基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

基于仿生算法联合优化BP的燃煤发热量预测

【目的】燃煤发热量的精准预测和评价是煤质分析和热工计算的重要基础,目前神经网络预测燃煤发热量的模型虽能有效拟合非线性关系,但存在易陷入局部最小值、收敛速度慢等问题。【方法】为精准预测煤炭在工业锅炉燃烧过程中的发热量,提出一种由仿生算法FA-GA联合优化BP神经网络的燃煤发热量预测方法。将774组燃煤锅炉常用煤的工业分析及元素分析数据进行预处理,根据平均影响值对煤质指标进行特征变量筛选,最终建立FA-GA-BP的发热量预测模型,并从误差评价指标、迭代次数等方面对优化算法寻优能力和模型预测精度进行了检验。【结果】经过特征变量筛选后模型的预测精度提升至0.956 1;FA-GA联合算法与单一优化算法FA、GA、PSO相比,迭代次数显著减少,算法的全局搜索能力得到有效提升;FA-GA-BP模型与单一优化模型FA-BP、GA-BP、PSO-BP以及目前常用的发热量模型MLR和SVR相比,精度更高,相关系数可达0.984 5.【结论】FA-GA算法优化BP模型,针对燃煤锅炉中来自不同地区、不同煤种的发热量预测具有良好的效果,在理论上满足了工业误差要求。改进后的燃煤发热量预测模型可为有效监测入炉煤质实时变化提供一种新方法。

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题,建立萤火虫算法(FA)优化BP神经网络的预测模型,解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象,利用巷道顶板和两帮的位移监测数据进行预测分析,并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明:FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%,说明FA-BP神经网络模型具有更好的预测精度。

基于IAFA-BP的门式起重机技术特性权重预测

鉴于现有研究对门式起重机设计过程中功能需求与技术特性之间关系的挖掘尚有欠缺,文中提出了基于改进自适应萤火虫算法优化BP神经网络的门式起重机技术特性权重预测模型。通过分析门式起重机功能需求和技术特性之间的关系,根据功能需求重要度预测技术特性的权重,从而实现门式起重机的产品适应性设计。此外,为了提高门式起重机技术特性预测精度,针对萤火虫算法及BP神经网络存在的缺陷,设计了改进的自适应萤火虫算法,用于优化BP神经网络的权值和阈值,验证该模型的有效性。与传统模型进行对比分析,表明该模型具有更高的预测精度。

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解（VMD）和萤火虫算法优化BP神经网络（FABP）的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵（SE）对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。

基于Pearson系数和萤火虫算法优化BP神经网络的住宅价格预测模型

为进一步提高住宅价格预测精度,进而为有关部门提供相关数据参考,帮助其及时准确地制定相关政策,提出了基于Pearson系数和萤火虫算法优化BP神经网络的住宅价格预测模型。该模型首先使用Pearson系数对影响房价的相关因素进行特征筛选,舍弃与住宅价格关联性不强的因素;然后使用萤火虫算法对BP神经网络进行优化,建立基于萤火虫算法优化的BP神经网络预测模型;最后以上海市统计局最新发布的相关数据进行实验验证。实验结果表明,所提模型优于其他5种模型,能够实现住宅价格的有效预测。

基于CAFA-BP算法的股票风险评估

引入改进后的Chebyshev混沌映射函数对萤火虫算法的步长进行更新,利用改进后的萤火虫算法搜索BP神经网络的初始参数,建立了基于萤火虫算法的BP神经网络的股票风险评估模型。仿真结果表明优化的股票风险评估模型是有效的。

基于萤火虫算法与BP神经网络的电力系统短期负荷预测

随着社会生活的不断发展,人们日常生活质量的不断提高,电力的使用在日常生活中愈发广泛,在用电需求不断增大的同时,对于电力系统的稳定性和电力调度的精确性也提出更高的要求.在此背景下,精确的电力系统短期负荷预测方式具有重要的实际意义,可以合理地为电力调度提供保障.在实际情形下,许多变量因素也会对发电量产生影响,因此仅使用历年同期发电量数据作为原数据进行预测难以保证预测结果的精确性.本项目创新地将主成分分析运用于数据预处理,并将萤火虫算法与BP神经网络相结合,将温度、湿度、空气质量等重要影响因素纳入负荷预测的考虑范畴并进行预测.根据均方误差结果可知,运用主成分分析将重要变量因素(如温度、湿度)纳入预测范畴能够有效提升负荷预测的准确性.

