共查询到19条相似文献,搜索用时 515 毫秒
1.
提出将BP神经网络与遗传算法(GA)相结合,建立了三层GA-BP神经网络模型,模型利用遗传算法来修改网络的连接权值,构筑进化型的神经网络模型,缩短网络学习训练时间,提高模型预测精度。炉温预测主要是高炉铁水硅质量分数的预测,当要求硅质量分数预报的绝对误差为±0.05%时,命中率为90%。结果表明,GA-BP网络模型比传统的BP网络模型能够获得更高的精度。 相似文献
2.
褚晨辉 《中阿科技论坛(中英文)》2024,(2):108-111
装配式高层住宅成本受诸多因素影响,成本与各个因素之间存在复杂的非线性关系,BP神经网络难以对其进行准确的成本预测。文章提出了一种遗传算法(GA)优化BP神经网络的预测方法,利用GA-BP神经网络模型提高装配式高层住宅成本预测的准确率。通过对GA-BP神经网络模型的权值和阈值进行优化,构建了GA-BP神经网络装配式高层住宅成本预测模型,并以50组装配式高层住宅样本数据为例,分别运用GA-BP神经网络与BP神经网络预测模型进行了对比试验。试验结果表明,GA-BP神经网络预测模型具有较强的稳定性和更高的预测准确率。 相似文献
3.
针对传统的联轴器传动效率测试方法耗时耗力的问题,构建了三叉杆滑移式万向联轴器,基于遗传算法优化的BP神经网络传动效率预测模型,并结合最优拉丁超立方法获取了试验样本,完成了对神经网络模型的训练与验证。研究结果表明:GA-BP神经网络模型的预测精度、收敛速度显著高于BP神经网络模型,且GA-BP神经网络模型的传动效率预测值与实际值之间的平均相对误差为0.038%,满足工程需求。GA-BP神经网络模型为联轴器传动效率的预测提供了一种有效的方法。 相似文献
4.
为提高BP神经网络算法的运行效率,利用遗传算法和并行编程思想,提出了Hadoop平台下基于MapReduce的遗传算法优化BP神经网络的并行化设计及实现方法。利用遗传算法优化BP神经网络的初始权值和阈值,提高算法分类准确率;采用MapReduce并行编程模型实现算法的并行化处理,解决BP神经网络在处理大规模样本数据集时存在的硬件开销和通信开销大的问题。选用Caltech256图像数据集,与传统的串行遗传算法优化BP神经网络算法实验对比,验证了并行化GA BP神经网络算法的优越性。 相似文献
5.
《滨州学院学报》2020,(6):5-10
现代民航发动机大多使用VSV系统来提高发动机工作稳定性和避免发动机失速或喘振。为了诊断VSV系统故障,提出了一种基于PSO-BP神经网络对VSV位置进行监控的方法,当PSO-BP神经网络模型的预测值与实际值的偏差超过一定值时,则判断VSV系统故障。利用发动机健康状态的QAR数据,基于PSO算法优化的BP神经网络建立了发动机VSV在飞机下降段的调节规律模型,同时建立BP神经网络模型。经过对比分析,通过PSO-BP神经网络建立的VSV调节规律模型的诊断精度,高于传统的BP神经网络模型,可为民航发动机状态监控和故障诊断提供依据,具有一定的工程实用价值。 相似文献
6.
为解决BP神经网络收敛速度慢和易陷入局部极小值的缺点,利用遗传算法(GA)和基因表达式编程(GEP)的各自特点,基于BP算法提出了两种改进算法:其一是GA-BP算法,即利用GA优化BP神经网络的权值和阈值;其二是GEP-BP算法,即利用GEP对BP网络进行调整,包括网络结构、权值和阈值。用样本数据进行了测试并与基本BP算法进行了比较,结果表明两种改进算法具有很强的可行性和高效性。 相似文献
7.
为准确快速地对恐怖袭击事件进行分级,帮助建立恐怖袭击事件应急预案,提出一种基于模糊聚类算法和模拟退火遗传算法优化BP神经网络的恐怖袭击事件分级模型。通过模糊聚类算法划分样本训练集,利用BP神经网络的自学习能力获取输入与输出之间的模糊规则,采用模拟退火遗传算法提高神经网络精度。以GTD数据库样本为例,经实验得到普通BP神经网络的分级正确率为94.32%,模拟退火遗传算法优化的BP神经网络分级正确率可提升到99.88%,验证了基于模糊聚类算法和模拟退火遗传算法优化BP神经网络分级模型的有效性。 相似文献
8.
