基于BP神经网络的压电陶瓷蠕变预测

压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,难以实时修正。提出基于BP神经网络的压电陶瓷蠕变预测方法,使用压电陶瓷驱动系统采集数据,对数据进行归一化处理,通过实验设计BP神经网络的隐含层数、隐含层节点数、节点转移函数和训练函数,构建BP神经网络预测模型,建立压电陶瓷蠕变与时间的关系。用BP神经网络模型对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,蠕变预测结果与实验数据的最大绝对误差均小于0.1 μm,最大蠕变误差均不超过0.6%,最大均方误差仅为0.0021,可见,BP预测模型具有较高的预测精度,可作为预测压电陶瓷蠕变误差的一种有效手段。     

基于IPSO-BP的船舶航迹预测研究

目的 面对复杂的海上交通及密集的物流交通流,及时有效地对船舶航迹进行跟踪预测显得尤为重要,针对传统船舶航迹预测方法精确度低且效率低下的问题,提出一种改进方法。方法 在船舶自动识别系统（AutomaticIdentificationSystem,AIS）数据的基础上,建立改进粒子群算法（IPSO）与BP神经网络相结合的船舶轨迹预测模型,利用船舶历史航行轨迹数据,实现对未来船舶运动的预测。选取宁波舟山港的船舶历史轨迹数据进行实验,并将IPSO-BP模型的实验结果与其他模型进行比较。结果 不同模型航迹预测对比结果表明,IPSO-BP模型的性能较好,其预测精度较高,适用于船舶轨迹预测。结论 使用IPSO-BP模型能够更加精准地预测船舶航迹,在船舶危险预警、船舶异常监测等方面具有重要的指导作用。     

基于灰色线性回归组合模型的机床热误差建模方法

为了控制机床热误差和提高机床加工精度,考虑到测得的热误差数据同时存在着线性和非线性因素,提出了采用具有处理线性和非线性能力的灰色线性回归组合热误差模型的建模方法.用此方法对某卧式加工中心热误差进行了建模和预测,并引入BP神经网络对热误差模型的残差进行修正,从而获得了比较准确的热误差预测值.与用指数函数来模拟生成数据的灰色模型所获得的预测值进行了比较,证明了灰色线性回归组合及BP神经网络模型在机床热误差补偿建模应用中的优越性.     

基于PCA和改进BP组合预测模型的矿岩可爆性研究

为了更精确地对矿岩可爆性进行预测分级,对BP神经网络评价方法进行优化,建立了主成分分析法和改进BP神经网络相结合的矿岩可爆性分级评价模型。以具体矿山为例,考虑影响矿岩可爆性的10项评判指标,统计15个实际矿山的样本数据。利用SPSS软件对样本数据进行主成分分析,将输出结果作为改进BP神经网络的输入因子,矿岩的爆破等级作为输出因子,得到的分级预测结果更加准确且精度更高。结果表明:该模型对矿岩可爆性分级的相对误差都控制在6%以内,与未经主成分分析的BP神经网络预测误差相比,预测精度显著提高。该组合预测模型为矿岩的可爆性分级提供了一种更加完善的评价体系。     

基于GRU神经网络的结构异常监测数据修复方法EI北大核心CSCD

结构健康监测系统中通常存在大量的异常监测数据,为保证数据的完整性和可用性,有必要对异常监测数据进行修复。大多数基于深度学习对异常数据进行修复的研究通常使用单输入维度和单向预测的方法搭建模型。提出一种基于门控循环(gated recurrent unit,GRU)神经网络的结构异常监测数据修复方法,该方法充分利用深度学习神经网络适合处理复杂非线性映射问题的优势,并对GRU神经网络进行了优化与重构。利用结构温度、时序先后相关性优化神经网络的输入和输出构造,并提出了利用异常数据前后时间段的信息进行双向序列预测的方法提升数据预测和修复精度。最后,利用某古城墙的应变、裂缝与温度监测数据进行方法验证,采用重构后的GRU神经网络模型对异常数据序列进行修复,并与长短时记忆(long and short-term memory,LSTM)神经网络和反向传播(back propagation,BP)神经网络的修复精度进行比较。结果表明,相比单输入维度、单向预测的网络模型,重构后的GRU神经网络的预测精度大幅提高,且显著优于LSTM神经网络和BP神经网络。异常数据序列修复后,应变和裂缝宽度等结构响应与结构温度的线性相关性大幅增强。该方法对具有温度相关性的结构监测数据具有良好的修复能力。     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择。仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;GA-BP神经网络预测模型的塔筒应力预测平均误差为7.04%,相对BP神经网络预测结果误差减少了4.38%,预测精度满足工程需求。所提出的方法建立风电场海量监测数据和塔筒应力数据之间的有效关系模型,可为风电场长期有效的载荷监测提供新的手段。     