基于奇异谱分析和改进的BP神经网络交通流预测

作为智能交通的核心,短时交通流的预测研究在国内外蓬勃发展,传统的预测方法由于自身的缺陷,预测精度不容乐观。本文通过对智能群算法进行研究,针对交通流数据不确定性和非线性等特点,提出了一种奇异谱分析和改进萤火虫算法优化BP神经网络结合的预测模型。考虑到一些交通流数据的缺失和统计误差,利用奇异谱分析(SSA)处理数据,剔除噪声序列,将趋势序列重构进行预测。针对传统萤火虫算法在寻优过程中易进入局部最优问题,提供了一个自适应权重优化的萤火虫算法的解决方案。通过改良后的萤火虫方法(IFA)调整了BP神经网络的权值和阈值,从而形成了基于SSA-IFA-BP的组合预测模式。实验结果表明该组合模型相比于其他的预测模式具有更好的预测精度。

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题,提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征,并采用K-means聚类算法对用电行为类似的用户进行聚合及分析,从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明,基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型,能够合理地对电力用能行为进行预测.

基于萤火虫算法优化BP神经网络的爆破振速预测

爆破振动是岩体爆破开挖工程中典型的有害效应,实现爆破振动精准预测对爆破过程中的风险控制意义重大。为实现这一目标,借助萤火虫算法(FA)对反向传播神经网络(BPNN)的权值和阈值进行优化,构建FA-BP神经网络预测模型,以露天矿山台阶爆破中多个设计参数和爆心距为模型输入参数,对峰值质点振速进行预测,并比较FA-BP神经网络模型、统计预测方程、BPNN模型和随机森林方法的预测结果。最后,借助归一化互信息分析各输入参数对FA-BPNN预测结果的敏感性。研究结果表明:FA-BPNN模型能有效预测爆破峰值质点速度,预测结果对应的均方根误差、平均绝对误差和决定系数分别为1.445,1.182和0.973,预测效果较其余3种方法更好;单段最大装药量、爆心距、炸药单耗、台阶高度与抵抗线长度之比对爆破峰值振速预测结果影响较大。

基于萤火虫算法优化BP神经网络的公交行程时间预测

通过对公交车辆行驶特性以及行驶环境的实际分析,本文确立了影响公交车辆行程时间的几个关键因素:天气状况、时间段(高峰/平峰)、交通流量以及路段长度。结合BP神经网络具有的非线性映射能力、自学习和自适应能力、泛化能力强和萤火虫算法的参数少、操作简单、稳定性好等优点,本文提出一种利用萤火虫算法对BP神经网络进行优化的算法,以减少神经网络的训练时间和提高其预测稳定性。然后利用GPS数据和实时采样数据对神经网络进行训练和建模,实现公交车辆行程时间的准确预测。将该优化算法与传统的BP神经网络算法和卡尔曼滤波算法用MATLAB分别仿真测试,对比结果显示,该算法对公交行程时间的预测具有更高的准确性且结果更加稳定。

