粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阈值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析。与经典BP神经网络模型的预测结果相比,粒子群-BP神经网络模型的收敛速度更快、预测精度更高。     

基于自适应遗传算法和改进BP算法的遥感影像分类

介绍了采用自适应遗传算法和改进BP算法相结合的混合算法来训练BP网络的方法，即先用自适应遗传算法进行全局训练，再用改进BP算法进行精确训练，以达到加快网络收敛速度和避免陷入局部极小值的目的。结果表明，该算法收敛速度快，分类精度较高。     

基于混沌粒子群优化神经网络的GPS高程拟合研究

针对普通神经网络模型存在预测精度低等问题,采用粒子群优化神经网络权值和阈值的预测方法,建立基于该方法的BP神经网络高程异常拟合模型。为克服粒子群算法易陷入局部最优,提出并建立改进算法,即先用混沌变量初始化粒子位置,当出现早熟收敛时,对局部较优的部分粒子和全局极值采用混沌优化策略,从而提高了模型的训练精度。试验结果表明,该方法具有更好的准确性和稳定性。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

地表下沉系数选取的LWPSO-BP方法研究

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,本文以线性下降惯性权重粒子群优化算法(LLWPSO)为前处理器,优化BP网络的权值和阈值,利用实测资料数据,建立LWPSO-BP的地表下沉系数预计模型,并同普通BP模型预计结果对比结果表明:LWPSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地...     

模拟退火粒子群与小波的地基沉降预测应用

针对粒子群优化算法易陷入局部极小值问题,改进学习因子使其自适应调整,并与具有良好全局搜索能力的模拟退火算法结合,充分利用两种算法各自的优点,同时结合小波分析去噪,优化神经网络参数,对地基累计沉降数据进行预测,并与标准粒子群优化算法做了对比,实验表明两种方法的结合具有良好的全局和局部搜索能力,预测精度高。     

基于自适应UKF的BP神经网络及其在高程拟合中的应用

针对BP神经网络收敛速度慢、容易陷入局部极小值点和泛化能力差等问题,基于自适应Kalman滤波理论,提出一种自适应非线性滤波(UKF)训练BP神经网络的方法。该方法采用Kalman滤波框架,引入自适应因子,对神经网络的连接权进行训练,提高了神经网络的学习质量。高程异常拟合算例表明,基于自适应UKF的BP神经网络比标准BP神经网络收敛速度快,泛化能力强,从而证明了该方法是一种有效的连接权训练方法。     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

MEA-BP神经网络在大坝变形预测应用

针对BP神经网络预测极易陷入局部最优解,利用思维进化算法优化BP神经网络的初始权值和阈值,提出基于思维进化法优化BP神经网络(MEA-BP)大坝变形预测模型。通过算例验证,并与BP神经网络、GA-BP神经网络对比分析表明,该模型能够克服多数进化算法问题及缺陷,同时避免遗传算法中交叉和变异算子双重性,提高算法的整体搜索效率,在一定程度上保证较优的局部预测值和较好的全局预测精度,具备快速收敛能力,验证了提出的MEA-BP神经网络预测模型在大坝变形预测中的可行性和实用性。     

基于PSO-BP神经网络的地表下沉系数选取研究

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,引入粒子群优化算法,建立地表下沉系数的PSO-BP选取模型。利用粒子群算法反复优化BP网络的权值和阈值,将其作为BP网络的初始值,并将上覆岩层岩性、开采深厚比、松散层厚度、覆岩中坚硬岩层所占比例、是否为重复采动和顶板管理方法等主要影响因素作为网络输入,进行BP算法,直至网络达到训练指标。利用实测资料数据,建立PSO-BP预计模型,并同普通BP神经网络预计结果对比。结果表明：PSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地表下沉系数选取具有一定的应用价值。     

小波神经网络在桥梁变形预测中的应用

针对BP网络容易导致局部极小、不收敛的问题,提出了用小波神经网络拟合并预测大桥位移与其原因之间非线性关系的方法。提出了小波神经网络隐含层节点数的确定方法,该法可以确定网络隐含层最优节点数;小波神经网络具有良好的局部特性、较强的学习能力和任意函数逼近能力,实现了大桥变形的精确拟合及预测。实测结果表明:所提算法经过训练不仅可以准确拟合大桥位移曲线,而且预测精度较高,各项指标均优于BP网络。     

