基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

AOD精炼铁合金终点预测模型的建立

智能控制技术在冶金终点检测和终点控制中得到广泛应用,特别是神经网络技术,采用径向基函数神经网络(RBF)构成的神经网络控制方案可以有效地提高系统的精度、自适应性和鲁棒性。选用RBF神经网络建立冶炼终点温度和碳含量的预测模型,可以为后续的控制模型提供有价值的控制信息,通过终点控制模型计算所要补吹的氧气量以及补加的冷却剂量,以达到冶炼终点温度和碳含量的精确命中。仿真分析表明,RBF神经网络应用于冶炼终点温度和碳含量预测模型的建立,具有一定的预测精度。     

BP神经网络在化学镀工艺优化中的应用

利用BP神经网络预测模型融合正交实验法对化学镀工艺进行优化。对比预测结果和实验结果,证明该模型具有较高的精度,适用于化学镀生产。     

基于改进的神经网络模型预测气象灾害经济损失——以广东省台风灾害为例

以广东省台风灾害为例,利用遗传算法改进BP神经网络形成GA-BP神经网络模型,将台风最大风力、台风最大风速、受灾人数、转移安置人数和农作物受灾面积5种变量作为致灾因子,进入神经网络模型,并作为GA-BP神经网络输入数据对直接经济损失进行预测。结果表明:在物价调整前GA-BP神经网络模型和单一BP神经网络模型的平均相对误差分别为17.30和22.86,物价调整后两者的平均相对误差分别为6.27和12.51,这意味着只有将各年份台风灾害直接经济损失调整到同一物价水平上,才能达到最优结果,且GA-BP神经网络模型的预测结果始终优于单一BP神经网络模型;鉴于GA-BP神经网络模型的适用性和参考价值,有关政府部门可在气象灾害发生后,采用该方法对灾情数据进行预测,提升政府在灾情统计方面的时效性,进而在应急财政投入方面迅速作出反应。     

数控铣削能耗预测及切削参数多目标优化研究

为了研究数控铣床节能优化问题,首先以316L不锈钢为加工对象,设计了数控铣削实验方案,并进行了实验数据分析;然后以实验数据为样本,运用BP神经网络建立了数控机床能耗预测模型,并利用蜣螂优化算法(DBO)对BP神经网络结构进行优化,建立基于DBO-BP神经网络的数控机床能耗预测模型。通过对比优化前后两模型,选择具有更高的预测精度和稳定性的DBO-BP神经网络模型与以加工成本为目标而建立的铣削参数多目标优化模型,并运用NSGA-Ⅱ对模型求解,得到最优解集,最后运用熵权TOPSIS法对最优解集进行决策,得到最优解。通过对比优化前后比能耗和加工成本,优化后的切削参数使比能耗和加工成本分别下降了33.84%和5%。研究结果表明,优化后的切削参数更加节能和节约加工成本。     

改进GM（1，1）模型在四川天然气需求预测中的应用

为了提高GM（1,1）模型在天然气需求预测中的精度和普遍适用性,首先分析了传统GM（1,1）模型存在的不足,提出了改进方法,在传统GM（1,1）模型基础上通过对模型系数进行优化修正,降低预测模型的模型系数,建立了改进的GM（1,1）预测模型。利用四川2000～2007年天然气消费量统计数据对传统GM（1,1）、无偏GM（1,1）和改进GM（1,1）进行了对比预测分析。分析结果表明改进GM（1,1）模型具有较高的精度。     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于进化神经网络的304不锈钢车削加工表面粗糙度预测

表面粗糙度是衡量加工零件质量的重要指标之一,对表面粗糙度进行提前预测有利于提高加工质量。课题组采用正交试验方法进行了YG8硬质合金刀具干式车削304不锈钢棒料的实验,得到不同切削条件下的表面粗糙度。由于BP神经网络的算法预测精度不高而且容易陷入局部极小值,利用遗传算法的全局搜索能力优化BP神经网络的结构和初值,建立基于进化神经网络的表面粗糙度预测模型。结果表明：进化的BP神经网络模型有效地克服了BP神经网络容易陷入局部极小值的缺陷,实现了表面粗糙度的精确预测。     

