BP模型

摘要： 随着社会经济的快速发展,城市居民日常公共交通出行供需矛盾日益突出,城市公共交通客运量需求预测成为其发展规划中的重要研究课题之一。针对于此,本文利用时间序列(ARIMA)模型与神经网络(BP)模型相结合的组合模型,以南京市地铁客运量为例,预测城市公共交通客运量的变化情况。结果证明,本文提出的ARIMA-BP组合模型预测精度优于单一模型。

摘要： 地铁隧道盾构法施工不可避免地扰动周边土体,甚至会造成地表沉陷、周边建筑物损坏等事故。以地铁盾构下穿地面运营铁路段为例,基于盾构施工对地表变形影响机理分析,设计采用TM30测量机器人自动化监测方案。监测结果表明,盾构施工过程中工程总体安全,但地面铁路轨枕出现变形预警,需要进行有效的跟踪监测并采取合理措施。为此,基于BP模型进行结构变形预测,结果能较好的预测地表变形,为工程施工方案决策提供重要参考。

摘要： 铁路货运量预测的准确性对铁路运输企业制定营销计划和营销决策来说是必要的,尤其是短期铁路货运量的影响至关重要。为了提高铁路货运量的预测精度,提出一种优化长短期记忆网络(Long-Short Term Memory,LSTM)参数的预测模型——GS-LSTM模型,通过利用网格搜索算法(Grid Search)对LSTM模型训练网络中最主要的参数(批量大小、隐含层神经单元个数和学习率)进行优化。基于2005年1月—2021年7月的铁路货运量月度数据,首先建立BP和LSTM模型对预测结果进行比较,LSTM模型比BP模型的MAPE降低1.55个百分点,然后分别对BP和LSTM模型的网络参数进行优化后再进行比较,优化后的2种模型比基础模型的预测效果均有提高,而且优化后的LSTM模型比BP模型的MAPE又进一步降低0.18个百分点。实验结果显示,优化后的LSTM模型预测效果更佳,泛化能力更好,具有很好的研究和使用价值。

摘要： 盾构机的姿态控制是盾构隧道施工中的关键问题,文章依托台州某盾构隧道工程,构建了前馈式神经网络BP模型对盾构轴线偏差进行预测,通过对实际工程数据的分析,表明基于BP神经网络的盾构轴线偏差预测模型能够实现对软土地层盾构施工条件下切口和盾尾的水平轴线偏差的预测,模型预测误差满足工程需求。对于偶尔出现的轴线偏差较大的工况,模型预测误差相对较大;当盾构机轴线偏差越大时,模型预测的误差也相对增大。

摘要： 管道腐蚀速率的影响因素众多,构成了异常复杂的腐蚀体系,很难对其进行准确预测。针对单一BP模型初始权值和阈值的选取不当容易陷入局部最优等问题,引入WOA算法优化BP神经网络对海底管道腐蚀速率进行预测,并与GA和PSO算法优化BP预测模型进行对比,验证WOA-BP模型的预测效果和可行性。结果表明:WOA-BP模型的平均绝对百分误差和均方根误差分别为3.689%和0.1537,远低于单一BP、PSO-BP、GA-BP模型,具有较高的预测精度和稳定性,可以为海底管道内腐蚀防护和油气管道流动保障提供决策支持。

摘要： 在现代科技快速发展的新背景下,我国地铁车站建设开启了新征程,作为便捷的公共交通方式,其成为现代城市居民出行的主要方式。由于地铁站的空调系统总能耗较大,容易发生能源浪费问题。为实现地铁通风空调系统的节能高效运行,需紧密结合地铁站的特点,加强通风空调系统的负荷预测,优化并且完善地铁通风空调系统的运行,减少因供需不平衡所导致的能源浪费问题,实现节能运行的目的。本研究结合北京轨道交通16号线某站(文中简称A站)的实测实践,构建负荷预测模型,得到最佳的地铁通风空调系统节能方案。

摘要： 消费者价格指数反映了物价对人民生活的影响,是多种因素共同作用下最终的表现形式。EEMD方法是处理非平稳、非线性序列的有效工具,将其运用于CPI预测,可以从CPI时间序列自身出发揭示内在特征。本文以1994年1月至2021年9月期间的CPI为例,对其进行分解,并根据本征模函数的特征进行聚类重组,对重构后的序列波动特点进行解释,选择BP神经网络模型进行预测。研究表明:组合模型比单一模型具有更高的预测精度;经过EEMD方法分解的CPI组合预测模型比EMD方法分解的CPI组合预测模型具有更高的预测能力。

