改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

1700V IGBT场限环场板终端优化设计

击穿电压是IGBT的一个重要参数,而器件的击穿电压主要与终端结构有关,所以对终端结构的研究一直备受关注。文章设计了一种1 700 V的IGBT终端结构,采用场限环和场板相结合的终端技术,降低了器件表面电场峰值,提高了其击穿电压。通过仿真分析多组不同场板长度和氧化层厚度的终端结构,采用多项式拟合和多元回归分析击穿电压、表面电场分布与每个环上的场板长度和氧化层厚度的关系;在此基础上提前预测器件的击穿电压和表面电场分布,缩短终端设计时间;经过调整后,在366μm的终端上仿真实现了1 927 V的击穿电压,终端效率达到了91.5%。该终端优化设计方法能够优化器件的表面电场分布,有效降低表面电场峰值,并提高终端效率。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

长大山岭隧道涌水量的BP神经网络时间序列预测模型

基于BP神经网络时间序列的隧道涌水量预测模型不必考虑隧道涌水量的影响因素及其关系,而是将隧道涌水量的时间序列做归一化处理,作为模型的输入输出变量,通过历史数据和所建立的预测模型来预测隧道涌水量。以一隧道1999年6月—2000年6月涌水数据序列为例,进行了基于BP神经网络时间序列模型的隧道涌水量预测,预测误差约为5.74%,满足精度要求。     

接触网复合绝缘子污闪电压预测方法研究

通过人工污秽实验室中对接触网常用的11种复合绝缘子进行大量污秽实验,提出一种基于改进生物地理学算法优化BP神经网络的接触网复合绝缘子临界污闪电压预测模型。选取伞径Dm,爬电距离L,形状因数f及等值附盐密度ESDD作为模型的输入特征量。试验和对比分析表明,模型的预测效果良好,预测结果与试验结果基本一致。预测值可作为污闪试验的参考数据,能够有效降低污闪试验的工作量,为评估接触网线路的可靠性及对新建线路外绝缘的选型和维护提供一条新思路。     

盾构竖向姿态的组合预测模型研究

由于盾构施工过程中盾构姿态演化的复杂性,单一预测模型很难实现较为精准的预测,提出了一种基于BP神经网络和支持向量回归(Support Vector Regression,SVR)的盾构竖向姿态组合预测模型.首先,利用经验模态分解将盾构竖向姿态时间序列分解为有限个固有模态分量和剩余分量;其次,在分别建立不同分量的粒子群优化(Particle Swarm Optimization,PSO)的BP神经网络与SVR预测模型后,将其预测结果分别进行叠加;最后,采用最优加权法对两个模型赋权以得到最终预测结果.为验证所提出模型的实践适用性,将其应用至成都地铁8号线某盾构区间中,并与PSO-BP和PSO-SVR模型的预测结果进行对比.研究结果表明:所提出模型的泛化能力更强、准确性更高,可为盾构竖向姿态预测提供一定的借鉴和参考.     

基于FOA-BP神经网络的高铁沉降预测

BP神经网络在沉降预测过程中存在预测精度有限、收敛速度慢等缺点。为提高BP神经网络在高铁沉降预测中的精度,基于改进的果蝇算法(FOA),利用其味道浓度函数来代替BP神经网络中的梯度函数,建立果蝇算法优化BP神经网络的预测模型—FOA-BP模型。通过果蝇种群迭代寻优获取最合适的权值和阈值,重新构建BP神经网络进行沉降预测。分别采用BP神经网络算法与FOA-BP神经网络算法对某高铁路基沉降监测点的沉降趋势进行预测,将两种算法的迭代次数、均方误差与平均相对百分比误差3个指标进行对比分析,结果表明:FOA-BP神经网络算法的三种指标均远小于BP神经网络算法,其模型精度更高,预测速度更快。     

