BP网络模型

摘要： 本文利用BP网络模型和城市自来水厂自控采集数据,通过分析日供水量与气象条件、水质参数、水源水文信息等因素之间的相关性,预测分析了北票市城市自来水厂日供水量。结果表明:自来水厂实际供水情况与预测结果基本一致,能够满足供水系统实际调度需求和绝对百分比平均误差(MEAP)<5%的要求;该BP网络模型的预测误差较小,可为精准预测自来水厂日供水量及供水规模提供一种行之有效的方法。

摘要： 配电网络损耗是关系到电网正常运行的关键,如何对配电网络损耗进行优化是目前亟待解决的技术问题.论文针对无功补偿设备辐射状配电网存在的网络损耗问题,提出了一种优化方案.根据辐射状配电网体系结构的特征,提出基于BP网络模型理论进行计算配电网络损耗的方法,该方法能够映射、处理任意复杂的非线性关系,数据处理精确、及时,并根据计算的结果,提出基于遗传算法优化网络损耗的方案,通过搜索最优解,有针对性地优化损耗问题.根据数据比对,论文提出的方案优化效果较好,具有一定的实用价值.

摘要： 城市生态承载力反映了城市生态系统承受人类经济社会活动的能力,是判断城市生态系统健康水平与如何实现绿色可持续发展的重要依据.从社会、经济、资源环境3个维度构建环长株潭城市群生态承载力评价指标体系,采用熵权-TOPSIS法对2008—2017年各系统承载力进行评价,分析其时空演变趋势,并利用BP网络模型对未来8年城市生态承载力进行安全预警.结果表明:1)从时间变化来看,2008—2017年环长株潭城市群各系统承载力总体呈波动上升趋势;2)从空间布局来看,研究区呈现出东北高,西南低的空间分布格局;3)根据预警结果,2018—2025年,该城市群综合生态承载力安全警度由中警降至轻警,但与无警状态相差甚远,说明环长株潭城市群"两型社会"建设依旧任重而道远.针对上述研究结果,提出环长株潭城市群城市生态承载力水平的提升建议.

摘要： 本文基于地层岩石的测井资料,构建基于遗传算法(GA)优化后BP神经网络地层可钻性预测模型。经GA优化后的BP神经网络避免了传统BP神经网络收敛速度慢和易陷入局部极小值等不足,大大提高了模型的预测精度和收敛速度。结合实例分析,通过对比BP、GA-BP和PSO-BP三种模型的可钻性级值的预测结果,发现GA-BP的预测精度更高。具有一定的参考价值。

摘要： 变形预测在预报工程险情方面起着关键性的作用,针对施工中需及时、准确地预测变形的问题,本文利用小波变换原理对监测数据进行降噪处理,并采用BP神经网络分析不同训练样本下的预测效果和精度水平.实验结果表明:基于小波消噪后的BP网络模型,以连续的近期观测数据作为训练样本,对下期变形预测精度高,效果好,相对误差很小.因此,小波变换和BP神经网络模型在沉降变形监测工程中能作为预测研究与应用的参考.

摘要： 对再生骨料透水混凝土(RAPC)4项关键性能指标(抗压强度、劈拉强度、孔隙率及透水系数)进行了统计分析,发现这4项性能指标均基本服从正态分布规律;同时建立了RAPC宏观性能的统计规律与内在联系.在此基础上,基于人工神经网络方法,运用Python软件建立了基于BP神经网络的RAPC性能预测模型,并对上述关键性能指标进行了相互预测分析.结果表明:4项性能指标的模型预测值平均相对误差均在10％以内,预测精度较高,表明RAPC的透水性能与强度性能之间具有内在的反向关联关系,并具备可预测性.

摘要： 运用人工神经网络方法,建立药剂配方、原材料粒度与药剂爆热的三层BP网络模型,通过10组数据对网络进行智能驯化,利用驯化后的网络对另5组数据进行预测,并对这5组数据进行实际测量,结果表明该BP网络能够反映药剂配方、原材料粒度与药剂爆热之间的关系,预测精度较好,相对误差较小.

