将混沌理论与RBF神经网络结合应用至风电功率预测中。本文采用宁夏长山头风电场数据进行了训练与预测,并与BP神经网络模型进行对比,结果显示,混沌RBF神经网络取得了良好的效果,提高了超短期预测的预测精度。

基于MI-PSO-RBF神经网络的铁路客货运量预测研究

准确地预测铁路客货运量对合理配置运输资源、提高铁路客货运组织工作效率有重要作用。为提高铁路客货运量的预测精度,提出一种基于MI-PSO-RBF神经网络的客货运量组合预测模型。本研究对铁路客货运量的影响因素及其内在关联进行分析,选取相关指标,利用互信息素法对指标进行筛选,构建影响因素指标体系。基于该指标体系,运用粒子群算法优化的RBF神经网络模型分别对铁路客货运量进行预测,并与传统的BP神经网络、RBF神经网络预测模型进行比较。结果显示,经过参数调整优化后的MI-PSO-RBF神经网络在铁路客运量及货运量的预测精度方面表现最佳,测试集R2分别达到了0.9481与0.9911,具有较高的精度及泛化能力,表明该组合预测模型能够进一步提升神经网络模型预测铁路客货运量精确度。

一般大气环境下钢筋锈蚀深度的RBF神经网络预测模型研究

钢筋锈蚀深度预测是评估在役RC结构服役性能的基础。为建立一般大气环境RC构件中钢筋锈蚀深度预测模型,通过收集实测数据,分析影响钢筋锈蚀深度的主要参数及其影响规律,继而基于实测数据建立数值模型和RBF神经网络预测模型,并进行参数敏感性分析。研究结果表明:与数值模型相比,RBF神经网络对钢筋锈蚀深度预测效率与精度更高,能够有效映射各影响参数与钢筋锈蚀深度之间复杂的非线性关系。参数敏感性分析结果显示,钢筋混凝土表面锈胀裂缝宽度对钢筋锈蚀深度影响最大,钢筋直径、保护层厚度与钢筋直径之比和混凝土抗压强度等其他因素影响次之。所得模型可用于工程检测中钢筋锈蚀程度预测与RC构筑物剩余服役寿命评估。

基于自适应增强(AdaBoost)的径向基(RBF)神经网络改进算法在关键词预测中的应用

探究学科或领域内研究发展趋势和热点一直以来受到国内外学者们重点关注,而高频关键词的频次变化分析是其中重要的研究内容。关键词的变化与时间存在强相关性,但当前仅有少数研究考虑了关键词随时间密切变化的特性。在考虑关键词信息的时间属性基础上,提出一种基于自适应增强(AdaBoost)的径向基(RBF)神经网络预测算法(以下简称“RBF改进算法”),对关键词频次进行分析预测。对中国知网2007—2022年收录的医学图像期刊论文关键词进行处理,其中将2007年至2021年的数据作为实验训练数据,2022年数据作为验证数据,通过算例分析,对比RBF改进算法、反向传播算法和时间序列算法对关键词词频的预测结果。结果发现:通过AdaBoost算法对RBF算法进行改进,能够增强RBF神经网络的泛化能力以及对样本的适应性,同时保留了RBF神经网络较好的非线性映射能力这一优点;RBF改进算法预测结果与实际数据接近,其预测精度优于反向传播神经网络和时间序列算法,该算法的预测效果更佳。

应用PSO-RBF神经网络预测太阳能PV/T系统的热、电性能

为准确预测太阳能光伏光热(Solar Photovoltaic/Thermal,PV/T)系统的热、电性能,文章利用PSO(Particle Swarm Optimization)算法优化了RBF(Radial Basis Function)神经网络,并基于此方法建立了太阳能PV/T系统性能的仿真预测模型,与基于未优化RBF神经网络建立的预测模型进行了对比分析。同时,搭建了太阳能PV/T实验平台,通过云平台采集实验数据用于上述模型。研究结果表明:使用PSO算法优化后的RBF神经网络模型相较于未优化模型预测精度提高了20%,预测稳定性提高了30%,拟合优度R值有所提升。基于PSO-RBF神经网络建立的预测模型可精确预测太阳能PV/T系统的热、电性能。