基于遗传算法和神经网络的润扬长江大桥深基坑变形预测

针对深基坑变形问题,用遗传算法优化BP神经网络的初始权重,建立了GA-BP神经网络深基坑变形预测模型,克服了BP神经网络收敛速度慢、易陷入局部极小点的缺点。利用模型对润扬长江公路大桥南锚碇深基坑变形进行分析,并对模型拟合结果进行了检验,结果表明深基坑变形和支撑轴力具有一致响应趋势,预测模型性能良好,预测精度较高,简便易行。     

基于遗传算法优化BP神经网络的道口事故预测

针对铁路事故发生的偶然性和事故发生原因的复杂性,提出应用BP神经网络对铁路事故进行较长期预测的建议,并以美国高速公路-铁路道口事故为实例,应用BP神经网络方法和遗传算法优化的BP神经网络方法对美国高速公路—铁路道口未来3年的事故进行预测,并将预测结果进行对比,结果表明,遗传算法优化的BP神经网络可以用于铁路事故的中长期预测。     

基于经济周期的铁路货运量神经网络预测研究

针对现有铁路货运量预测方法存在较大突变性误差的问题,提出经济周期阶段参数的概念,将经济周期量化后作为一个输入因素提供给神经网络模型,用以学习记忆经济波动情况,建立基于经济周期的Elman神经网络预测模型,并以我国1992～2008年铁路货运量为实例对方法进行检验,与BP神经网络预测结果进行对比。实例表明,该方法有效减小突变性误差,预测精度较高,Elman神经网络在进行动态系统预测时效果更佳。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

铁路客运量数据挖掘预测方法及应用研究

在分析铁路客票数据特征的基础上,提出采用分段模糊BP神经网络对铁路客运量进行数据挖掘预测。通过对铁路客票数据的分段处理,提高了网络学习的收敛速度和预测精度,并在MATLAB环境下建立了分段模糊BP神经网络模型,在仿真试验中各分段的期望输出和实际输出之间吻合较好,从而证明了分段模糊的数据处理方法是有效的;同时,预测的客运量和实际客运量数值非常接近,说明分段模糊BP神经网络得到的数据挖掘预测模型对铁路客运量有很好的预测效果,该预测模型可信,为预测铁路客运量提出了一种新思路。     

基于BP人工神经网络的基坑围护结构变形预测方法研究

基坑的变形分析是基坑工程设计中的一个重要组成部分,如何预测基坑围护结构的变形是需要解决的问题。在分析基坑围护结构变形影响因素的基础上,采用BP(Error Back-Propagation,简称EBP或BP)人工神经网络方法建立了基坑围护结构变形的预测模型。结合南京地铁二号线逸仙桥车站基坑变形的现场监测数据对网络模型的预测结果与实测进行了对比。结果表明,利用大量的基坑工程现场实测资料,采用神经网络BP算法,可以较为准确地预测基坑围护结构的变形量,预测值与实测值吻合较好;必须坚持现场监测,并将最新监测信息及时反馈,将其添加到学习训练样本中,让神经网络重新学习,以提高基坑工程围护结构变形的预报精度。     

级联神经网络用于单扫描示波极谱信号的测定

将改进小波神经网络与BP神经网络相结合,提出一种新的混级联神经网络结构,用于单扫描示波极谱信号的同时测定.通过对网络结构的优化和网络参数的调整,加快了训练速度,提高了预测的准确度.用该法对邻、间硝基氯苯混合样进行了预测,结果满意.对级联神经网络法与单一BP神经网络法的预测结果进行了比较,表明级联神经网络优于单一BP神经网络.     

