基于粒子群优化BP神经网络的脉象识别方法

针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题,提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差,以此获得最优粒子的位置向量,并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO-BP算法和GA-BP算法的三种ANN模型用于脉象信号的识别。实验结果表明,在识别脉象时,优化后的算法降低了传统BP神经网络的输出误差,提高了识别精度,PSO-BP算法明显改善了传统BP神经网络的泛化能力。     

基于BP和RBF神经网络的新型融合技术研究

为了提高融合技术的精度,本文以JCY-120压力传感器构建的一套测量系统为例,提出了一种基于BP,RBF神经网络进行训练消除交叉敏感的实验方案,该实验利用压力传感器得到的交叉敏感的数据,采用BP和RBF网络进行训练和测试.最后进行实验,实验结果表明该方法在利用神经网络进行新型融合技术方面,能够提高数据融合的精度.     

基于改进型PSO-BP神经网络算法的水质评价

环境污染现在是大众所关注的一个重要的问题,需要拿出科学的方法和手段应对这个问题。文中提出了一种改进型的PSO-BP神经网络相结合的环境质量评价方法,以大理的洱海水域为例,选取了实际的水质监测数据作为样本,进行了系统的分析。通过对传统的BP神经网络法、PSO-BP神经网络和改进型PSO-BP算法三种方法应用结果的对比,本文得出改进的PSO-BP神经网络方法在相同精度下拥有更高的效率。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

基于灰色神经网络的压力传感器温度补偿模型

压力传感器的输出随温度呈非线性变化,同时含有较大的随机噪声。针对BP神经网络对压力传感器温度补偿建模时误差较大的问题,提出了基于灰色模型和BP神经网络的压力传感器温度补偿模型。首先,用灰色模型对数据进行预处理,以减小原始数据的噪声;然后,用降噪后的样本数据作为BP神经网络的输入进行训练。在相同的训练次数下训练误差可减小一个数量级。结果表明,采用该模型补偿后的压力传感器补偿精度明显优于BP网络模型。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

基于GANPSO-BP神经网络的粮情预测模型研究

在使用BP神经网络构建粮情温度预测模型时,因其存在误差高、稳定性差等缺陷,借鉴遗传算法和粒子群的思想,提出一种GANPSO-BP神经网络来预测粮食温度。首先为验证GANPSO算法的可用性,将该算法与PSO算法和IPSO算法在测试函数上利用Matlab软件进行模拟测试,结果得出GANPSO算法效果相对与其他两种算法有着明显提高;然后再对BP,PSO-BP和GANPSO-BP三种神经网络进行测试,得出BP的均方误差为0.021 79,PSO-BP的均方误差为0.017 65,GANPSO-BP的均方误差为0.013 30;从而得到GANPSO-BP神经网络相对于其他两种有着较好的稳定性,能够很好地预测粮食温度的变化情况。     

压力传感器温度补偿的一种新方法

针对温度对硅压阻式压力传感器输出影响的问题,提出将主成分分析(PCA)与改进的反向传播(BP)神经网络相结合,用于压力传感器的温度补偿的新方法.利用PCA提取温度补偿的主要信息使多维问题得以简化,同时剔除了数据的噪声误差,且对BP神经网络进行了改进,以充分发挥其强大的泛化功能和容错能力.研究结果表明,该方法有效抑制了温...     

基于SSA-BP神经网络的试验品室内温度预测

在弹药试验品日常存储温度监测过程中，传统传感器测量存在滞后性。为解决这一问题并实现试验品储存室下一时刻温度的精准预测，文中提出一种基于SSA优化BP神经网络的智能算法。通过SSA算法与BP神经网络相结合的方法，在局部搜索中快速找出阈值更新的最优位置，为BP神经网络的训练提供更好的参数。利用Matlab仿真平台搭建SSABP温度预测模型，并与PSO-BP算法温度预测模型进行仿真对比。测试结果表明：SSA-BP神经网络算法稳定性好，鲁棒性强，收敛速度快；相比PSO-BP网络，该算法的MAE和MSE误差值分别减少2.31%和0.54%，预测精准度高。所提方法可为弹药试验品储存室温度精准预测提供重要依据和参考。     