基于误差修正的菌体浓度软测量

针对机理模型中参数易受环境影响,结果常常不准,而数据模型对于复杂系统外推能力差的情况,提出了以机理模型为基础,以数据模型为补充,利用数据模型对机理模型的预测结果进行误差修正的方法.将该方法用于菌体浓度的预测,误差修正模型采用RBF神经网络,包含了影响菌体浓度的主要理化因素:温度、溶解氧和pH,以实际测量值为目标对该网络进行训练.训练好的神经网络用来对机理模型的输出进行修正.试验数据表明该方法能有效提高菌体浓度的预测精度.     

神经网络和滞后变量回归的车载终端误差修正

针对现有车载定位终端存在定位误差大和更新速度慢的问题,深入分析了车载终端定位误差的影响因素,并提出了基于BP神经网络和滞后变量回归的车载终端定位误差修正方法。对比车载终端三次测量数据修正前后的定位误差,最大定位误差分别减小了88.2%、85.4%和85.8%。通过实测数据对比了车载终端修正前后的定位误差,证明了使用BP神经网络和滞后变量回归建立的车载终端定位误差模型是有效的,定位误差修正效果较好。     

改进型LSTM网络光伏发电功率预测研究

针对现有光伏发电功率预测技术存在的未能充分考虑气象因素、提取特征不充分等导致预测精度较低的问题,基于深度学习理论,提出一种基于改进型LSTM网络的光伏发电功率预测方法。根据长短期记忆神经网络的特点,从循环神经网络(RNN)推导出其一般计算过程,阐述该预测方法的优越性和可行性。提出基于改进型长短期记忆(LSTM)网络的光伏发电率预测模型,该模型充分考虑并优化神经网络带来的过拟合问题,且引入RMSProp算法获取模型最佳的损失函数值,确保得到最佳的预测结果。综合考虑对光伏发电功率产生影响的多种气象因素,并将气象因素做标准化处理后作为模型的初始输入量,在Spyder软件上对预测模型进行仿真验证。最后将上述模型与单一输入因素进行比较,结果显示充分考虑气象因素的预测结果明显优于单一因素,仿真结果证明该模型具有较好的预测精度。     

SA-GA-CNN-LSTM新型冷暖系统负荷预测方法研究

为提高预测精度,给新型相变储能供冷供暖系统提供准确的储能参考,结合该系统的特点,提出新的负荷预测方法。该方法先对数据进行模糊C均值聚类,然后将聚类结果分别传入由遗传算法（genetic algorithm, GA）、自注意力机制（self-attention, SA）和卷积长短时记忆神经网络（CNN-LSTM）相结合的模型进行预测。采用北京昌平某变电所的相变储能冷暖系统的实测数据进行训练并确定了该预测模型,最后用该模型进行负荷预测,预测数据和实测数据对比,证明了该模型的有效性。与单一神经网络模型CNN、LSTM和混合神经网络模型CNN-LSTM、GA-CNNLSTM相比,所提出的SA-GA-CNN-LSTM神经网络模型的预测精度最高。在平均绝对误差（MAPE）指标下,比表现较好的单一神经网络模型LSTM误差降低2.32%,比混合神经网络模型CNN-LSTM误差降低1.49%。     

A Novel Scene Text Recognition Method Based on Deep Learning

Scene text recognition is one of the most important techniques in pattern recognition and machine intelligence due to its numerous practical applications. Scene text recognition is also a sequence model task. Recurrent neural network (RNN) is commonly regarded as the default starting point for sequential models. Due to the non-parallel prediction and the gradient disappearance problem, the performance of the RNN is difficult to improve substantially. In this paper, a new TRDD network architecture which base on dilated convolution and residual block is proposed, using Convolutional Neural Networks (CNN) instead of RNN realizes the recognition task of sequence texts. Our model has the following three advantages in comparison to existing scene text recognition methods: First, the text recognition speed of the TRDD network is much fast than the state-of-the-art scene text recognition network based recurrent neural networks (RNN). Second, TRDD is easier to train, avoiding the problem of exploding and vanishing, which is major issue for RNN. Third, both using larger dilated factors and increasing the filter size are all viable ways to change receptive field size. We benchmark the TRDD on four standard datasets, it has higher recognition accuracy and faster recognition speed based on the smaller model. It is hopefully used in the real-time application.     

