基于灰色关联分析与SA-PSO-Elman结合的地震直接经济损失评估

对地震灾害造成的损失进行评估是国家采取应急救援和灾后援建工作的重要依据。为快速评估地震灾害引起的直接经济损失,提出一种基于灰色关联分析与模拟退火-粒子群-Elman神经网络(SA-PSO-Elman)结合的地震灾害直接经济损失评估模型。该模型先采用灰色关联分析方法客观地选出地震灾害直接经济损失的主要影响因素,即为Elman神经网络的输入,然后将全局寻优能力强及收敛速度快的粒子群算法与能跳出局部极值的模拟退火算法相结合来优化Elman神经网络的权值和阀值,最后将训练好的Elman神经网络运用到地震灾害直接经济损失评估中。通过仿真试验结果表明:该混合算法优化的Elman神经网络模型比Elman神经网络模型和PSOElman神经网络模型具有更高的预测精度和收敛速度。     

基于TSA-BP模型的温州站台风风暴潮增水预测

台风风暴潮灾害通常会对沿海地区造成巨大损失,因此,准确预测台风风暴潮增水对沿海地区的防灾、减灾工作具有现实意义。本文根据现有风暴潮增水预测研究的成果,建立了基于被囊群算法（tunicate swarm algorithm）优化的BP神经网络模型,将该模型应用于台风风暴潮增水预测研究中。本文选取影响温州验潮站的3个台风作为研究对象,收集并建立了3个台风影响验潮站过程的129个逐时数据样本。利用新模型对温州站进行风暴潮增水预测,结果表明,该模型与BP神经网络相比克服了陷入局部最优解的缺陷,与粒子群优化的BP神经网络模型相比,提升了模型收敛速度,具有更好的预测精度及稳定性。     

基于IPSO-ELM算法的空气质量预测

基于人工神经网络空气质量预测模型存在易陷入局部极值、参数选取困难等问题,文章提出利用极限学习机进行空气质量预测。针对传统极限学习机的隐含层节点数、及其阈值和权值随机生成造成网络学习能力下降的问题,提出利用改进粒子群算法并行优化极限学习机的隐含层节点数和隐含层的阈值、权值,并以均方根误差作为适应度函数。利用优化后的极限学习机预测空气质量(SO2、NO2、PM10、CO、O3、PM2.5浓度和AQI),并将预测结果与BP神经网络和ELM算法进行比较。结果表明,该文所提的空气质量预测方法比BP神经网络和ELM算法具有更高的预测精度和可靠性。     

基于主成分分析和粒子群优化支持向量机的边坡稳定性评价

为科学评价边坡工程的稳定性,优化边坡稳定性的预测精度,提高工作效率,提出了基于主成分分析法(PCA)和粒子群算法(PSO)优化的支持向量机(SVM)模型。首先利用主成分分析法对边坡稳定性影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,然后通过粒子群算法优化支持向量机参数,最终建立边坡稳定性评价模型,并对边坡实例的稳定性进行预测,结果表明:PCA-PSO-SVM模型的运行速度快,预测准确率达909%,满足工程要求。     

基于粒子群径向基神经网络的矿井突水水源判别

以多项地下水化学组分指标作为判别因子,采用粒子群算法优化径向基函数神经网络中的参数,建立了最优结构的基于粒子群径向基函数神经网络的矿井突水水源判别模型,将此模型应用于实例分析中,并与其他方法进行了比较分析。结果表明:基于粒子群径向基函数神经网络的矿井突水水源判别模型的判别结果具有客观性和实用性,避免了权重分配等人为因素的干扰;与传统最小二乘法的RBF神经网络相比,其精度更高,优化结果更为合理,具有较强的突水水源判别能力,可为矿井突水水源判别提供了一条新途径。     

基于改进FWA-NN的污水处理过程溶解氧浓度预测

为实现对污水处理过程溶解氧质量浓度的实时准确预测,提出了一种改进的混沌烟花混合优化算法并构建了基于改进算法的神经网络在线软测量模型.结合污水处理过程的数据特征,定义了一项新的样本相似度衡量指标用于提取更具代表性的建模数据.在改进算法中,为提高基本烟花算法初始成员的质量,定义了一种改进的两级正弦混沌映射并利用混沌运动的遍历性精选烟花算法的初始群成员;通过融合混沌算法改进了基本烟花算法的搜索机制,基于设定准则将寻优过程分为两阶段并采用两分群同时进行.测试结果表明改进算法的收敛速度和收敛精度有较大程度提高.将改进的软测量建模方法和样本数据提取方法用于污水处理过程溶解氧质量浓度软测量建模,应用结果表明该模型的均方根误差和平均泛化误差分别为0.0175和0.0118,具有较强的泛化性能.     