基于RBF神经网络的铣槽机施工工效预测研究

在水利工程建设中,铣槽机常被用于地下连续墙的成槽施工,其施工工效是影响建设成本、工期的重要因素。为了给水利工程建设项目的成本管理和进度管理提供实用工具,通过现场收集铣槽机的施工数据,在分析和量化影响铣槽机施工工效的因素基础上,分析各影响因素与施工效率的关系,构建基于RBF神经网络的施工工效预测模型,将其用于珠三角水资源配置工程的铣槽机施工工效预测,验证了该模型的稳定性和实用性。同时,应用实例表明:随着岩石强度增强铣槽机铣削1 m所要用的时间增加,施工人员数量及施工组织对铣槽效率影响较大,因此施工单位不仅要重视施工技术的提升,而且要重视施工组织方案的优化。

基于AGA-RBF神经网络模型的叶绿素a质量浓度预测研究

叶绿素a质量浓度是预测湖泊水华形成的重要影响因子,但常用的径向基(radial basis function,RBF)神经网络存在容易陷入局部极值,导致预测精度欠佳.针对这一问题,采用自适应遗传算法(adaptive genetic algorithm,AGA)对RBF神经网络进行优化,构建基于AGA-RBF神经网络预测模型,以莆田东圳水库为应用案例,对叶绿素a质量浓度进行预测,通过采集到的数据对预测模型进行仿真,对比均方根误差(RMSE)、相对误差(RE)以及平均相对误差(MRE),验证改进后的AGA-RBF模型具有更好的预测精度,以期对叶绿素a质量浓度进行长期预测.

采用RBF神经网络改进有限集模型预测控制算法的光伏系统MPPT研究

针对基于扰动观察法或电导增量法控制的光伏系统存在发电功率不稳定的问题,提出一种基于RBF神经网络改进的模型预测控制的最大功率点追踪算法,使用RBF神经网络拟合光伏系统功率-电压(P-V)曲线,预测光伏面板发电功率,通过建立光伏系统前级DC-DC变换器的数学模型,使用模型预测控制确保光伏面板工作在最大功率点提升光电转换效率.通过MATLAB/Simulink仿真结果表明,在外界环境快速变化的情况下,所提策略能有效抑制最大功率点漂移,提高系统光电转换效率.

基于GA-RBF神经网络的港口用电负荷预测研究

港口电力负荷预测是港口电力经济运行和安全调度的基础,同时也是港口微电网改扩建投资优化策略研究的基础,本文利用MATLAB软件建立遗传算法和RBF神经网络相结合的预测模型与一般的RBF神经网络预测模型相对比。选取上海市某港口日用电负荷的历史数据进行仿真,对比模型的预测结果图和平均绝对误差、均方根误差、平均绝对百分比误差这三个评估指标,得出基于GA-RBF神经网络模型的预测精度更高的结论。

改进GA-RBF神经网络的水厂混凝投药预测

为了提高水厂混凝剂投加量预测准确性,针对投药系统易受多种水质因素影响,且投药后净水过程存在高度非线性的特点,通过改进遗传算法(GA)优化径向基函数神经网络(也称为RBF神经网络)的权值ω_i和高斯基函数中心宽度向量σ_i,构建GA-RBF神经网络净水厂投药量预测模型。Matlab仿真结果表明,GA-RBF神经网络预测模型可通过实现全局逼近来回避极值陷阱,提高了稳定性和全局寻优能力,相较于单一RBF神经网络预测模型,GA-RBF神经网络预测模型的拟合优度提高5.474%,平均绝对误差降低了4.14%,根均方误差降低3.392%,迭代速度和预测精度都有所提高,数据拟合能力更强。

基于混沌RBF神经网络的电商市场销量预测模型技术研究

商品销量受多种因素影响,这种影响难以用公式准确表达.为了获得更精准的预测结果,针对商品销量预测的高度复杂性和非线性,提出了基于混沌RBF神经网络的商品销量预测模型.该模型基于电商市场商品销售历史数据,使用李雅普诺夫指数算法评估商品销售数据混沌序列特性,并通过对数据库相结构的空间优化重构,利用RBF神经网络技术对优化重构后的数据进行训练归纳.同时,通过混沌方法计算网络的连接权值和高斯函数径向基中心,实现了RBF神经网络的优化.在Matlab平台上进行了仿真实验,结果表明,该混沌优化RBF神经网络商品销售预测模型具有较高的精度和较快的速度.