摘要： 桥梁温度是影响桥梁质量的重要因素,为找出桥梁温度的估算模型,以BP神经网络模型为基础,采用优化的麻雀算法对BP模型进行改进,构建了ISSABP模型,并将该模型计算结果与不同传统机器学习模型进行了比较,分析了模型精度,结果表明:桥梁温度在年内的变化趋势存在明显的规律性,ISSABP模型在桥梁温度模拟中的误差最低、一致性指标最高、可移植性最强,可推荐用于估算桥梁温度。

摘要： 在研究人工鱼群算法缺点的基础上,为了提高概率积分法预计参数的准确性,提出改进鱼群算法(ADAFSA),建立ADAFSA-BP预计模型.以我国40个工作面的地质采矿条件为训练集和测试集,将ADAFSA-BP模型与BP模型、GA-BP模型进行对比分析.结果表明:ADAFSA-BP模型对参数的预测平均相对误差均低于10％,满足精度要求,同时在小数据量学习方面ADAFSA-BP模型优于B P模型和GA-B P模型.

摘要： 本文采用1999—2018年浙江省59个县市的茶叶产量数据和地面气象要素驱动数据,提出了基于产量等级因子的自适应增强的反向传播(BP)神经网络模型的茶叶产量预测机制.首先分析提取了种植面积、年平均气温、3—7月的平均相对湿度、年平均相对湿度等11个影响因子,然后构建浙江省茶叶产量预测模型.试验结果表明,基于产量等级因子的自适应增强的BP模型算法相关系数达到0.893,相对误差的平均值和方差分别为0.187和0.136.在试验数据选取方面,相较于距离预测年份较远的数据,采用临近预测年份的数据,预测精度较高.根据本研究的茶叶产量预测机制,建立了浙江省茶叶产量预测误差空间分布图,其中1级优势区的平均误差为18.32％,2级次优势区为16.73％,3级一般产区为22.69％.预测模型能够实现浙江省各县市的茶叶产量预测,对茶叶生产的宏观管理具有一定指导意义.

摘要： 针对不同对流层延迟模型改正精度不同的问题,本文采用北半球的100多个站点2010年的对流层天顶总延迟数据以及地面气象数据,对4种对流层延迟模型:霍普菲尔德(Hopfield)模型、传统BP模型、融合模型和HL模型的精度进行了分析.结果表明:与Hopfield模型和传统BP模型相比,融合模型和HL模型均方根误差提高了20％,效果显著.

摘要： 针对不同对流层延迟模型改正精度不同的问题,本文采用北半球的100多个站点2010年的对流层天顶总延迟数据以及地面气象数据,对4种对流层延迟模型:霍普菲尔德(Hopfield)模型、传统BP模型、融合模型和HL模型的精度进行了分析.结果表明:与Hopfield模型和传统BP模型相比,融合模型和HL模型均方根误差提高了20％,效果显著.

摘要： 针对不同对流层延迟模型改正精度不同的问题,本文采用北半球的100多个站点2010年的对流层天顶总延迟数据以及地面气象数据,对4种对流层延迟模型:霍普菲尔德(Hopfield)模型、传统BP模型、融合模型和HL模型的精度进行了分析.结果表明:与Hopfield模型和传统BP模型相比,融合模型和HL模型均方根误差提高了20％,效果显著.

摘要： 针对不同对流层延迟模型改正精度不同的问题,本文采用北半球的100多个站点2010年的对流层天顶总延迟数据以及地面气象数据,对4种对流层延迟模型:霍普菲尔德(Hopfield)模型、传统BP模型、融合模型和HL模型的精度进行了分析.结果表明:与Hopfield模型和传统BP模型相比,融合模型和HL模型均方根误差提高了20％,效果显著.

摘要： 针对不同对流层延迟模型改正精度不同的问题,本文采用北半球的100多个站点2010年的对流层天顶总延迟数据以及地面气象数据,对4种对流层延迟模型:霍普菲尔德(Hopfield)模型、传统BP模型、融合模型和HL模型的精度进行了分析.结果表明:与Hopfield模型和传统BP模型相比,融合模型和HL模型均方根误差提高了20％,效果显著.

摘要： 针对不同对流层延迟模型改正精度不同的问题,本文采用北半球的100多个站点2010年的对流层天顶总延迟数据以及地面气象数据,对4种对流层延迟模型:霍普菲尔德(Hopfield)模型、传统BP模型、融合模型和HL模型的精度进行了分析.结果表明:与Hopfield模型和传统BP模型相比,融合模型和HL模型均方根误差提高了20％,效果显著.