自适应人工鱼群-BP神经网络算法在径流预测中的应用

为了提高水库和河流中长期径流预测精度,提出了弹性自适应人工鱼群算法(RAAFSA)。应用RAAFSA算法训练BP神经网络,实现BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对石泉水库进行中长期径流预测。仿真计算表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法、人工鱼群-BP神经网络算法和RBF神经网络算法。该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,每次预测相对误差绝对值都小于6%,合格率达到100%。该算法成功地解决了石泉水库中长期径流预测精度不高的难题,可有效用于水库和河川中长期径流预测。     

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.      

基于自适应调整蚁群-RBF神经网络模型的中长期径流预测

径流预测历来是水利部门的一项重要工作,针对水库和河流中长期径流预测精度不高,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节人工蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑影响径流预变化因素,对安康水库进行中长期径流预测。对预测效果进行检验,结果证实该模型可真实地反映河川径流变化的总体趋势, 并为判断时间序列数据的非线性提供了一种新方法。与RBF神经网络模型、人工蚁群-RBF神经网络模型预测结果进行对比,结果表明,应用ARACS-RBF模型对中长期径流量进行预测,预测精度更高、效果更好。该方法克服了RBF神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了径流预测的精度,置信度为98%时的预测相对误差小于6.5%。可有效用于水库和河川中长期径流预测。     

引信步进应力加速试验贮存寿命预测研究

目的 针对某机电引信加速寿命试验数据,采用传统统计分析方法存在计算量大、寿命预测精度难以保证的问题,开展与智能算法相结合的引信贮存寿命预测研究。方法 针对步进应力加速寿命试验数据,采用贝叶斯理论的环境因子法,对各级应力下的贮存时间进行折合计算。利用进化策略对粒子群算法进行改进,进而对所建立的BP神经网络预测模型的全局参数进行调整和优化,突破传统方法的局限。将折合后的试验时间、样本量、应力水平作为网络输入,失效数作为输出,来预测引信贮存寿命。结果 利用训练好的 BP神经网络预测引信在正常应力水平下的失效数,计算其贮存可靠度。在迭代402次后,模型找到最优解,且预测误差在1%以内。结论 步进应力加速寿命试验与智能算法相结合的方法计算过程简单,预测精度较高,可有效提高引信贮存寿命的预测精度。     

ABC算法优化SVR的磨损故障预测模型

目的为了提高故障预测的精度,针对支持向量回归SVR(Support vector machine for regression,SVR)参数选择困难的问题,提出一种采用人工蜂群(artificial bee colony,ABC)算法优化支持向量回归(SVR)的故障预测模型(ABC-SVR)。方法该模型先对样本数据进行重构,然后将故障预测误差(适应度)作为优化目标,通过ABC算法寻优找到最优的SVR参数,建立故障预测模型。最后通过实例仿真验证模型的优越性。结果采用ABC算法优化的SVR故障预测模型进行时间序列预测,能够较好地跟踪发动机滑油金属元素浓度的变化过程,并且能够提前2个取样时间预测异常情况的出现。结论 ABC-SVR模型有效解决了SVR参数选择难题,能够更加准确地表现故障变化规律,提高了故障预测精度。     

Forecasting of dissolved oxygen in the Guanting reservoir using an optimized NGBM (1,1) model

An optimized nonlinear grey Bernoulli model was proposed by using a particle swarm optimization algorithm to solve the parameter optimization problem. In addition, each item in the first-order accumulated generating sequence was set in turn as an initial condition to determine which alternative would yield the highest forecasting accuracy. To test the forecasting performance, the optimized models with different initial conditions were then used to simulate dissolved oxygen concentrations in the Guanting reservoir inlet and outlet(China). The empirical results show that the optimized model can remarkably improve forecasting accuracy, and the particle swarm optimization technique is a good tool to solve parameter optimization problems. What's more, the optimized model with an initial condition that performs well in in-sample simulation may not do as well as in out-of-sample forecasting.     

