多元地学信息挖掘中分层动量增项自适应BP算法应用研究

地球化学元素分布规律的研究是揭示元素矿化富集及空间变化规律的重要途径之一,采用人工神经网络方法对东天山地区地球化学信息进行了研究,为矿区靶区预测提供支持.对传统BP算法进行了改进,采用分层动量增项自适应BP算法设计,并完成了样本区数据的预测分析,效果较好.     

基于AHP和动量BP神经网络的工程项目承包商选择模型

运用BP神经网络技术,采用动量BP算法,构建了基于动量BP神经网络的工程项目承包商选择模型,并将AHP的评价结果作为学习样本,对BP神经网络模型进行训练和测试.结果表明,基于AHP和动量BP神经网络的工程项目承包商选择模型是可行的,该模型具有较高的自组织、自适应和自学习能力以及较强的容错功能,能够为一般的工程项目承包商选择活动提供有效的参考和依据.     

基于PCA-GA-BP神经网络的茶园环境预测研究

为了提高茶园墒情站数据的可靠性,详细分析了BP算法,提出了先采用主成分分析法来降低环境因子间的相关性,然后将遗传算法、动量法、自适应学习率与BP神经网络相结合预测茶园环境数据的新方法,方法有效地避免了BP算法收敛慢、易陷入局部极小等问题的发生.选取贵州省清镇市红枫湖生态茶园的环境数据作为实验数据对PCA-GA-BP环境数据预测模型进行验证,实验结果显示:该模型的平均相对误差为2.32%,精度优于BP预测模型.集成了GA-BP模块的茶园墒情站目前已经投入使用,有效指导着茶树的种植和保护.     

基于SSA的金融时间序列自适应分解预测

提出了分解预测的思想,通过SSA将序列分解成低频与高频两部分,分别采用最小均方(LMS)自适应自回归移动平均(ARIMA)与LMS自适应自回归(AR)模型进行预测,然后将两者叠加便可得原始序列预测值.同时,为了更好地捕捉序列局部突变,缩减预测延迟,提高预测精度,对EaLMS算法(基于误差调整的LMS算法)参数进行修正并...     

一类传染性疾病动力学数学模型的参数反演

针对一类传染性疾病动力学数学模型的参数反演问题,提出了最佳摄动量算法.此算法是利用算子识别摄动法和线性化技术,建立的数值迭代方法.在MATLAB平台下对具体算例进行了程序实现和数值计算,验证了最佳摄动量法解决此类问题的可行性和有效性,反演得到的参数结果有助于我们分析和研究传染性疾病动力学模型,从而进一步预测和评估疫情.     

基于Volterra自适应方法的水文混沌时间序列预测

Volterra泛函级数能够描述具有响应和记忆功能的非线性行为,一般用于非线性系统因果关系点对的预测,把Volterra自适应方法应用于水文混沌时间序列的预测研究是一个有意义的工作。论文针对水文系统的复杂性,基于混沌动力系统相空间重构技术,构建了水文混沌时间序列Volterra自适应预测方法,并采用NLMS算法调整滤波器参数,并就模型进行仿真计算,讨论了模型参数对预测精度的影响。直门达水文站月蒸发量混沌时间序列预测实验表明,水文混沌时间序列Volterra自适应预测方法,具有较好的预测精度和效果,拓展了水文预测报方法的研究途径。     

基于二次优化BP神经网络的期货价格预测

针对BP算法存在的不足,结合神经网络、遗传算法和主成分分析的优点,提出基于二次优化BP神经网络的期货价格预测算法.初次优化采用主成分分析法对网络结构进行优化,第二次优化采用自适应遗传算法对网络参数进行优化,将经过二次优化后建立的BP神经网络模型用于期货价格预测.经仿真检验,用新方法建立的模型对期货价格进行预测,在预测的精度和速度方面都优于单纯BP神经网络模型.     

切换系统的自适应广义预测控制

针对一类切换系统研究了含有输出预测误差的自适应广义预测控制问题．切换律由有限个子系统的输出预测误差确定．对于单个子系统和多个子系统两种情况,证明了所提出的广义预测控制直接算法能够保证系统的全局收敛性．该算法克服了传统自适应控制固有的收敛速度慢且暂态误差较大的缺点．     

用于动态无功补偿的无功功率超短期预测方法

钢铁企业配电网中大量的非线性和冲击性负荷严重影响企业电网的电能质量及相关设备的使用寿命.充分考虑了冲击性负荷的特点,在带时变噪声统计估值器的Sage-Husa自适应滤波算的基础上,提出了一种改进Sage-Husa自适应滤波超短期预测算法.改进后的算法可以正确估计系统的输入噪声方差Q和测量噪声方差R,提高了预测准确度,同时继承了原算法的优点,计算速度快,存储量小,适合于在线应用.某钢铁企业轧钢车间部分供电母线的实际预测结果表明:该算法预测精度较高,计算速度快,可用于指导无功动态补偿,提高电压合格率和电气节能效果.     