摘要： 通过 BP 网络模型以及金融风险方法和技术，对安徽民间金融风险进行实时预警实证和模型分析，此项研究对进一步完善金融机构控制风险的能力以及促进民间金融的发展，具有重要的理论和现实意义。

摘要： After the field geological investigation of a power station on the Jinsha River,we had obtained basic geological data. According to its geological characteristics,we chose seven influential factors as the input variables of the Artificial Neural Network Model,such as one axis compressive strength of rock(R),rock quality designation (RQD),rock weathering degree,set of joints(Jn ), joint roughness coefficient (Jr ),fissure anomaly factor(Ja )and groundwater state. The artificial neural network based on the technology of MATLAB was trained,by 116 samples,to be an artificial neural network model which was high stability and reliability. According to the analysis of 36 test data,the artificial neural network model,of which the simulation results was very accurate,was proved to meet fully requirements of the engineering practice.%通过金沙江某水电站的野外地质调查获取了丰富的基础地质资料后，针对其地质特点，提炼出岩石单轴抗压强度（R）、岩石质量指标（RQD）、岩体风化程度、节理组数（Jn ）、节理粗糙系数（Jr ）、节理蚀变系数（Ja ）和地下水状态7个对岩体质量起控制作用的因素作为神经网络模型的输入变量。基于MATLAB软件平台设计的人工神经网络，通过具有较强代表性的116组样本数据的训练得到了稳定性好、可信度高的岩体质量分级网络模型。在对36组测试数据分析后，发现该模型的仿真结果具有较高的准确度和良好的吻合度，能够满足实际工程需要。

摘要： 坦克分队战斗队形是坦克分队控制战场态势和发挥战斗效能的编组方式的体现．在虚拟仿真训练中，为快速、高效地识别坦克分队在机动过程中的战斗队形，分析了坦克分队战斗队形的特点。建立了基于BP神经网络的坦克分队战斗队形识别模型，并提出了网络训练样本数据的生成模型．通过网络训练并应用表明，识别精度高，能够满足虚拟仿真训练中队坦克队形识别的需要，可以辅助仿真训练人员检验机动过程中战斗队形的保持情况．

摘要： 坦克分队战斗队形是坦克分队控制战场态势和发挥战斗效能的编组方式的体现．在虚拟仿真训练中，为快速、高效地识别坦克分队在机动过程中的战斗队形，分析了坦克分队战斗队形的特点。建立了基于BP神经网络的坦克分队战斗队形识别模型，并提出了网络训练样本数据的生成模型．通过网络训练并应用表明，识别精度高，能够满足虚拟仿真训练中队坦克队形识别的需要，可以辅助仿真训练人员检验机动过程中战斗队形的保持情况．

摘要： 坦克分队战斗队形是坦克分队控制战场态势和发挥战斗效能的编组方式的体现．在虚拟仿真训练中，为快速、高效地识别坦克分队在机动过程中的战斗队形，分析了坦克分队战斗队形的特点。建立了基于BP神经网络的坦克分队战斗队形识别模型，并提出了网络训练样本数据的生成模型．通过网络训练并应用表明，识别精度高，能够满足虚拟仿真训练中队坦克队形识别的需要，可以辅助仿真训练人员检验机动过程中战斗队形的保持情况．

摘要： 坦克分队战斗队形是坦克分队控制战场态势和发挥战斗效能的编组方式的体现．在虚拟仿真训练中，为快速、高效地识别坦克分队在机动过程中的战斗队形，分析了坦克分队战斗队形的特点。建立了基于BP神经网络的坦克分队战斗队形识别模型，并提出了网络训练样本数据的生成模型．通过网络训练并应用表明，识别精度高，能够满足虚拟仿真训练中队坦克队形识别的需要，可以辅助仿真训练人员检验机动过程中战斗队形的保持情况．

摘要： 本文介绍了通过神经网络来预测海水环境对材料的腐蚀速率的技术方法。利用3层前馈型BP网络模型，结合实测的PH值、温度、溶解氧、盐度、生物附着环境因子，预测了A3钢在海水环境中的的腐蚀速率，全浸区预测误差为6.95％，潮差带预测误差为4.2％，预测精度较高.

摘要： 本文介绍了通过神经网络来预测海水环境对材料的腐蚀速率的技术方法。利用3层前馈型BP网络模型，结合实测的PH值、温度、溶解氧、盐度、生物附着环境因子，预测了A3钢在海水环境中的的腐蚀速率，全浸区预测误差为6.95％，潮差带预测误差为4.2％，预测精度较高.

摘要： 本文介绍了通过神经网络来预测海水环境对材料的腐蚀速率的技术方法。利用3层前馈型BP网络模型，结合实测的PH值、温度、溶解氧、盐度、生物附着环境因子，预测了A3钢在海水环境中的的腐蚀速率，全浸区预测误差为6.95％，潮差带预测误差为4.2％，预测精度较高.

