基于D-S证据理论的飞行事故预测模型

为提高飞行事故的预测精度,提出一种基于D-S证据理论的组合预测模型.该模型分别采用时间序列、BP神经网络和最小二乘支持向量机对飞行事故率进行预测,通过对待测年份之前的飞行事故的预测误差分析,计算出相应的基本信任分配函数,并借助D-S证据理论对三种预测模型进行融合,将融合结果作为飞行事故率预测模型的权重,从而得出待测年份的飞行事故预测结果.以美国空军A类飞行事故数据对该组合模型进行验证,结果表明组合预测模型能够较准确地预测飞行事故率,且模型精度优于任何单一预测模型.     

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。     

一种战车主减速器温度预测方法研究

目的针对战车主减速器温度预测需求,建立时间序列ARIMA多步预测和BP神经网络预测模型,提出基于BP神经网络修正误差的ARIMA模型温度预测方法。方法结合BP神经网络的非线性能力与ARIMA模型预测能力,分析ARIMA在多步预测时误差产生原因,在神经网络对ARIMA多步误差进行预测基础上计算修正因子,把误差修正因子和BP网络结合,实现对多步预测误差的修正。结果ARIMA模型多步预测时,预测误差随预测步数的逐步增加不断增大,引入了误差修正因子进行修正。通过预测值与实际值进行对比,可有效提高预测准确度。结论 BP神经网络和误差修正因子结合应用可显著提高温度预测效果。     

基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性.     

BP神经网络在流溪河水库径流量预测中的应用

流溪河水库是广州市的主要饮用水源地,所属地区降雨量年际变化大,不利于水资源的优化配置。对流溪河水库径流量进行预测研究,可为其水资源的优化配置提供科学依据。目前人工神经网络(ANN)技术在水文序列模拟预测中有较多的应用,本文根据流溪河水库1959~2000年水文数据,利用BP神经网络对径流量进行预测,从模型检验结果看,所建模型有较好的拟合效果和预测精度,说明神经网络在预测径流量方面有良好的实用性。     

灰色神经网络模型在油气管道腐蚀速度预测中的应用

简要说明了GM(1,1)模型和BP神经网络模型预测过程,提出了灰色神经网络组合模型,用此方法对某原油长输管道腐蚀速度进行了预测,并用MatLab语言编程的方法对数据做了处理,结果表明用该方法预测得到的数据与实测值非常接近。     

基于PCA和BP神经网络的中南公路岩质边坡稳定性预测

综合利用主成分分析法(Principle Component Analysis,PCA)对影响公路岩质边坡稳定性的6个因素进行主成分提取,提取的4个主成分作为BP神经网络的输入变量,边坡状态作为输出变量,并采用Levenberg-Marquardt(LM)算法优化BP神经网络,建立了基于PCA-LM-BP神经网络的公路边坡稳定预测模型。结合中南公路岩质边坡工程实例,将PCA-LM-BP神经网络模型的预测结果与LM-BP神经网络模型、BP神经网络模型预测结果进行对比。结果表明:基于PCA-LM-BP神经网络的预测模型精度较高,可为预测中南公路边坡稳定性提供一定的依据。     

基于ARIMA和BP神经网络的猪舍氨气浓度预测

为了从源头减少生猪养殖过程中的氨气排放,降低猪舍氨气浓度,提出了基于ARIMA-BP神经网络的猪舍氨气浓度组合预测方法,分别从最优权重和残差优化角度对基于ARIMA-BP神经网络的组合预测方法进行了对比研究.将该预测方法应用于江苏省宜兴市某养猪场的氨气浓度预测中,预测结果表明：基于ARIMA-BP神经网络残差优化组合预测方法的预测精度最高,与BP神经网络、ARIMA预测方法和基于ARIMA-BP神经网络最优权重组合预测方法对比分析,评价指标MAE、MAPE和RMSE分别为0.0319、0.1580%和0.0365.本文提出的氨气预测方法可以为猪舍环境精准化调控管理提供科学依据以减小猪舍氨气排放对生态环境的污染.     

长隧道围岩施工变形特征分析的模型应用

隧道围岩监控量测是隧道安全施工的重要保证,通过对隧道现场实测数据进行建模来分析围岩施工的变形特征,可以判断隧道围岩的稳定性,从而指导隧道的下一步施工。利用灰色系统理论GM(1,1)模型和BP神经网络模型对某隧道现场监控量测数据进行数据拟合与建模分析,并通过计算拟合残差选取更适合的预测模型来处理分析数据。由模型预测结果可知,BP神经网络模型所得到的拟合值更加贴合实际发展趋势,拟合精度更高,具有一定的适应性。     

基于Metropolis准则的BP模型改进及在太湖Chl-a预测中的应用

水体富营养化及藻华暴发已成为湖泊治理中的主要问题,利用历史监测数据,采用BP神经网络对水体中叶绿素a(Chl-a)浓度进行预测,已成为藻华预警的主要手段.但该方法存在迭代速度慢、易陷入局部极值等局限性,导致产生拟合结果不优或预测误差较大等问题.利用Metropolis接受准则的全局寻优能力,将其与BP神经网络相结合构建...     