Pi-sigma神经网络的带动量项的异步批处理梯度算法收敛性

本文将动量项引入到训练Pi-sigma神经网络的异步批处理的梯度算法中,有效的改善了算法的收敛效率,并从理论上对该算法的收敛性进行研究,给出了误差函数的单调性定理及该算法的弱收敛和强收敛性定理.计算机仿真实验亦验证了带动量项的异步批处理梯度算法的有效性和理论分析的正确性.     

遗传算法结合神经网络在油气产量预测中的应用

基于遗传算法的全局搜索能力和BP算法的局部精确搜索特性,通过采用遗传算法优化神经网络的方法,将遗传算法和BP算法有机结合,做到优势互补,在提高油气产量预测精度的研究中得到了很好的应用.在对国内某中小型气田油气产量的预测中,以历史产量资料进行检验,其结果表明,提出的预测方法,预测精度明显优于BP算法,证明了这种方法的有效性和可靠性.     

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

BP-GA混合优化策略在人力资源战略规划中的应用

采用混合优化策略训练神经网络,进而实现地区人力资源数据的时间序列预测.神经网络,尤其是应用反向传播(back propagation,简称BP)算法训练的神经网络,被广泛应用于预测中.但是BP神经网络训练速度慢、容易陷入局部极值.遗传算法(genetic algorithm,简称GA)具有很好的全局寻优性.因而提出将BP和GA结合起来的混合优化策略训练神经网络,来实现人力资源数据预测.与BP算法相比,数值计算结果表明预测精度高、速度快,为地区人力资源数据的时间序列预测研究提供了一条新的途径.     

人工神经网络BP算法的改进和结构的自调整

本文解决了BP神经网络结构参数和学习速率的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络动态全参数自调整学习算法,又将其编制成计算机程序,使得隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力。计算结果表明：BP神经网络动态全参数自调整算法较传统的方法优越。训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势。     

BP人工神经网络模型的新改进及其应用

针对 BP网络存在的缺点 ,有多种改进方法 .从算法和网络结构设计方面进行了综合改进 .将新改进的 BP网络用于成都市消费预测 ,取得令人满意的效果     

BP神经网络算法在需水预测与评价中的应用

需水预测是进行水资源规划与管理的必备技术方法,在水资源短缺的地区显得尤为重要.合理而准确地预测未来的需水量,可以避免投资的浪费或减少将来用水危机的发生.以江西省为例,采用BP神经网络算法对江西省近期的需水进行预测与评价,将结果与其它方法预测的进行比较,比较结果说明神经网络算法预测需水是成功的。     

A hybrid metaheuritic technique developed for hourly load forecasting

Electricity load forecasting has become one of the most functioning tools in energy efficiency and load management and utility companies which has been made very complex due to deregulation. Due to the importance of providing a secure and economic electricty for the consumers, having a reliable and robust enough forecast engine in short‐term load management is very needful. Fuzzy inference system is one of primal branches of Artificial Intelligence techniques which has been widely used for different applications of decision making in complex systems. This paper aims to develop a Fuzzy inference system as a main forecast engine for Short term Load Forecasting (STLF) of a city in Iran. However, the optimization of this platform for this special case remains a basic problem. Hence, to address this issue, the Radial Movement Optimization (RMO) technique is proposed to optimize the whole Fuzzy platform. To support this idea, the accuracy of the proposed model is analyzed using MAPE index and an average error of 1.38% is obtained for the forecast load demand which represents the reliability of the proposed method. Finally, results achieved by this method, demonstrate that an adaptive two‐stage hybrid system consisting of Fuzzy & RMO can be an accurate and robust enough choice for STLF problems. © 2016 Wiley Periodicals, Inc. Complexity 21: 521–532, 2016     

产品需求预测的演化神经网络算法MLPES

在需求拉动型的供应链中，需求成为供应链的起点和动力源泉。由于制造商在供应链中的特殊地位，制造商成为供应链由需求驱动变为预测驱动的断耦点，以制造商为核心进行准确的需求预测可以在一定程度上减少需求不确定性的影响。本文在多层感知器的框架上，提出了基于演化策略的神经网络预测方法MLPES，改进了在多层感知器中普遍采用的BP算法，并设计了学习算法的流程，通过反复测试确定了模型的参数，最后对预测结果进行了分析。     

Discrete neural dynamic programming in wheeled mobile robot control

In this paper we propose a discrete algorithm for a tracking control of a two-wheeled mobile robot (WMR), using an advanced Adaptive Critic Design (ACD). We used Dual-Heuristic Programming (DHP) algorithm, that consists of two parametric structures implemented as Neural Networks (NNs): an actor and a critic, both realized in a form of Random Vector Functional Link (RVFL) NNs. In the proposed algorithm the control system consists of the DHP adaptive critic, a PD controller and a supervisory term, derived from the Lyapunov stability theorem. The supervisory term guaranties a stable realization of a tracking movement in a learning phase of the adaptive critic structure and robustness in face of disturbances. The discrete tracking control algorithm works online, uses the WMR model for a state prediction and does not require a preliminary learning. Verification has been conducted to illustrate the performance of the proposed control algorithm, by a series of experiments on the WMR Pioneer 2-DX.