摘要： 针对不同对流层延迟模型改正精度不同的问题,本文采用北半球的100多个站点2010年的对流层天顶总延迟数据以及地面气象数据,对4种对流层延迟模型:霍普菲尔德(Hopfield)模型、传统BP模型、融合模型和HL模型的精度进行了分析.结果表明:与Hopfield模型和传统BP模型相比,融合模型和HL模型均方根误差提高了20％,效果显著.

摘要： 在供水管网中部署传感器网络实时获取多个水质参数时间序列数据,当供水管网发生污染时,高效准确地检测水质异常是一个重要问题.提出多变量水质参数时间异常事件检测算法(M-TAEDA),利用BP模型分析多变量水质参数的时序数据,确定可能离群点;结合贝叶斯序贯分析独立更新每个参数的事件概率,预测单个传感器节点检测的异常概率;将单变量的事件概率融合为统一多变量事件概率,融合判断异常事件.实验结果表明:BP模型模拟多变量水质参数进行预测可以达到90％精确度;与单变量参数时间异常事件检测算法(S-TAEDA)相比,M-TAEDA可以提高异常检出率约40％,降低误报率约45％.

摘要： 在供水管网中部署传感器网络实时获取多个水质参数时间序列数据,当供水管网发生污染时,高效准确地检测水质异常是一个重要问题.提出多变量水质参数时间异常事件检测算法(M-TAEDA),利用BP模型分析多变量水质参数的时序数据,确定可能离群点;结合贝叶斯序贯分析独立更新每个参数的事件概率,预测单个传感器节点检测的异常概率;将单变量的事件概率融合为统一多变量事件概率,融合判断异常事件.实验结果表明:BP模型模拟多变量水质参数进行预测可以达到90％精确度;与单变量参数时间异常事件检测算法(S-TAEDA)相比,M-TAEDA可以提高异常检出率约40％,降低误报率约45％.

摘要： 在供水管网中部署传感器网络实时获取多个水质参数时间序列数据,当供水管网发生污染时,高效准确地检测水质异常是一个重要问题.提出多变量水质参数时间异常事件检测算法(M-TAEDA),利用BP模型分析多变量水质参数的时序数据,确定可能离群点;结合贝叶斯序贯分析独立更新每个参数的事件概率,预测单个传感器节点检测的异常概率;将单变量的事件概率融合为统一多变量事件概率,融合判断异常事件.实验结果表明:BP模型模拟多变量水质参数进行预测可以达到90％精确度;与单变量参数时间异常事件检测算法(S-TAEDA)相比,M-TAEDA可以提高异常检出率约40％,降低误报率约45％.

摘要： 本发明公开了一种基于尾流边界膨胀的BP模型的简化模型，所述简化模型包括以下步骤：步骤一：根据BP模型，尾流区速度损失沿径向符合自相似的高斯分布；步骤二：根据BP模型应用动量定理，并通过步骤一中的高斯分布，得到下游距离x处的最大速度损失；步骤三：基于速度损失的自相似性，通过相关实验数据和仿真结果来确定尾流边界，并通过引入膨胀系数k来表示尾流膨胀的线性规律；步骤四：将步骤三中的尾流线性膨胀规律应用到BP模型中，得到简化后的风电机组尾流区风速分布的计算模型。

摘要： 本发明涉及一种基于BP神经网络模型计算各月份天文辐射量的方法，包括以下步骤：步骤S1：采集待计算地区DEM影像，对DEM影像进行预处理；步骤S2：提取DEM影像对应的输入矩阵；步骤S3：对输入矩阵进行归一化处理；步骤S4：构建并训练BP神经网络模型；步骤S5：将归一化后的输入矩阵输入训练后的BP神经网络模型，得到输出矩阵；步骤S6：对输出矩阵进行反归一化，得到待计算地区的月天文辐射数值矩阵。本发明计算月天文辐射数值方法简单，时间短，精度高。

摘要： 本申请提供了一种基于BP神经网络模型分类的方法和装置，以及一种训练BP神经网络模型的方法和装置。本申请在不丢失分类元素的特征信息的情况下，降低BP神经网络输入节点的数量。利用分类元素总量大但是不会同时在一个训练样本中出现的特点，当对预设训练集合进行训练时，仅对该预设训练集合中出现的分类元素到隐层的节点进行训练，对不出现在该训练文本中的分类元素，不进行训练。同样，当利用该神经网络进行分类时，仅对分类集合中出现的分类元素进行计算，对其他分类元素不再作为BP神经网络的输入。因此，降低BP神经网络输入节点的数量，减少了计算量。同时，利用权重二叉树提高了权重值的检索速度。