基于烟花算法与长短时记忆网络的模温预测方法研究

针对传统神经网络模型预测模具温度准确度低,网络超参数选取困难等问题,提出一种基于烟花算法优化长短时记忆网络的模温预测模型,为铸造成型模温自动控制提供基础。首先根据铸造过程生产工艺选取影响铸造系统的主要变量,利用灰关联分析得出各变量灰色关联度并去除关联度小的变量,建立模具温度影响因子变量的数据集;其次采用烟花算法对长短时记忆网络进行优化,建立模具温度预测模型;最后与BP神经网络和长短时记忆网络预测效果进行对比。实验结果表明基于烟花算法优化的长短时记忆网络的模温预测方法绝对误差小于2.4℃,平均绝对百分比误差小于0.12。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于长短期记忆神经网络的风力发电功率预测方法

风力发电过程具有较强的随机性,导致风力发电功率的预测准确度不高。针对上述问题,提出了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入,建立风力发电功率预测模型,实现对未来一个时间刻度的风力发电功率预测。算例结果表明,与传统时序预测方法相比,基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小,验证了上述方法在风力发电功率预测中的可行性和有效性,提升了风力发电功率预测的准确性。     

基于带阈值模块一维残差网络的刀具磨损监测方法

基于带阈值模块一维残差网络和双向长短期记忆网络,设计了刀具磨损监测模型和预测模型。将传感器信号经过小波分解后输入监测模型中,阈值模块自动选择阈值对信号降噪,残差模块提取信号特征,然后输出刀具磨损监测值,再将其输入到预测模型中获得刀具磨损预测值。实验证明:该监测模型与不带阈值模块的一维残差网络模型和卷积神经网络模型进行了对比,监测准确率分别提高了0.327%和1.697%;预测模型的预测效果较好,绝对误差仅为0.023。     

基于模拟退火算法优化BP神经网络的色彩空间转换

目的研究基于模拟退火算法优化BP神经网络对喷墨打印机色彩空间转换预测准确性的方法。方法通过数据归一化处理、模拟退火算法优化BP神经网络的权值和阈值,以获取它们的全局最优解,再用BP神经网络法进行色差预测。结果模拟退火算法优化BP神经网络预测模型测试15次得到色块平均色差达到2.3067,最小平均色差达到0.7892。结论该方法优化BP神经网络精度非常高,对喷墨打印机色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于神经网络的电弧增材制造铝合金力学性能预测

目的 预测不同工艺参数下电弧增材制造铝合金的力学性能。方法 通过实验建立了电弧增材制造6061铝合金及Ti C增强6061铝合金力学性能的数据集,并建立了一种以焊接电流、焊接速度、脉冲频率、TiC颗粒含量为输入,以屈服强度和抗拉强度为输出的神经网预测模型,对比了反向传播神经网络(BP)、粒子群算法优化BP神经网络(PSO-BP)、遗传算法优化BP神经网络(GA-BP)3种预测模型的精度。结果 与BP模型和PSO-BP模型相比,GA-BP预测模型具有更好的预测精度。其中,GA-BP模型预测6061铝合金屈服强度最佳结果的相关系数(R)为0.965,决定系数(R²)为0.93,平均绝对误差(Mean Absolute Error,MAE)为2.35,均方根误差(Root Mean Square Error,RMSE)为2.67;预测Ti C增强的6061铝合金抗拉强度最佳结果的R=1,R²高达0.99,MAE为0.46,RMSE为0.49,GA-BP具有良好的预测精度。结论 BP、PSO-BP、GA-BP 3种神经网络模型可以用来预测电弧增材制造...     

基于长短时记忆神经网络的大跨拱桥温度-位移相关模型建立方法

建立温度-位移相关模型是开展基于位移响应的大跨桥梁性能评估的关键步骤。该文提出一种基于长短时记忆(LSTM)神经网络的多元温度-位移相关模型建立方法。充分利用LSTM神经网络能够考虑位移时滞效应和适合处理超长数据序列的优势,采用自适应矩估计方法对LSTM神经网络进行优化,并引入丢弃正则化技术提升模型的预测能力。在此基础上,基于一座三跨连续系杆拱桥长期同步监测的温度和位移数据,讨论了影响该桥主梁竖向位移的主要温度变量,并建立了多元温度-位移的LSTM神经网络模型,与基于误差反向传播(BP)神经网络的多元温度-位移相关模型进行了比较。研究结果表明:构件有效温度与主梁竖向位移具有明显的非线性关系,构件间温差和主拱温度梯度与主梁竖向位移呈线性相关性;主拱有效温度和主梁与主拱的温差是引起该桥主梁竖向位移的主要温度变量;相比于BP神经网络模型,该文提出的LSTM神经网络模型能够大幅降低温度位移的重构误差和预测误差。     

基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。