摘要： 本文介绍了通过神经网络来预测海水环境对材料的腐蚀速率的技术方法。利用3层前馈型BP网络模型，结合实测的PH值、温度、溶解氧、盐度、生物附着环境因子，预测了A3钢在海水环境中的的腐蚀速率，全浸区预测误差为6.95％，潮差带预测误差为4.2％，预测精度较高.

摘要： 本文介绍了通过神经网络来预测海水环境对材料的腐蚀速率的技术方法。利用3层前馈型BP网络模型，结合实测的PH值、温度、溶解氧、盐度、生物附着环境因子，预测了A3钢在海水环境中的的腐蚀速率，全浸区预测误差为6.95％，潮差带预测误差为4.2％，预测精度较高.

摘要： 本文介绍了通过神经网络来预测海水环境对材料的腐蚀速率的技术方法。利用3层前馈型BP网络模型，结合实测的PH值、温度、溶解氧、盐度、生物附着环境因子，预测了A3钢在海水环境中的的腐蚀速率，全浸区预测误差为6.95％，潮差带预测误差为4.2％，预测精度较高.

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。

摘要： 本发明公开了一种基于BP神经网络模型的半导体器件温度分布预测方法，所述方法包括：基于目标半导体器件对应的参数，建立半导体器件模型；获取所述半导体器件模型在多个预设环境下的多个数据集；基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型基于所述训练数据集对BP神经网络模型进行训练，以得到初始温度分布预测模型；基于所述测试数据集对所述初始温度分布预测模型进行验证，并根据验证结果对所述初始温度分布预测模型进行调整，以得到目标温度分布预测模型。本发明能够快速、高效、精准地得到目标温度分布预测模型，从而可以基于所述目标温度分布预测模型进行半导体器件的温度分布预测。

摘要： 本发明公开一种基于小波去噪的灰色BP神经网络模型的地表沉降预测方法，具体属于采空区残余沉降预测技术领域，包括以下步骤，采用小波阈值去噪方法对实测数据进行优化处理；将小波预处理后的数据生成计算序列建立灰色GM(1，1)预测模型，得出预测结果与误差序列；将GM(1，1)模型的预测结果进行多次神经网络训练，处理得到BP神经网络预测模型修正后的误差序列，与GM(1，1)模型的预测序列相加之和即为灰色BP神经网络模型的预测值；最终对组合模型的预测精度进行计算，对预测结果进行评价。本发明实现了多种预测方法优势的有机结合，进一步提高串联式模型预计结果的准确性与可靠性，在沉陷预计方面具有很好的理论意义与应用前景。

摘要： 本发明公开了一种基于BP神经网络模型的非侵入式负荷识别方法，涉及电力技术领域，包括以下步骤：A、特征分析样本的获取，B、特征样本集的获取，C、BP神经网络的优化和D、输出负荷识别结果四个步骤。本发明通过电能表计量芯采集不同家用负荷运行数据，提取家用负荷的暂态和稳态变化过程为负荷特征，结合BP神经网络模型实现家用负荷的辨识，从而提高居民侧负荷辨识的准确性和可靠性。

摘要： 本发明公开了一种基于BP网络模型预测高炉炉缸活性的方法，包括：步骤一，量化炉缸活性作为输出参数，确定输入参数，采集高炉稳定运行数据库的历史数据构建数据集；步骤二，对输入参数进行预处理；步骤三，采用皮尔逊相关性分析各参数在不同时间段与高炉风量之间的相关性，选取与高炉标态鼓风量相关性最大时对应的滞后时间作为当前参数参与运算的滞后时间；步骤四，使用min‑max法对高炉炉缸活性数据进行归一化处理；步骤五，建立BP网络初始模型，训练得到炉缸活性预测模型；步骤六，采集高炉运行数据，将采集到的输入参数输入炉缸活性预测模型，获取炉缸活性预测模型的输出作为炉缸活性的预测值。通过该方法能够取得较好的炉缸活性预测效果。

摘要： 本发明提供了一种基于LM‑BP神经网络模型预测噪声特性的方法，包括以下步骤：S1采集数据：海水温度T、海水盐度S、海水深度z、海面风速v、海面降雨率r数据、和海洋环境噪声数据；S2.创建包括上述5类数据和海洋环境噪声数据的数据集；S3.以S1中采集的5类数据为输入，设计LM‑BP神经网络模型的拓扑结构；S4.训练LM‑BP神经网络模型；S5.基于LM‑BP神经网络模型预测噪声特性：将海面风速，海面降雨率，海水温度、盐度以及深度这5类参数输入S4中生成的模型中，输出噪声特性。本方法提供的模型，对海洋环境噪声谱级进行预测时有较好的精度。