基于蚁群算法优化BP神经网络的政务云网络态势预测研究

针对常规BP神经网络预测模型存在的预测精度低、收敛速度慢等问题,给出一种蚁群优化BP神经网络预测模型,用于政务云的网络安全态势预测。同时,对蚁群算法的信息素更新规则进行改进,并将改进后的蚁群算法应用于BP神经网络权值和阈值的优化,得到BP神经网络预测模型的最优权值和阈值,并将最优权值和阈值用于BP神经网络训练和预测。实验仿真结果表明,与传统BP神经网络安全预测模型相比,采用优化后的模型进行网络安全态势预测时,其收敛速度和预测精度都得到了明显的提高。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

基于PSO-BP算法的神经网络模型预测策略研究

在非线性模型预测中,往往难以获得精确的非线性数学模型,从而对预测精度造成一定的影响。该文将粒子群算法与BP算法相结合,提出了一种PSO-BP算法,改进了BP算法的不足,并将其应用于神经网络模型预测当中,提高了非线性模型预测的精度。     

基于GSA-BP神经网络的压力传感器温度补偿

针对压力传感器输出的温度非线性特性,采用遗传模拟退火算法优化的BP神经网络(GSA-BPNN)进行误差补偿,并与标准BP神经网络补偿误差进行了比较。通过matlab仿真验证,实验结果表明：采用GSA-BP神经网络不易陷入局部极小值,大大减小传感器非线性误差,误差精度小于0.1%,补偿结果优于标准BP神经网络。     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP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Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

基于BP神经网络的一种传感器温度补偿方法

简单介绍了硅压阻式传感器温度误差产生的原因及其特点,提出了一种利用BP神经网络对其温度误差及非线性误差进行补偿的方法.根据传感器温度误差的特点设计了一个多层的BP神经网络,其中传感器测试电路中四臂电桥的桥路电压和未经补偿的传感器的输出作为神经网络的两个输入.利用Matlab对该网络进行训练,得到了网络的权值和阚值.经过...     

声表面波CO气体传感器温度误差补偿方法研究

要提高声表面波(SAW)气体传感器的测量精确度,温度补偿是主要难题.目前有许多补偿方法,但其效果不佳.采用软件方法进行温度补偿的研究在国内外已成热点,但选用神经网络对声表面波气体传感器进行温度补偿罕见报道.该文以西北工业大学研发的声表面波CO气体传感器为研究对象,通过理论分析和实验,得到了声表面波CO气体传感器的温度特性曲线.提出了一种利用BP人工神经网络对声表面波CO气体传感器温度误差进行修正的新方法.计算机仿真和试验结果表明,该法能有效改善传感器的输出特性,且速度快,精度高,鲁棒性强,便于用硬件实现,具有较高的推广应用价值.     

Research on the identification of the production origin of Angelica dahurica using LIBS technology combined with machine learning algorithms

The origin of Angelica dahurica medicinal herbs varies, and their pharmacological effects also differ. In order to achieve rapid and accurate identification of the origin of Angelica dahurica medicinal herbs, this study utilizes laser induced breakdown spectroscopy(LIBS) technology combined with machine learning algorithms to identify the original source of Angelica dahurica. Sliced samples of Angelica dahurica were taken from four regions: Hebei, Henan, Zhejiang, and Sichuan. The spectral data ...     

改进混沌搜索的AMPSO-BP激光铣削质量预测

为了更好地控制激光铣削的质量,建立了激光铣削质量和铣削层参数的神经网络模型。针对神经网络易陷入局部极小值的缺点,提出混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立了AMPSO-BP激光铣削质量预测模型。最后以某种材料的激光铣削质量预测为例,将文中所提算法与PSO-BP、BP神经网络预测结果相比,结果表明所提方法有很高预测精度且预测误差明显减小,在实际中有一定应用价值。