BP神经网络组合预测在城市生活垃圾产量预测中应用

文章分析了组合预测理论,在建立由二次指数平滑预测模型、灰色预测模型、BP神经网络预测模型组成的组合预测模型库的基础上,利用以上三种单一预测模型的组合构成BP神经网络组合预测模型。分别应用单一预测模型和组合预测模型对湖南省城市生活垃圾产生量进行预测,通过分析和比较预测结果,验证了该组合预测方法的有效性。     

基于Keras长短时记忆网络的矿井瓦斯浓度预测研究

瓦斯浓度监测是煤矿瓦斯灾害事故预警的重要的手段,其浓度变化预测对于提升矿山安全生产具有重要意义。针对矿井瓦斯浓度预测问题,建立了一种基于Keras长短时记忆网络的矿井瓦斯浓度预测模型。该模型首先对矿井瓦斯浓度时间序列进行标准化处理,并将处理后的时间序列划分为训练集与测试集;然后通过调用测试集数据进行模型训练,利用提出的基于LSTM网络建立的矿井瓦斯浓度多步预测模型,实现了对矿井瓦斯浓度发展趋势的预测,并利用损失函数计算预测误差大小,评估模型的预测精度;最后以贵州某煤矿掘进工作面为工程背景,利用基于LSTM网络建立的矿井瓦斯浓度多步预测模型,开展了矿井瓦斯浓度预测研究,并通过与ARMA模型、ARIMA模型的预测结果进行对比,验证该模型的预测效果。结果表明:该模型预测结果的均方根误差RMSE值最小仅为2%,且预测步长约为ARMA模型、ARIMA模型的5倍,说明该模型的预测效果好,可为煤矿井下合理规避瓦斯灾害事故提供科学依据。     

应用BP神经网络预测嵌岩桩竖向承载力的研究

利用BP神经网络,建立了嵌岩桩竖向承载力预测的BP神经网络模型,采用嵌岩桩竖向承载力的实验数据对网络进行了训练,并以此训练好的BP神经网络对嵌岩桩承载力进行了预测。预测结果表明,该模型具有很高的预测精度,为预测嵌岩桩承载力提供了一种新的方法。     

基于灰色理论与BP神经网络预测成都市生活垃圾产生量

根据成都市中心城区垃圾产生量的历年数据,先用以时间为单变量的灰色GM(1,1)预测模型得到历年数据的拟合值,再分析垃圾产生量与其影响因素之间的灰色关联度,选出关联度最大的4个因素建立多变量的灰色GM(1,5)预测模型与BP神经网络模型,并对垃圾产生量的预测精确度进行了对比,用预测精度最高的BP神经网络模型对未来年份的垃圾产生量进行了预测,为成都市垃圾处理处置规划提供了理论依据。     

ARIMA模型和GM(1,1)与ARMA(p,q)组合模型在滑坡短期预报中的对比分析

滑坡的短期预报研究是当前国内外滑坡领域的重要研究方向之一。在滑坡的中短期时间预报中,基于统计学的预测模型是主要的分析预测工具。采用两种理论上比较成熟的ARIMA模型和GM(1,1)与ARMA(p,q)组合模型来模拟滑坡的累积位移量,并对这两种模型的优缺点以及各自适用条件进行了对比分析。结果表明:两种模型都能较好地拟合滑坡累积位移量时间序列并做出一定精度的预测,但是两种模型的适用条件不同。本研究可为滑坡短期预报提供借鉴和参考。     

基于经验模态分解和神经网络的滑坡变形预测研究

受岩土体性质和多种诱发因素(降雨、地震、库水位等)的影响,滑坡的位移演化必然包含着多层次的信息,难以采用单一的灰色预测、神经网络、时间序列等模型进行有效、准确的预测.本文引入信号分析中的经验模态分解(EMD)方法,同时结合对非线性函数具有很强的逼近能力的BP神经网络,建立了滑坡变形预测的EMD-BP神经网络模型,并以三峡库区树坪滑坡为例,应用该模型对ZG88监测点的累积位移进行了预测,最后将其预测值与实际监测值以及其他模型预测结果进行了对比分析,结果表明该模型的预测值与实际监测值基本一致,且模型预测精度比单一的BP神经网络和GM(1,1)模型要高,从而验证了该模型具有一定的适用性和较高的预测精度.     

基于神经网络的教室室内PM2.5浓度预测研究

为建立适用于教室PM_2.5的室内预测模型，该文依据长期监测的教室内环境数据，建立了涵盖室内外环境参数、人员活动因素和季节性因素在内的PM_2.5预测模型。研究使用多元线性回归模型和人工神经网络模型，采用主成分分析法和和熵值法分析了影响室内PM_2.5浓度的总方差的影响因素权重及对BP神经网络输入因子进行降维。结果表明：(1)在采集的13个因素中，对室内PM_2.5的总方差解释大小排名前5的影响因素依次是室内相对湿度、室内通风量、室内二氧化碳浓度、室外相对湿度、门开启时间占比。(2)采用BP神经网络的预测效果优于传统的多元线性回归，拟合优度R2从0.412上升到0.547。(3)针对BP神经网络，采用交叉验证法验证了各个季节的预测效果，结果表明春季的预测效果最好，冬季次之，秋季最差。(4)采用主成分对数据进行降维和调整BP神经网络的隐藏层数能够优化BP神经网络，可将R2提升至0.710和0.805。研究结果可为机械通风下的教室室内PM_2.5预测模型建立提供依据和数据支撑。     

基于空间拟合和神经网络的机场噪声预测集成模型

将集成学习方法引入到机场噪声预测中,提出一种基于空间拟合和神经网络的机场噪声预测集成模型.该模型采用空间拟合算法和BP神经网络算法构建基学习器,然后通过所提出的基于观察学习的异构集成算法将基学习器集成起来,获得集成的机场噪声预测结果.该模型通过集成多个异构机场噪声预测基学习器,能够有效提升预测准确率.实验结果表明,本文所提出的基于观察学习的异构集成算法,较之其他异构集成算法,在解决机场噪声预测问题上准确性更高、容错性更强.     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.      

基于机器学习方法的小麦镉富集因子预测

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R²=0.583)和BPNN(R²=0.490)模型预测性能均优于Freundlich转移方程(R²=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R²为0.527～0.601)较BPNN(R²为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.