基于IFA-BPNN的长输管道外腐蚀速率预测

目的构建陆地长输管道外腐蚀速率的预测模型,提升管道外腐蚀速率预测的精度,对长输管道外腐蚀状态进行准确把控。方法深入解析了萤火虫算法(FA)的工作原理,针对FA易出现陷入局部最优或因控制参数设置不合适而导致函数无法收敛等问题,提出了FA的改进方案:采用Logistics混沌映射的方法初始化萤火虫的位置,提升萤火虫种群的所养性;引入一种新的惯性权重计算方法来改进萤火虫位置移动公式,提升FA全局寻优能力。利用改进的萤火虫算法(IFA)对误差反向传播神经网络(BPNN)初始权值和阈值进行优化,建立基于IFA-BPNN的长输管道外腐蚀速率预测模型。以111组长输管道外腐蚀检测数据为例,在MATLAB中进行模拟仿真计算,使用粒子群算法优化的BPNN(PSO-BPNN)、遗传算法优化的BPNN(GA-BPNN)以及未进行优化的BPNN作为对比模型进行对比分析。结果使用IFA优化BPNN,大幅提升了BPNN模型的预测精度。使用IFA-BPNN模型预测12组管道腐蚀速率,平均相对误差仅为5.94%,预测结果的R2为0.99595,均优于BPNN、PSO-BPNN以及GA-BPNN模型的预测结果。结论IFA-BPNN作为预测管道腐蚀速率工具具有较好的预测精度和鲁棒性。

基于FA-BP神经网络的锂离子电池SOH估算

采用萤火虫算法(FA)优化BP神经网络对锂离子电池进行健康状态(SOH)估算,利用FA算法全局寻优的能力和收敛速度快的特点,优化BP神经网络的权值和阈值,解决BP神经网络容易陷入局部最小值和收敛速度慢的问题。对单体磷酸铁锂正极锂离子电池进行充放电实验,选用一阶RC电路模型,利用递推最小二乘法在线辨识模型参数,将电池的欧姆内阻、极化内阻和极化电容作为模型的输入参数。与BP神经网络算法相比,FA-BP神经网络优化算法估算SOH的误差波动范围减小2.50%,最大误差减少3.00%,平均误差减小1.68%,且具备良好的收敛性。

基于改进萤火虫算法优化BP神经网络的路网速度分布预测

浮动车数据的挖掘是目前交通领域广泛使用的研究手段之一,基本的BP神经网络也多被用于交通流的预测研究。本文引入小波变换将低频信号和高频信号进行分解和重构,结合改进萤火虫算法寻优速度快、收敛率高的特点对基本的BP神经网络进行优化,构建了路网交通流速度的预测模型。利用城市路网浮动车真实数据对模型进行训练并通过测试数据对模型预测结果进行实证分析,证明模型对特定时刻路网交通流速度预测的准确性相比于基本BP神经网络算法有46.56%的提升,对路网24h内交通流速度预测的稳定性有39.08%的提升。

基于优化的BPNN模型在色彩空间转换中的应用研究

色彩空间转换在图像采集、显示,色彩信息传递及重现中发挥着重要作用,为实现真正意义上的"所见即所得",需提高色彩转换精度。针对传统色彩空间转换模型中BP神经网络转换精度低、易陷入局部最优等不足,使用萤火虫算法优化BP神经网络的初始权值和阈值,提出一种FABPNN算法的色彩空间转换模型,并使用色差模型进行验证。实验结果表明,该模型具有较高的色彩转换精度,达到预期效果。

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。

基于自适应萤火虫算法的BP神经网络股价预测

BP神经网络在预测股票价格等非线性系统中表现出了非常强大的功能,但也存在固有的缺陷。为了提高其预测精度,首先对萤火虫算法实施改进策略,提出一种自适应的萤火虫算法(SFA),再与BP网络相结合,建立基于自适应萤火虫算法的BP神经网络模型(SFA-BP),继而进行股价预测。通过选取的4种股票数据,对BP、FA-BP和SFA-BP模型进行股价预测精度的仿真对比分析。结果表明SFA-BP模型的预测精度明显优于另外两种模型,能有效预测股票价格,具有一定的实用性。

基于奇异谱分析和改进萤火虫算法优化BP神经网络的时间序列预测

空气质量数据与人们密切相关,故提出利用基于奇异谱分析对原始数据的去噪、网络参数的优化以及BP神经网络的系列混合预测模型,来进行时间序列预测.先采用基于时间序列去噪获得更加平稳序列来用于后续模型预测,再通过非惯性权重和变步长改进萤火虫优化算法优化网络参数,获得合理的、稳定的网络结构,然后将奇异谱分析后的去噪数据和用改进萤火虫算法优化后的BP网络用于预测,通过实际空气质量数据验证模型效果,效果良好.