共查询到20条相似文献,搜索用时 625 毫秒
1.
《科技创新与应用》2017,(31)
由于电站锅炉受热管壁长期处于高温状态,当其温度超过所用钢材的许用温度或因长期高温发生蠕变,便会引发各种运行事故。本设计以府谷某电HG-2070/17.5-YM9型亚临界锅炉的末级过热器第22屏#3管壁为研究对象,提出了采用BP神经网络和改进粒子群(PSO)算法优化神经网络对末级过热器#3管壁温度进行预测的方法。首先采用小波阈值去噪方法处理锅炉影响壁温的相关数据,得到处理后的训练样本;然后建立BP神经网络模型预测#3管壁温;最后利用PSO算法对BP神经网络初始参数的选取进行优化。该算法加入了导向算子和激发因子,使网络的训练速度加快、训练精度提高。结果表明:利用小波阈值去噪方法处理锅炉受热壁温度数据可以降低受干扰的数据误差,有效地提高了壁温预测的准确性;另外,较BP神经网络方法,改进粒子群神经网络模型用于壁温预测的稳定性较好,精度高。 相似文献
2.
利用优化的粒子群优化算法(PSO)与BP神经网络相结合,建立转炉炼钢钢水重量的预测模型。文章采用炉号、钢种、钢号、吹炼方式、吹止钢水的重量、吹止碳含量等13个因素作为BP神经网络的输入,用改进的粒子群算法优化BP神经网络的参数,这样既充分利用BP网络的优势,又避免陷入局部最小值的问题,提高了钢水重量预测的精度和速度,取得了很好的预测效果。 相似文献
3.
4.
5.
6.
针对粮食储存中温度参数的非线性时间序列问题,提出一种基于遗传算法(GA)优化BP神经网络算法的粮食温度预测模型,选取影响粮食温度的10个因素(仓外温度、仓外湿度、仓内顶温度、仓内中心温度、仓内底温度、仓内顶湿度、仓内中心湿度、仓内底湿度、仓内氧气浓度、粮食湿度)作为输入参数,分析后输出粮食温度。经验证,GA-BP模型具有比传统BP神经网络更好的预测精度和实用效果,在粮温预测领域中具有一定的应用前景。 相似文献
7.
8.
9.
10.
11.
国家粮食储备多以平房仓为主要存储仓型,储粮粮堆在夏季时受到外界持续传热而会达到较高温度,而且微生物生长繁殖会进一步引起粮堆内部发热,对安全储粮产生危害。为了确保储粮品质,控制储粮温度,粮仓温度场预测系统的研究与应用就愈显重要。基于神经网络模型,以BP神经网络预测模型为主要研究对象,并选取典型高大平房仓实际粮情监测数据为实例,在MATLAB平台进行仿真,通过实测数据进行训练,构建实测模型。分析了粮食温度场的影响因素,采用SPSS统计学软件确定了影响因素的权重大小,并采用神经网络方法验证了主成分分析的结果。 相似文献
12.
13.
14.
目的:解决目前食品分拣机器人的视觉伺服控制系统结构复杂、计算量大,无法满足分拣机器人对视觉伺服控制系统的灵活性和适应性的问题。方法:在机器人视觉伺服控制系统结构的基础上,提出一种将改进粒子群算法与BP神经网络相结合的食品分拣机器人视觉伺服控制方法。粒子群算法在迭代过程中使用交叉和变异来保持种群多样性,对BP神经网络的初始权值和阈值进行优化。结果:与常规控制方法相比,该控制方法可以在较短的时间内将食品生产线机器人带到预定位置,位置逼近的相对误差为0.38%。结论:该控制方法在处理较复杂的任务时,具有较强的适应性,有一定的实用价值。 相似文献
15.
目的 构建基于各种机器学习算法结合近红外光谱的模型,从而确定出更准确预测冷藏草鱼新鲜度的方法。方法 采集连续冷藏6 d的草鱼片的新鲜度指标, 并进行方差分析。选择受冷藏天数影响最大的指标: 总挥发性盐基氮(Total volatile basic nitrogen, TVB-N)进行定量预测。运用x-y距离结合的样本划分(sample set partitioning based on joint x-y distance, SPXY)方法进行数据集的划分, 并采用正交信号校正法(orthogonal signal correction, OSC)、Savitzky-Golay (SG)、一阶导数及其组合算法进行光谱预处理。再运用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)、连续投影算法(successive projections algorithm, SPA)、主成分分析(principal component analysis, PCA)对光谱变量进行选择和降维。最后结合偏最小二乘回归(partial least squares regression, PLSR)、反向传播神经网络(back propagation neural network, BPNN)和粒子群优化算法(particle swarm optimization, PSO)优化BP神经网络(PSO-BP)建立草鱼(Ctenopharyngodon idella)片新鲜度定量预测模型。结果 各线性和非线性模型均得到了良好的预测效果, 预测集相关系数均超过了0.95。PLSR表现较为稳定, BP神经网络虽提高了校正集预测性能, 但是预测集性能不如PLSR。PSO-BP既保证了校正集预测性能, 也提高了预测集性能。基于OSC+D1预处理和CARS变量选择后的PSO-BP模型性能最优(R2P=0.987, 预测集的均方根误差为0.108, 相对分析误差为7.778)。结论 基于PSO-BP算法和近红外光谱结合的定量预测模型, 可以很好的预测冷藏鱼肉的新鲜度指标。 相似文献
16.