Forecasting of dissolved oxygen in the Guanting reservoir using an optimized NGBM (1,1) model

An optimized nonlinear grey Bernoulli model was proposed by using a particle swarm optimization algorithm to solve the parameter optimization problem. In addition, each item in the first-order accumulated generating sequence was set in turn as an initial condition to determine which alternative would yield the highest forecasting accuracy. To test the forecasting performance, the optimized models with different initial conditions were then used to simulate dissolved oxygen concentrations in the Guanting reservoir inlet and outlet (China). The empirical results show that the optimized model can remarkably improve forecasting accuracy, and the particle swarm optimization technique is a good tool to solve parameter optimization problems. What's more, the optimized model with an initial condition that performs well in in-sample simulation may not do as well as in out-of-sample forecasting.     

Forecasting of dissolved oxygen in the Guanting reservoir using an optimized NGBM (1,1) model

An optimized nonlinear grey Bernoulli model was proposed by using a particle swarm optimization algorithm to solve the parameter optimization problem. In addition, each item in the first-order accumulated generating sequence was set in turn as an initial condition to determine which alternative would yield the highest forecasting accuracy. To test the forecasting performance, the optimized models with different initial conditions were then used to simulate dissolved oxygen concentrations in the Guanting reservoir inlet and outlet (China). The empirical results show that the optimized model can remarkably improve forecasting accuracy, and the particle swarm optimization technique is a good tool to solve parameter optimization problems. What's more, the optimized model with an initial condition that performs well in in-sample simulation may not do as well as in out-of-sample forecasting.     

一种紫外-可见光谱检测水质COD预测模型优化方法

针对紫外-可见光谱法检测水质COD预测模型的精度低和收敛速度慢等问题,研究了一种基于粒子群算法联合最小二乘支持向量机(PSO_LSSVM)的水质检测COD预测模型优化方法,并引入主元分析(PCA)算法对模型输入光谱数据进行降维预处理,借以提高模型的收敛速度.结果表明,利用粒子群(PSO)算法收敛速度快和全局优化能力,优化了最小二乘支持向量机(LSSVM)模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性,克服了传统LSSVM预测模型的精度较低、稳健性较差等缺点.通过以收敛时间、预测平均相对误差(MRE)和均方根误差(RMSE)为评价标准进行评估,输入样本经过PCA降维预处理的PSO_LSSVM模型的预测能力和输入样本未经过降维预处理的LSSVM模型与PSO_LSSVM模型进行了比较分析,输入样本经过PCA降维预处理的PSO_LSSVM模型预测效果最优,且此算法使用C语言实现,易于移植,这为紫外-可见光谱水质COD在线、实时性检测奠定了基础.     

蛙跳算法优化的地下水质评价的参数化组合算子模型

传统的参数化多元组合算子模型在进行对数变换后,采用最小二乘法求解模型参数。在满足构建的优化目标函数条件下,直接用基于群集智能的混合蛙跳算法对参数化组合算子模型中的参数进行优化,避免了传统解法过程中需要进行的对数变换,因而使参数求解变得简化。改进后的参数化组合算子模型被应用于地下水水质评价,其评价结果与用其他多种方法的评价结果基本一致。从而表明:混合蛙跳算法优化得出的地下水水质评价参数化组合算子模型为地下水水质评价提供了一种简便和实用的新方法。     

高校能源消耗建模研究与应用

针对高校能源消耗建模研究与应用问题,文中介绍了高校能耗日益增长现状,给出了高校能耗模型构建,为节约能源必须做好精准能耗预测.建立了灰色径向基函数神经网络高校能耗预测模型,并采用基于排序等分法赌盘规则选择算子的遗传算法对该模型进行全局优化,进一步用实例对比分析评估了模型的有效性.实践表明,优化后的模型能有效预测能耗,与传统单一的建模方式相比,有更好的拟合性、稳定性、预测精度和更快的收敛速度,为节能评估和设计提供了决策依据.     

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.      

基于替代模型的地下水DNAPLs污染源反演识别

应用基于核极限学习机替代模型的模拟-优化理论和方法研究解决了地下水DNAPLs污染源及含水层参数的同步反演识别问题.结果表明：1）核极限学习机替代模型对模拟模型有较高的逼近精度,能够识别并模仿模拟模型的输入-输出关系,绝大部分相对误差小于5%,平均相对误差仅有2.98%;2）以替代模型代替模拟模型,大幅度地减小了模拟-优化过程的计算负荷,将反演识别时间由传统方法的83天减少到3小时,并能够保持较高的计算精度;3）应用基于模拟退火的粒子群优化算法求解优化模型,能够以较快的速度搜寻到全局最优,同时避免搜索过程陷于局部极小解.