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。     

基于改进BP神经网络的GPS高程拟合方法

BP神经网络用于GPS高程拟合时存在收敛速度慢,受初始值选取影响大和易陷入局部极大值的问题。本文提出一种改进的BP神经网络高程拟合方法,将模拟退火算法(Simulated Annealing,SA)引入BP神经网络模型,利用模拟退火算法的全局寻优能力对BP神经网络的初始值进行选择,同时优化神经网络的各层神经元之间的连接权值和阈值,提高BP神经网络拟合法的拟合精度、收敛速度和推广泛化能力。最后结合实际算例对所提方法的拟合性能进行验证,结果表明利用模拟退火算法改进的BP神经网络进行高程拟合是可行且有效的,拟合结果优于传统BP神经网络法。     

AFSA-BP神经网络在大坝变形预测中的应用

经典BP神经网络的初始权值和阈值随机给定,使得训练速度慢、网络易于陷入局部极值。引入具有强大全局搜索能力的人工鱼群算法(AFSA)优化BP网络的权值和阈值,建立了基于AFSA-BP神经网络的预测模型,并对大坝的实测资料进行了实证分析。与经典BP神经网络预测模型的预测结果比较表明:AFSA-BP神经网络模型不仅训练速度快,而且预测精度明显提高,是一种较好的大坝变形预测模型。     

动态预测软土路基沉降的神经网络模型研究

人工神经网络具有较强的非线性映射能力。本文介绍了神经网络BP算法的一些改进措施。这些措施可以提高BP算法的学习收敛速度,同时也可以提高BP网络性能的稳定性。为避免软土路基沉降传统计算方法中各种人为因素的干扰,本方法利用实测资料直接建模。基于改进的BP神经网络模型,建立了可依据现场量测信息对软基路堤沉降量随时间而发展的过程进行动态预报的分析方法。本文所建立的BP算法模型比较独特,利用该模型预测软土路基沉降精度高,预测结果的稳定性好。     

遗传模拟退火算法优化BP神经网络的GPS高程拟合

针对传统BP神经网络收敛速度慢、易陷入局部最优和遗传算法优化BP神经网络(GA-BP)算法过早收敛的问题,提出了遗传模拟退火算法优化BP神经网络(GSA-BP)算法. 在遗传算法(GA)的种群更新中加入模拟退火算法(SA),保留种群的多样性. 用GSA-BP算法对某地区进行高程异常拟合,并与BP算法和GA-BP算法结果进行比较. 结果显示:GSA-BP算法精度可分别提高约51%、25%,速度提高约77%、39%,且能基本满足四等水准测量精度要求. 该方法在GPS高程拟合中具有可行性.      

改进的GA-BP神经网络模型在财产犯罪预测中的应用

发现犯罪时空分布规律并预测犯罪发生,是提高警务策略有效预防、控制犯罪的重要方法。在分析财产犯罪时空规律的基础上,利用BP神经网络模型自动学习训练各因子与财产犯罪的非线性关系,建立了财产犯罪预测模型。针对BP神经网络模型易陷入局部最优和模型不稳定的缺陷,提出了利用遗传算法（GA）选择各因子最优的初始化权重和参数,并以此作为BP神经网络模型的初始化权重矩阵,通过对历史数据的学习及训练建立了改进后的GA-BP神经网络模型。利用某市2007~2012年财产犯罪、人口、GDP、土地利用等35个综合影响因子数据,对改进前后的模型进行了预测对比试验。结果表明,改进后的GA-BP神经网络模型成功克服了BP模型的缺陷,收敛迭代最小次数从117次改进到8次;10次计算收敛迭代次数最大误差从370次提高到5次;模型预测精度（RMES）从0.043 0提高到0.019 95。     

最优权组合预测法在采煤沉陷变形预测中的应用

煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开，基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想，以非等间隔灰色预测模型与BP神经网络模型为预测单模型，以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源，以最优加权法对单模型预测结果开展了最优权组合，组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价，结果表明：3种预测模型精度均达到了一级。经对比3种模型预测结果，最优权组合预测的模型精度较单模型明显提升，预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。     

GNSS自动化监测系统的大坝变形预测方法研究

以GNSS自动化监测系统的大坝变形预测方法为主要研究目的,针对大坝GNSS自动化监测数据大样本、高采样率、连续等特点,提出了一种结合小波分析与BP、NAR神经网络预测大坝变形的新方法。利用多尺度小波分析对GNSS大坝变形数据序列进行分解与重构,对重构后的低频近似序列采用BP神经网络进行建模预测,对重构后的高频细节序列采取NAR动态神经网络进行建模预测,最后叠加各尺度下预测结果获得大坝变形预测值。应用结果表明,该方法预测精度高、泛化性能好,可广泛应用于采用GNSS自动化监测系统的大坝变形预测。