目的:解决并联机器人在食品分拣中存在的效率低、精度差等问题。方法:在食品分拣系统结构的基础上,提出了一种改进BP神经网络与PID控制相结合的Delta机器人运动目标抓取策略。通过改进的粒子群优化算法优化BP神经网络初始权值,并利用优化的BP神经网络对PID控制参数进行实时调整。通过试验分析该方法的性能验证其优越性。结果:相比于传统控制方法,所提方法能够较为准确、高效地实现动态目标捕获,动态抓取成功率达到98%以上,能够满足食品分拣的需要。结论:通过对动目标抓取策略的优化可以有效地提高Delta机器人的抓取效率和精度。 相似文献
17.
霉变是导致粮食储藏过程中数量减少、质量降低的重要因素,若能早期预测粮食是否会发生霉变,提前采取处置措施,对保障粮食储藏安全,降低粮食损失具有重要的意义。本文采用支持向量机算法,并通过网格搜索优化参数,分别建立了稻谷和小麦霉变的预测分类模型,以判定在给定水分、温度和储藏时间的条件下是否会发生霉变。实验结果表示,稻谷平均准确率可达96%以上,小麦平均准确率可达92%以上。同时本研究采取不同规模的小样本训练建模,并与BP神经网络模型进行对比,训练结果表明,基于SVM的模型准确率高且表现稳定,明显优于BP神经网络模型。 相似文献
18.
霉变的发生会导致粮食品质下降甚至粮食浪费,是影响粮食安全储藏的重要因素之一。粮食霉变过程是一个持续过程,在不同发展阶段有着不同的发展规律, 若采取有效的科学方法提前预测粮食是否会发生霉变,对粮食储藏安全具有重要意义。本文提出一种基于萤火虫算法优化支持向量机参数(IFA-SVM)的预测分类模型,引入高斯函数非线性改变萤火虫算法的步长,将稻谷作为研究对象,判断稻谷在给定的温度、水分、储藏时间条件下是否发生霉变。选择实验室生化培养箱对实际存储环境进行模拟,结果显示,相比传统的SVM模型、BP神经网络模型和FA-SVM模型,IFA-SVM模型对稻谷霉变情况的预测准确率可达96%且迭代时间降低,在实际粮食存储霉变预测领域有良好的应用前景。 相似文献
19.
基于粒子群算法和神经网络的大豆识别研究 总被引:1,自引:1,他引:1
在分析大豆表面颜色特征的基础上,提出了利用神经网络和大豆表面颜色特征对大豆进行分级的方法。选取了大豆图像的6种颜色特征值作为神经网络的训练样本,并尝试利用粒子群优化算法与BP结合算法训练网络。仿真结果表明,提出的方法取得很好的效果。 相似文献
20.
PSO‐based BP‐ANN predictive model of S. Typhimurium in processing of surimi with citric acid 下载免费PDF全文
Tian Qin Shaowei Liu Yizheng Mao Xue Liu Xiaozhi Tang Ran Li Wanjing Cai 《Journal of Food Safety》2018,38(1)
Foodborne pathogenic contamination is a major problem of surimi production. In this study, the effect of variables, namely citric acid concentration (0.5, 1, and 2%), process temperature (4 and 25 °C) and time (1–15 min) on the inactivation of Salmonella Typhimurium (S. Typhimurium) were investigated. The results indicated that citric acid had a significant effect on the survival of S. Typhimurium. To describe the kinetics of S. Typhimurium, both back‐propagation artificial neural network (BP‐ANN) and particle swarm optimization‐based back‐propagation artificial neural network (PSO BP‐ANN) were used to develop models for simulating the dynamic population of S. Typhimurium. The novelty of this work consisted in the application of combining PSO and BP‐ANN together as an optimization strategy to enhance its predictive ability. The results of the new model with PSO algorithm suggested a more accurate prediction model. With the optimal ANN–PSO model, the coefficient of determination (R2) were 0.9786 and 0.9985; mean squared error (MSE) values were 0.0499 and 0.0049 for the training and testing data set, respectively.