基于AHPSO-SVM的农产品冷链物流质量安全预警模型

目的为了实时监测农产品始终处于低温、适宜湿度等条件下,实现农产品质量信息的及时反馈和预警。方法针对农产品在冷链物流中的质量安全问题,首先分析影响其质量安全的因素,整合供应链上的追溯信息和监测信息,构建农产品的质量安全预警指标体系。然后设计结合交叉变异算子的自适应混合粒子群算法(AHPSO)优化支持向量机(SVM)参数,以此建立基于AHPSO-SVM的农产品冷链物流质量安全预警模型。结果以苹果的预警指标体系为例,经过模型训练和预测后,预测输出曲线与期望输出曲线均能较好拟合,误差值小。结论该方法较传统的BP神经网络与支持向量机方法,在解决实际问题中预测结果精度更高,可以有效提高农产品冷链物流中质量安全预警的准确性。     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器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。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。     

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。     

基于改进TDABC法的PSO-BP模型在饮料产品生产成本预测中的应用

为了准确预测饮料产品的生产成本,考虑规模经济购买导致的季节性闲置产能对生产成本的影响,采用时间驱动作业成本(Time Driven Activity-Based Costing,TDABC)法,归集季节性闲置产能成本,构建饮料产品的改进TDABC法生产成本核算模型,使产品单位生产成本的核算更加精确;结合误差反向传播(Error Back Propagation,BP)算法,以饮料产品单位材料费用、生产月份和子作业时间为影响因子,对饮料产品生产成本进行预测。针对BP算法易陷入局部极值和收敛慢等特点,引入粒子群优化(Particle Swarm Optimization,PSO)算法改进BP算法,提出了粒子群优化—误差反向传播(Particle Swarm Optimization-Error Back Propagation, PSO-BP)算法。实验表明,该算法具有较高的预测精度。     

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...     

选区激光烧结收缩率预测及工艺参数优化

针对选区激光烧结过程中收缩变形问题,采用正交实验与测量的方法获得训练样本,分别应用BP神经网络与基于遗传算法优化的支持向量回归算法(GA-SVR),建立了针对聚苯乙烯(PS)材料的工艺参数与收缩率之间的定量预测模型,进一步应用自适应变异的粒子群算法对定量模型进行参数寻优。结果表明,基于相同的训练样本,GA-SVR算法相比BP神经网络来说拥有好的预测性能,在此基础上应用粒子群算法寻优得到了预热温度85℃、激光功率19.8 W、扫描速度2590 mm/s、铺粉层厚0.1 mm、支撑厚度1 mm的最优工艺参数组合。模型可以更加准确地控制实际生产中收缩变形现象的产生,为烧结过程中优化控制提供了新思路。     

BCC-BP算法在RGB值到LAB值色彩空间转换中的应用

目的 为了有效克服BP神经网络算法权阈值随机选取造成的模型预测精度不高、结果输出不稳定的问题.方法 提出细菌群趋药性(BCC)算法和BP神经网络算法相结合的BCC-BP神经网络算法,采用BCC算法来选取BP神经网络初始权阈值,克服初始权阈值随机选取带来的问题,并将该算法应用到RGB到LAB色彩空间转换模型中.结果 按照国家普通印刷品的允许误差范围规定在6个标准色差单位以下的要求,在色差小于6的预测区间,基于BCC-BP算法的预测准确率达到81.07％,好于BP,GA-BP和PSO-BP算法,同时对于平均色差ΔE小于6个标准色差单位的要求,BCC-BP算法10次预测结果全部低于6.结论 采用BCC算法辅助BP神经网络进行初始权阈值的选取,可以有效提高BP神经网络模型在色彩空间转换应用中值的输出精度和稳定性.     