《实验室研究与探索》2022,(1):306-311
为减少高校实验室安全事故的发生和提高实验室安全风险评估的准确率,使用层次分析法(AHP)建立实验室安全风险评价体系,然后利用主成分分析法(PCA)对评价指标的综合权重进行降维,再将降维后的特征信息作为GA-BP神经网络的输入层,建立一种基于主成分分析(PCA)、遗传算法(GA)和人工神经网络(BP)相结合的实验室安全风险评价模型。实验结果表明,与BP神经网络、PCA-BP神经网络模型和GA-BP网络模型相比,PCA-GA-BP神经网络的评价精度和准确率更高、收敛速度更快、学习能力更强,可用于实验室安全风险评价。 相似文献
9.
孙吴松 《荆门职业技术学院学报》2024,(2):1-10
为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009 163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。 相似文献
10.
针对供暖系统在实际运用中为一个滞后过程,难以保证其供暖介质流量控制精度的问题,利用感温石蜡的热胀冷缩效应作为电热型流量调节阀执行结构的动力源,获取石蜡温度与流量之间的关系,提出基于遗传算法的BP神经网络(GA-BP)方法。首先获取供暖系统温度,通过电热器加热石蜡得到其温度变化量与流量,然后应用GA-BP神经网络方法,对流量进行预测。通过与3次B样条函数递推最小二乘法、BP神经网络法对流量的预测结果对比试验验证,预测值和真实值的最大绝对误差分别为0.19、0.35、0.87,且均能满足实际应用的控制周期。结果表明,GA-BP神经网络对流量的控制更为精确。 相似文献
11.
BP算法是人工神经网络研究的一个常用方法,但从本质上说是属于局部寻优法,容易陷入局部极小点,且存在着学习速度与精度之间的矛盾;遗传算法是一种全局优化算法,具有并行计算能力.本文采用遗传算法来训练前向神经网络,建立一个基于遗传算法和BP算法的神经网络预测模型.试验结果表明它是一个成功较高的预测模型. 相似文献
12.
GA—BP神经网络在高校教学评价中的应用 总被引:1,自引:0,他引:1
韦萌 《柳州职业技术学院学报》2011,11(1):23-26
针对BP神经网络在学习训练过程中容易陷入局部最优的问题,利用GA算法对其权值和阈值进行优化.构造了一个基于GA—BP神经网络的课堂教学质量评价模型,并将该算法具体运用于某高校的教学质量评价中。实验表明,该模型能比较客观地对课堂教学质量进行综合评价。 相似文献
13.
将GA-BP算法引入水电机组的故障诊断中,建立了基于GA-BP算法的水电机组故障诊断模型.通过Matlab的相关工具箱进行仿真,结果表明基于GA-BP算法的诊断模型的正确性高于基于BP算法的诊断模型. 相似文献
14.
鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示:RBF神经网络比BP神经网络平均相对误差(MRE)低约1%,在拟合度(R2)上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。 相似文献
15.
为提高预测精度,采用Elman神经网络对商品销售额进行预测.在分析样本数据特性基础上,采用Elman神经网络对商品销售额的预测进行建模,通过实例验证模型的有效性并对比分析BP神经网络的预测效果.研究结果表明,基于Elman神经网络的商品销售额预测能够较好地反映商品销售额的变化趋势且提高了预测精度,验证了该方法在商品销售额预测中的可行性. 相似文献
16.
矿井瓦斯涌出量的遗传神经网络预测研究 总被引:1,自引:0,他引:1
矿井瓦斯涌出系统是非线性变化的复杂系统,传统的瓦斯涌出量预测方法存在一定的局限性。根据改进遗传算法(IGA)和BP算法的特点,将两者结合起来,利用改进遗传算法优化BP网络权重和阈值,形成IGA-BP混合算法,用于对矿井瓦斯涌出量进行科学预测。检验结果表明,基于IGA-BP混合算法的遗传神经网络模型可靠,预测精度高,效果良好。 相似文献
17.
18.
BP神经网络是应用最广泛的预测模型,它能方便、灵活地对信用卡消费行为进行探测,但BP网络有很多固有缺陷,比如结构难确定、初始权值选择盲目性导致训练速度慢等,结合信用卡交易数据的混沌特征分析,通过应用混沌理论中的相空间重构技术,把信用卡客户的相关数据嵌入到重构的相空间中,然后利用BP神经网络技术建立混沌风险探测模型,对信用卡交易行为进行风险预测.实验结果表明,该模型的预测精度高于一般的神经网络预测方法,其中正确检出率比使用BP神经网络模型提高了3%. 相似文献
19.
为了提高大坝变形分析模型的预测精度并检验模型的泛化能力,研究了大坝变形分析的BP神经网络模型,并基于神经网络BP算法和传统的统计模型建立了大坝变形分析的融合模型.结合陈村大坝多年的变形观测数据,对上述3种模型进行了试算及分析.分析结果表明,统计模型的平均预测精度为±0.477mm.BP神经网络模型的平均预测精度为±0.390mm,融合模型的平均预测精度为±0.318mm,相比统计模型和BP神经网络模型分别提高了33%和18%,且泛化能力较强,具有广泛的适用性. 相似文献