基于ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony, ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型。利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通流量统计数据为例,进行实例验证。结果显示,与传统的BP神经网络以及遗传算法(GA)优化的BP神经网络预测模型相比,ABC-BP模型平均绝对百分比误差(MAPE)低至3.361 8%,不仅避免了局部最优,而且通过简单的参数设置就能够显著提高船舶交通流量的预测精度。表明本模型在船舶交通流量预测上是有效可行的。     

改进的BP神经网络在路基沉降预测中的应用

针对传统BP神经网络存在的缺点,提出基于遗传优化的变梯度反向传播的BP神经网络预测方法,采用遗传算法优化BP神经网络的初始权重,建立路基沉降预测模型。该模型可克服BP神经网络模型存在的收敛速度慢、易陷入局部极小点等缺点。结合现场实测数据,将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统BP神经网络预测模型对比,结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜于广泛推广应用。     

基于马尔可夫链修正的神经网络隧道围岩变形预测

将神经网络预测模型与马尔科夫链结合,应用于公路隧道围岩的开挖变形预测问题中。选取菠萝山隧道YK2+805断面监测点进行研究,利用量测的连续16天拱顶位移进行BP神经网络样本训练,建立菠萝山隧道拱顶位移值预测的BP神经网络模型,运用马尔科夫链对拱顶位移预测值修正。结果表明,基于马尔科夫链修正的BP神经网络预测模型预测效果良好,平均预测精度高于单一BP神经网络预测模型精度,与GM-MC模型精度一致或更优,能够满足工程实际要求。     

港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

乌江银盘枢纽工程河段货运量神经网络预测研究

采用BP神经网络建立了乌江银盘枢纽工程河段货运量的预测模型,并对货运量进行了实际预测,分析认为神经网络预测结果较戴尔斐法和GM(1,1)法更为合理。     

基于遗传BP神经网络的耙吸挖泥船产量预测研究

耙吸挖泥船的工作效率和经济效益直接取决于干土方的生产率,因此预测干土方生产率对耙吸式挖泥船疏浚机构分析和效率优化具有重要意义。耙吸挖泥船疏浚过程模式是一种复杂的非线性动力学模型,该模型受多种因素的影响,为了减少各种因素带来的影响,我们采用通过遗传算法(GA)优化的BP神经网络来构建干土方生产率的预测模型。为了评估预测模型的性能,未优化的BP神经网络预测模型也用于实验比较。实验结果表明,遗传算法优化后的神经网络预测模型能够满足预测需求,训练好的神经网络可以作为干土方生产率预测的有用工具。     

基于NARX神经网络的船舶升沉运动实时预测方法

[目的]对船舶升沉运动进行预测有助于增强升沉补偿器的补偿效果,减少海浪对作业设备的干扰。为提高升沉预测模型的精度和稳定性,提出一种船舶升沉运动实时预测方法。[方法]基于带外源输入的非线性自回归(NARX)神经网络建立单海况预测模型,利用船舶系统仿真器获取母船升沉运动仿真数据,将NARX模型与卡尔曼(Kalman)模型、普通反向传播(BP)模型的预测结果进行对比。在此基础上,对单海况预测模型进行改进,建立多海况预测模型。[结果]多海况预测模型预测精度较高,且稳定性优于单海况模型,在2～5级海况下的最大预测误差均小于10-4量级。[结论]仿真结果表明,NARX神经网络对复杂海浪环境具有良好的适应性,它的预测速度和精度均优于BP神经网络和传统滤波方法,在高海况下仍可保持高预测精度。     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测。分别利用灰色GM(1,1)模型和BP神经网络对桩在荷载作用下的沉降进行估算,然后利用人工神经网络中的BP网络对所得的结果进行组合预测;最后利用Lagrange算法计算桩的极限承载力。计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

基于GA优化BP神经网络的港口集装箱吞吐量预测

为了提高港口集装箱吞吐量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型。该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值。以青岛港2012-2018年集装箱吞吐量统计数据为例,进行实例验证。结果表明,与传统的BP神经网络相比,该模型能显著地提高港口集装箱吞吐量的预测精度,用于预测港口集装箱吞吐量具有一定可行性。     

基于BP神经网络的横向受荷桩承载力预测

为研究横向受荷桩的承载性状,基于BP神经网络对其承载力进行预测。选取桩径、桩入土深度、荷载的偏心距、土的不排水抗剪强度作为神经网络的输入,得出黏土中横向受荷桩承载力的BP神经网络预测模型,发现训练BP神经网络时,桩承载力的拟合值与实测值的相对误差平均值为4.54%;检验BP神经网络时,桩承载力的预测值与实测值的相对误差平均值为5.39%。结果表明,建立的基于BP神经网络的黏土中横向受荷桩承载力预测模型是可行的。