共查询到10条相似文献,搜索用时 296 毫秒
1.
2.
3.
基于遗传BP神经网络预测硫在高含硫气体中溶解度 总被引:1,自引:0,他引:1
为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。 相似文献
4.
5.
利用BP和GRNN神经网络建立胶料性能和减振器性能之间的预测模型,并对预测结果的误差进行对比分析。结果表明,利用BP神经网络建立的预测模型预测平均相对误差在16%以内,利用GRNN神经网络建立的预测模型预测平均相对误差在5%以内,说明使用GRNN神经网络进行减振器性能预测精度更高、效果更好。 相似文献
6.
7.
采用等离子熔覆法在Mn13高锰钢上制备了低碳Fe-Ni合金层。以熔覆电流、喷头移动速率、离子气流量和热处理温度作为输入参数,以冲击韧性作为输出参数,建立了BP(误差反向传播)神经网络模型和粒子群算法优化(PSO)BP神经网络模型,并跟冲击韧性与热处理温度之间的线性回归模型进行对比。结果表明,线性回归模型、BP神经网络模型和PSO-BP模型的平均相对误差分别为7.06%、6.12%和3.03%。PSO-BP模型的预测结果与实测值的误差较小。 相似文献
8.
9.
依据BP神经网络算法对矿粉-水泥体系的胶砂活性指数与其影响因子建立了BP神经网络模型。用非建模数据进行检验,结果预测值与实测值比较接近(相对误差不超过2%)。这说明BP神经网络模型较好地反映了矿渣-水泥颗粒群特征参数与其活性指数的非线性函数映射。 相似文献
10.
以水胶比、用水量、砂率、水泥强度、水泥用量以及偏高岭土、矿粉和粉煤灰用量为输入向量,采用SPSS回归方程分析和基于Levenberg-Marquart算法的BP神经元网络预测模型对偏高岭土高性能混凝土的抗压强度进行了预测研究,并与试验值进行了对比.结果表明:与SPSS回归方程分析预测结果相比,BP神经元网络预测值与实测值线性拟合度高,拟合值为0.997,两者之比的平均值和标准差分别为0.999和0.010,网络预测最大相对误差不超过2.1%,模型预测精度高,结果可靠,为偏高岭土高性能混凝土的抗压强度预测提供了指导依据. 相似文献