基于改进BP神经网络的锅炉过热器管壁温度预测研究

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。     

基于优化PSO改进BP神经网络的转炉炼钢钢水重量预测研究

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。     

基于遗传算法优化的花式捻线机转速值预测

探讨基于遗传算法优化的花式捻线机转速值预测模型。针对纺织厂花式捻线机生产中工艺参数转换至罗拉和锭子转速值的预测问题,采用了遗传算法来优化传统以BP神经网络为基础的预测模型,利用遗传算法的全局寻优特点对BP神经网络的权值和偏置进行优化,再通过BP神经网络算法进行罗拉和锭子转速值的预测,改进了BP神经网络容易陷入局部极小值和收敛速度慢的问题。试验数据表明:基于遗传算法优化的BP神经网络的预测数据精确、误差小。认为:该预测模型可以满足花式捻线机转速值预测的需要。     

改进PSO-BP网络预测模型在造纸能耗预测中的应用

针对企业生产过程能耗数据的时变性、非线性和强耦合性等特点,本文建立基于改进粒子群算法优化的BP神经网络能耗预测模型,将该预测模型在耗电量预测方面进行分析与研究,以造纸厂某个生产车间的实际耗电量数据进行预测和对比,结论表明,该预测模型比传统的BP神经网络预测模型的预测误差小,预测效果好。因此,利用该预测模型对了解企业的能耗动态趋势,保证企业能源供需稳定和平衡,促进企业发展和社会经济效益具有积极作用。     

基于思维进化神经网络的细纱断裂强度预测

探讨一种基于思维进化算法优化BP神经网络的细纱断裂强度预测方法。利用思维进化算法对BP神经网络的阈值和权值进行优化,发挥在全局寻优方面的优势。试验结果表明:基于思维进化算法优化BP神经网络预测模型比单一的BP神经网络预测模型具有更高的准确性,该模型的细纱断裂强度预测值与实测值之间的平均绝对百分比误差和均方根误差下降明显。认为:基于思维进化算法优化BP神经网络模型具有更好的综合预测性能。     

基于遗传算法优化BP神经网络的粮食温度预测研究

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。     

改进粒子群算法在库存预测中的应用

针对自动化立体仓库库存预测结果存在不准确和时间滞后等问题,课题组提出一种基于改进粒子群算法并结合指数平滑法来构建库存预测模型.分析传统粒子群算法和指数平滑法的原理以及缺点,通过引入附加变量、非线性动态调整惯性权重以及异步变化学习因子的方式,提出一种改进的粒子群算法;并采用4种标准测试函数来验证算法的寻优能力;最后将改进...     

基于改进RBF神经网络的粮仓温度预测

粮食储备对于一个国家来说十分重要,是关乎民生的重要战略资源。储粮对于温度要求十分严格,针对传统粮仓温度预测存在非线性、精度差的问题,选用RBF神经网络建立温度预测模型,利用粒子群算法(particle swarm optimization, PSO)及列文伯格-马夸尔特算法(levenberg-marquard, LM)优化网络的参数。仿真结果可以看出,用PSO算法和LM算法优化后的神经网络模型预测精度更加准确,与PSO优化后的RBF神经网络进行比较,PSO-LM-RBF算法预测误差小,模型更加稳定。     

基于PSO-BP神经网络的数码印花颜色预测模型研究

面向定制时代纺织工业数码印花的关键技术,根据数码印花的颜色复现特征,提出一种基于粒子群优化算法（PSO）优化三层BP神经网络的颜色预测模型,通过权值和阈值优化解决了BP神经网络易陷入局部极小值的难题,有效提高了数码印花颜色预测精度。     

回转窑煅烧配置参数的预测模型设计

文章在回转窑煅烧过程中复杂环境下的工艺参数预测分析领域,提出了回转窑煅烧配置参数预测模型,介绍了模型原理,模型的支撑算法K-MEANS算法、主成分分析法、BP神经网络、粒子群算法及粒子群改进算法,通过实验验证,新算法相对于粒子群算法更好地避免早期收敛,具有很好的搜索效果。     

基于BP神经网络方法的高大平房仓温度场预测研究

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。     

基于BP神经网络算法的粮食储存品质预测模型构建研究

粮食安全预警对于储粮企业意义重大,本文基于BP神经网络算法,采用Python软件构建了粮食储存品质预测模型。通过使用全国各储粮生态区的质量品质数据来训练和测试,构建了基于BP神经网络算法的两种预测模型,时间序列品质预测模型可进行连续单指标跨期预测,温湿度-品质预测模型可进行度夏后粮情预测。经验证,时间序列品质预测模型对粮食储存品质指标预测效果较好,预测误差均低于15%。     

一种面向储粮微环境的GPSO改进算法研究

粮食作为一种特殊及复杂的生命体,储藏粮堆内部微环境的变化规律异常复杂,准确掌握粮堆内部温度场的变化是个难题。本研究通过对粒子群算法惯性权重和目标函数的修改,提出一种面向储粮微环境的GPSO改进算法,结果表明,改进算法在粒子分布较为分散时,使得粒子群收敛速度较快,迭代曲线平稳,全局搜索能力强。在粒子分布较为密集时粒子的速度较为缓慢,其局部寻优能力强。该算法与其他算法对比分析,表明对储粮温度预测具有良好的结果,预测的拟合程度很高。     

基于改进BP神经网络的食品分拣机器人视觉伺服控制方法

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。     

基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

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。     

基于IPSO-BPNN-PID控制的食品并联机器人抓取技术

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。     

基于SVM的粮食霉变预测分类方法研究

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。     

基于IFA-SVM的粮食霉变预测研究

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。     

基于粒子群算法和神经网络的大豆识别研究

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。     

PSO‐based BP‐ANN predictive model of S. Typhimurium in processing of surimi with citric acid

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.

Practical applications

Surimi is an important intermediate product in Asia, while fresh surimi may be contaminated with Salmonella Typhimurium during processing, transportation, and storage. In this study, Citric acid has been used to control microbial growth, and extend food shelf‐life. PSO‐based BP‐ANN model were selected to predict the population of Salmonella Typhimurium in processing of surimi with citric acid as a more accurate prediction model. As surimi is constantly consumed, predicting and monitoring the harmful pathogenic bacteria is vital to ensure the food safety.