摘要： 本申请涉及一种基于自回归ARIMA模型和前馈BP模型的数据预测方法和系统，其中，该方法包括：通过预设地区的历史出口数据建立ARIMA模型，并得到线性预测结果；将历史出口数据的真实值与对应的线性预测结果进行拟合，得到残差序列；通过残差序列和疫情因素建立BP模型，并得到非线性预测结果；根据线性预测结果和非线性预测结果，得到综合预测结果，综合预测结果用于预测预设地区的外贸出口，通过本申请，解决了预设地区在受到疫情因素影响下外贸出口量的预测存在精准度低的问题，实现了结合时间序列中ARIMA模型和人工智能中的BP模型，准确预测了预设地区在外部影响因子影响下的外贸出口。

摘要： 本发明公开了一种基于灰色预测模型与BP人工神经网络模型的月用电量预测方法，该方法首先计算每月指数，再利用每月指数修正月用电量数据，而后对修正的数据作对数变换并以此建立灰色预测模型，用该模型进行拟合预测后，得到月用电量的拟合值向量、未来月用电量的预测值向量及残差值向量，将残差值向量做计算处理后输入BP人工神经网络模型进行网络训练并做预测，得残差预测值向量，最后，将该向量计算处理后与未来月用电量的预测值向量进行计算处理后得最终预测值矩阵。相比现有方法，本发明能够显著提高月用电量的预测精度。

摘要： 本发明公开了一种基于尾流边界膨胀的BP模型的简化模型，所述简化模型包括以下步骤：步骤一：根据BP模型，尾流区速度损失沿径向符合自相似的高斯分布；步骤二：根据BP模型应用动量定理，并通过步骤一中的高斯分布，得到下游距离x处的最大速度损失；步骤三：基于速度损失的自相似性，通过相关实验数据和仿真结果来确定尾流边界，并通过引入膨胀系数k来表示尾流膨胀的线性规律；步骤四：将步骤三中的尾流线性膨胀规律应用到BP模型中，得到简化后的风电机组尾流区风速分布的计算模型。

摘要： 本发明公开了一种基于BP网络模型的负荷预测的模型输入变量优化方法，包括如下步骤：通过方差贡献法选择预测器的输入变量；对步骤S1所得的输入变量的相关因素的方差贡献进行F检验，剔除负荷的影响作用不显著的输入变量；检查已选择的输入变量，去除对负荷作用变得不显著的输入变量；建立BP人工神经网络模型，引入步骤S3所得的输入变量；进行负荷预测。本发明提高了负荷预测的精度。

摘要： 本发明提供一种基于MEA‑BP模型的金属管道腐蚀速率预测方法，其特征在于，包括以下步骤：步骤S1，获取金属管道内腐蚀速率数据以及影响腐蚀速率的数据作为样本数据；步骤S2，对样本数据进行归一化处理得到归一化处理的样本数据；步骤S3，构建BP神经网络模型，将归一化处理的样本数据输入至BP神经网络模型；步骤S4，采用MEA算法对BP神经网络模型进行优化训练直至生成最优的BP神经网络模型，并将其作为腐蚀速率预测模型；步骤S5，将待测数据输入至腐蚀速率预测模型获取对应的腐蚀速率预测结果，由于采用思维进化算法对BP神经网络模型进行训练优化，因此使得腐蚀速率预测模型在全局范围内寻找最优解的能力增强、收敛速度加快，大大提高了模型的预测精准度。

摘要： 本发明公开了一种单层Bp神经网络的等效方程组模型构造方法，包括以下步骤：对数据集进行预处理；载入训练集；读取神经网络结构；构造无约束条件下的等效方程组模型，并进行求解，然后验证无约束条件下的等效方程组模型与单层Bp神经网络的等效性；构造线性约束条件下的等效方程组模型，并进行求解；利用测试集测试带有线性约束条件方程组的解。本发明在无约束条件下，该模型能达到与单层BP神经网络识几乎相同的识别率；在复杂线性约束条件下，该模型能够清晰表达约束条件，解决单层BP神经网络难以编写程序求解的优化问题。

摘要： 本发明属于电力技术领域，公开了一种基于SIFT数据特征提取算法与BP神经网络模型的局部放电模式识别方法。该方法能够提取局部放电信号时频谱图的图像特征并聚类构造出相应的特征字典，将其可视化后作为分类器的输入以实现局部放电的模式识别。