免疫进化算法和神经网络在建立财政收入预测模型中的应用

通过对历史数据的数学处理,采用人工神经网络的方法建立财政收入预测模型。针对前向网络BP（Baek-propagation Algorithm）算法——梯度下降搜索方法的不足,提出用免疫进化算法来训练BP模型网络参数。利用福建省1990-2004年的财政收入数据建立神经网络预测模型,并用2005、2006年的数据进行预测预报检验。结果表明：采用免疫进化算法建立的神经网络财政收入预测模型,模拟和预测精度高,具有实际应用价值。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种玫进型粒子群（Improved Particle Swann Optimizer,IPSO）算法．可以优化BP（Back Propagation）神经网络．并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明：该研究方法能够在预测精度和稳定性方面明显优于传统的PSO—BP神经网络优化证券投资组合方法。     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时，经典的误差反向传播算法存在收敛速度慢，易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术，具有较快的收敛速度和较强的全局搜寻能力；误差反向传播算法本质上是梯度下降算法，注重局部搜索。混合学习法为两种学习算法交替执行，首先以粒子群优化算法训练网络，当误差能量在规定的迭代次数内不再发生变化时，采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点，具有良好的应用前景。     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

复方降脂中药活性筛选平台建立的研究

利用BP神经网络强大的预测功能，解决中药性味归经与药效评价的关系问题。研究证明：BP神经网络模型在一定误差范围内揭示中药的性味归经与其降脂药效之间的关系，可用于降脂中药药效的预测中，为降脂药物的选择提供依据，为中药降脂药效评价提供一种科学、客观、简洁的方法。     

党政机构微博在突发事件中传播效果的影响因素及策略

在分析铁路货运量预测方法的基础上，针对标准BP神经网络的不足，提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度，以此来得到更好的激励函数响应特征以及更好的非线性表达能力；其次，利用附加动量因子，通过对以前经验的积累，既降低了神经网络对误差曲面的局部细节敏感特性，又较好的遏制了神经网络易于限于局部最小的缺陷；最后，采取改变学习率的方法，给定一个较大的学习率初始值，在学习的过程中学习率不断减小，网络最终趋于稳定。改进BP算法既可以得到更优的解，还能够缩短训练时间。利用全国铁路货运     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

循环流化床锅炉发电机组神经网络广义预测控制研究

循环流化床锅炉(CFBB)发电机组具有:多变量、非线性、强耦合、时变等特性,其燃烧仍然处于流化状态,导致其控制调节比较复杂,传统的PID控制效果不太理想。本文采用具有良好非线性函数逼近功能的BP神经网络,并且针对收敛速度比较慢这一缺点,采用了变步长法与引入动量项相结合的一种方法进行改进。同时利用多变量广义预测控制策略经过在线滚动优化和反馈校正,实现预测控制。仿真结果表明了其有效性。     

基于MATLAB的BP神经网络模型在地震预报中的应用

根据人工神经网络模型,运用MATLAB的神经网络工具箱建立BP神经网络预测模型,以地震变化率作为神经网络的输入,对台湾地区和四川地区地震数据时间序列进行分析对大地震的发生时间进行预测。实验证明该模型用于地震预报的有效性和可行性,具有良好的应用价值。     

基于绿色理念的废旧汽车企业逆向物流绩效评价研究

通过分析废旧汽车企业逆向物流流程及其绩效评价环境,结合企业逆向物流绩效评价的目的,以绿色理念为指导,提出废旧汽车企业的逆向物流绩效评价指标体系,构建基于GA-BP的废旧汽车企业逆向物流绩效评价模型,并以A企业为例进行实证研究.研究发现:废旧汽车A企业输出样本的实际值和仿真值基本一致,表明通过 GA优化BP神经网络模型可以提高仿真的精度,体现了指标选取和模型构建的有效性,可为解决废旧汽车企业逆向物流过程中存在的问题提供新思路,有助于废旧汽车产业的可持续发展.