基于PSO-RBF神经网络的江苏省鸡肉价格预测研究

精确的短期价格预测对农产品市场至关重要,农产品价格的波动对农民的收入和生活质量具有重要影响。本文以江苏省鸡肉价格为例,构建以鸡蛋价格、牛肉价格、肉鸡配合饲料价格、新增新冠感染人数为输入,以鸡肉价格为输出的RBF神经网络预测模型,并通过粒子群算法优化其重要参数。实证结果表明:将疫情因素纳入考虑能够提高模型的预测效果,且经过粒子群算法优化的RBF神经网络具有更好的预测精度和泛化能力,在一定程度上对江苏省的鸡肉价格预测具有参考意义。

基于RBF神经网络的高速公路交通流预测研究

基于高速公路交通运行特征,分析了高速公路交通流的基本特性,并在此基础上构建RBF神经网络进行交通流预测分析,并与传统BP神经网络的预测结果进行对比评价,得到不同模型预测结果的RMSE值。研究结果表明:RBF神经网络对交通流量和速度的预测误差(RMSE)分别为11.0069、9.7035,优于传统的BP神经网络模型,预测性能更佳。

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。

基于动态FOA优化RBF神经网络的综合能源系统负荷预测

综合能源系统多元负荷预测是有效提升能源利用效率、降低用能成本的主要途径之一。针对综合能源系统数据繁杂、不易预测的问题,首先引入动态FOA算法优化RBF神经网络,帮助RBF神经网络寻优;其次运用Lasso原理对气象因素进行选择,将负荷数据及气象因素输入到动态FOA优化后的RBF神经网络;最后对北方某园区进行综合能源系统负荷预测,并与BP神经网络进行对比验证。预测结果表明,采用该方法进行负荷预测能有效改善预测效果,保障了区域综合能源系统的优化运行。

基于RBF神经网络的肠道细菌宿主年龄预测研究

径向基函数(RBF)神经网络,具有收敛速度快、局部逼近精度高和一定的鲁棒性等优点,广泛运用于非线性函数逼近、数据预测和数据分类等问题。基于RBF神经网络的特点,以肠道细菌宿主的16个指标作为自变量,对宿主个体的年龄进行预测以及误差值分析。结果表明:RBF神经网络下宿主个体的年龄预测在训练集和测试集上均表现出较好的均方误差MSE、均方根误差RMSE、平均绝对百分比误差MAPE以及相关系数R^(2)四个评价指标。测试集年龄的预测值非常接近实际值,两者间的误差值较小,预测精度较高,具有很好的预测能力。这为研究肠道细菌宿主的身体健康提供咨询指导,具有一定的理论研究意义与应用价值。

基于BP和RBF神经网络模型的江西省农产品冷链物流需求预测

根据BP(back propagation)神经网络和(radial basis function)神经网络模型在需求预测领域上的应用,以江西省生鲜农产品冷链物流需求为对象进行实证分析,依据经济水平、产业结构水平、物流行业因素、市场供需水平等四个方面建立影响因素指标体系,并用SPSS和MATLAB建立模型,结果表明BP神经网络相比于RBF神经网络,在预测结果上有更高的精确度。

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%。

混沌RBF神经网络的地磁变化场预测模型

提出一种融合混沌理论和RBF(radial basis function)神经网络的地磁变化单站预测模型。分析磁场数据的混沌特性,求取关键参数嵌入维数m和时间延迟τ,据此对初始数据进行相空间重构,并将经混沌理论优化的样本集作为神经网络的训练集和测试集进行仿真实验。结果表明,经混沌理论改进后的RBF神经网络模型可以较为准确地预测地球磁场的变化趋势,对我国地磁场的适用性较好,具有一定的泛化能力。