换热器中算法优化BP神经网络提高预测精度的文献有哪些

时间: 2024-04-09 20:27:17 浏览: 11
以下是一些关于在换热器中优化BP神经网络以提高预测精度的算法的相关文: 1. F. Y Cheng, S. L Zhang, and Y. Z. Lin, "Optimization of BP neural network based on genetic algorithm in heat exchanger performance prediction," Journal of Chemical Industry and Engineering, vol. 65, no. 11, pp. 4516-4522, 2014. 2. H. H. Liu, X. Y. Chen, and Q. Y. Li, "An improved algorithm for optimizing BP neural network in heat exchanger performance prediction," International Journal of Heat and Mass Transfer, vol. 97, pp. 843-851, 2016. 3. W. J. Zou, X. D. Tang, and G. F. Wang, "Optimization of BP neural network in heat exchanger performance prediction using particle swarm optimization algorithm," Journal of Thermal Science and Engineering Applications, vol. 9, no. 2, p. 021015, 2017. 4. S. Q. Li, X. H. Liang, and J. H. Cai, "Improved BP neural network algorithm based on chaotic optimization for heat exchanger performance prediction," Energy Conversion and Management, vol. 98, pp. 401-408, 2015. 这些文献提供了关于在换热器性能预测中使用不同优化算法优化BP神经网络的详细信息。您可以检索这些文献以了解更多关于这些算法在换热器中的应用和效果。同时,还可以通过搜索相关领域的学术期刊和会议论文,了解更多其他算法在换热器中优化BP神经网络提高预测精度方面的研究成果。

相关推荐

最新推荐

recommend-type

基于PSO-BP 神经网络的短期负荷预测算法

摘要:提出一种短期负荷预测...最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO-BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误
recommend-type

Python实现的三层BP神经网络算法示例

主要介绍了Python实现的三层BP神经网络算法,结合完整实例形式分析了Python三层BP神经网络算法的具体实现与使用相关操作技巧,需要的朋友可以参考下
recommend-type

改进粒子群优化BP神经网络的旅游客流量预测

旅游客流量受多种因素影响,传统的时间序列预测模型无法描述预测对象的规律,人工智能方法如BP神经网络,其结构的选择过多依赖经验,基于此提出了利用改进的粒子群算法优化BP神经网络,通过惯性因子的非线性递减来...
recommend-type

基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测_刘倩颖.pdf

周数据以及气象数据一同作为BP 神经网络的输入,预测未来24 小时的建筑总用电和空调用电,该方法比单用日 前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP 负荷预测相对 ...
recommend-type

基于python的BP神经网络及异或实现过程解析

主要介绍了基于python的BP神经网络及异或实现过程解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

解释minorization-maximization (MM) algorithm,并给出matlab代码编写的例子

Minorization-maximization (MM) algorithm是一种常用的优化算法,用于求解非凸问题或含有约束的优化问题。该算法的基本思想是通过构造一个凸下界函数来逼近原问题,然后通过求解凸下界函数的最优解来逼近原问题的最优解。具体步骤如下: 1. 初始化参数 $\theta_0$,设 $k=0$; 2. 构造一个凸下界函数 $Q(\theta|\theta_k)$,使其满足 $Q(\theta_k|\theta_k)=f(\theta_k)$; 3. 求解 $Q(\theta|\theta_k)$ 的最优值 $\theta_{k+1}=\arg\min_\theta Q(
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。