基于最小二乘支持向量机的高速铁路路基沉降预测

高速铁路路基的施工环境复杂,沉降监测数据往往是不等时距的.鉴于最小二乘支持向量机拥有强大的非线性拟合能力,使用最小二乘支持向量机建立沉降与时间的关系函数,以等时间步长插值得到路基的等时距沉降时间序列,建立基于最小二乘支持向量机的高速铁路路基沉降预测模型.分别运用给出的预测模型和BP神经网络与灰色理论联合方法对杭甬铁路客运专线上虞北站5个路基沉降监测断面进行路基沉降预测,并与现场实测数据对比.结果表明,短时距的最小二乘支持向量机预测模型比BP神经网络与灰色理论联合方法的预测精度高,预测结果更稳定,外推预测沉降更可靠.     

基于GA-BP和小波-SVM算法的风电场短期功率预测

风力发电过程中的功率预测问题是制约风力发电发展的重要因素。针对单一传统神经网络易陷入局部最优的问题,提出了利用信息熵原理把遗传算法优化的BP网络和小波-支持向量机2种算法进行组合预测,结合华北某风电场提供的历史功率数据和数值天气预报数据对未来48 h功率进行预测,仿真结果表明,该组合预测方法的预测精度比单一预测模型的预测精度高,效率高,具有一定实用价值。     

基于小波神经网络高铁运营监测预测方法研究

以某段高段变形监测项目半年(共7期)的监测数据为例,对当前较为常用的预测方法:指数曲线法、抛物线法、Asaoka法,回归分析法、卡尔曼滤波、灰色理论、仿真分析法、BP神经网络分析法与小波神经网络进行对比分析,得出利用小波神经网络预测模型预测高铁运营沉降在收敛性、容错性、逼近能力上更有优势,预测精度更高,预测结果和实测数据更加吻合的结论。     

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性.仿真结果表明机车滚动轴承故障得到了有效诊断.相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性.     

基于BP神经网络的混凝土箱梁最大温度梯度预测

混凝土箱梁受到太阳辐射、大气温度波动等多种气象因素的综合作用,结构内部会产生显著的非均匀温度分布。截面内温度梯度可能会导致桥梁结构产生过大的温度应力与温度变形,影响桥梁结构的安全性和耐久性。本文旨在探究气象因素对混凝土箱梁温度场的影响机理,并提出一种能精确预测中国多区域混凝土箱梁截面最大温度梯度的方法。首先建立了日照条件下混凝土箱梁温度场计算模型,将2 a以上气象资料作为输入条件,对多个地区混凝土箱梁温度场长期变化进行了仿真模拟,并对混凝土箱梁截面温度梯度的长期变化趋势进行了分析。然后利用主成分分析(PCA)确定了混凝土箱梁截面最大温度梯度预测模型所需的输入参数。最后利用遗传算法优化的BP神经网络建立预测混凝土箱梁竖向、横向温度梯度的网络模型,并与混凝土箱梁截面温度梯度进行比较。结果分析表明BP神经网络模型可以精确地预测混凝土箱梁最大温度梯度,预测值平均绝对误差(AAE)均小于0.9℃,均方根误差(RMSE)均小于1.2℃,决定系数(R2)均大于0.9。基于当地气象条件,本文利用经典的BP神经网络模型所建立的预测模型对中国不同地区的混凝土箱梁截面最大温度梯度均能给出准确的预测,为混凝土...     

基于时空序列的铁路客运量数据挖掘预测

在分析铁路客运量数据的时空复杂性特征的基础上,以铁路假日运输管理系统中春运期间的客运量数据为依据,采用BP神经网络的数据挖掘方法进行铁路客运量数据挖掘预测研究。通过BP神经网络的建模方法把客运量的空间属性、数据属性和时间属性有机地结合起来,将数据的建模含于网络的数值当中。网络在学习过程中系统误差始终保持持续稳定的下降趋势,没有产生局部振荡和陷入极小现象,整个学习过程中系统稳定性较好。各样本之间的期望输出和实际输出之间吻合较好,从而证明所采取的数据处理方法的有效性和网络学习参数的合理性。根据BP神经网络得到的预测模型在仿真试验中的期望输出和实际输出之间吻合较好,预测的客运量和实际客运量数值非常接近。