基于山东省不同模型的物流需求预测比较研究

目的 过对不同预测方法的误差对比研究,选取预测生鲜农产品物流需求量更精准方法,为疫情情况下山东省生鲜农产品市场进行科学性、合理化决策提供参考。方法 公路货物周转量、互联网普及率、GDP、人口数量、第一产业增加值等十大影响因素作为自变量,以生鲜农产品的需求量作为因变量,分别将小波神经网络、人工神经网络(BP)、遗传算法优化神经网络(GA−BP)、粒子群优化神经网络(PSO−BP)、长短时记忆网络(LSTM)等5种方法的数据预测进行对比分析。结果 波神经网络和BP神经网络的预测值明显低于真实值,且平均相对误差接近20%,而优化后的GA−BP、PSO−BP、LSTM算法误差均小于5%,分别为4.06%、1.162%、0.45%,因此,LSTM预测精度最高,效果最好。结论 来山东省的生鲜农产品需求量将持续增长,LSTM算法以其精确度更高,学习能力更强的优点,将会被更多地应用到物流领域研究中。     

基于粒子群BP神经网络的质量预测模型

为了对产品质量进行预测控制、辅助新产品开发设计、寻找最优参数,将测试样本的网络输出值与真值之间的灰色关联度作为目标函数,采用粒子群算法优化了BP神经网络的权系数和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-GRG算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以注塑件质量预测为例,进行算法实现,仿真结果表明本文所提出的PSO-GRG算法比BP算法迭代次数减少了87.5%,并避免了局部最优,且预测误差亦明显减少。得出结论:所构建的质量预测模型具有较高的预测精度和研究价值。     

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。     

BP人工神经网络在酥性饼干货架寿命预测中的应用

分别使用动力学方法、weibull危害分析法、BP人工神经网络法建立了预测美味酥饼干货架寿命的数学模型。3种模型性能的比较表明:BP人工神经网络预测结果更加准确、方便,使用BP人工神经网络模型的预测值与真实货架寿命值的相关性最高(R2=0.963 8);并且BP模型能综合反映饼干的初始含水率、初始过氧化值,饼干包装材料的透氧率、透湿率以及贮存环境温湿度对其货架寿命的影响。     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

Calibration and verification of DEM parameters for dynamic particle flow conditions using a backpropagation neural network

The Discrete Element Method (DEM) requires input parameters to be calibrated and validated in order to accurately model the physical process being simulated. This is typically achieved through experiments that examine the macroscopic behavior of particles, however, it is often difficult to efficiently and accurately obtain a representative parameter set. In this study, a method is presented to identify and select a set of DEM input parameters by applying a backpropagation (BP) neural network to establish the non-linear relationship between dynamic macroscopic particle properties and DEM parameters. Once developed and trained, the BP neural network provides an efficient and accurate method to select the DEM parameter set. The BP neural network can be developed and trained for one or more laboratory calibration experiments, and be applied to a wide range of bulk materials under dynamic flow conditions.     

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%。     

Prediction of Web Services Reliability Based on Decision Tree Classification Method

With the development of the service-oriented computing (SOC), web service has an important and popular solution for the design of the application system to various enterprises. Nowadays, the numerous web services are provided by the service providers on the network, it becomes difficult for users to select the best reliable one from a large number of services with the same function. So it is necessary to design feasible selection strategies to provide users with the reliable services. Most existing methods attempt to select services according to accurate predictions for the quality of service (QoS) values. However, because the network and user needs are dynamic, it is almost impossible to accurately predict the QoS values. Furthermore, accurate prediction is generally timeconsuming. This paper proposes a service decision tree based post-pruning prediction approach. This paper first defines the five reliability levels for measuring the reliability of services. By analyzing the quality data of service from the network, the proposed method can generate the training set and convert them into the service decision tree model. Using the generated model and the given predicted services, the proposed method classifies the service to the corresponding reliability level after discretizing the continuous attribute of service. Moreover, this paper applies the post-pruning strategy to optimize the generated model for avoiding the over-fitting. Experimental results show that the proposed method is effective in predicting the service reliability.