粒子群算法在气力输送管道压降预测中的应用

管道压降是气力输送系统设计的一个重要参数,传统的求解方法比较复杂.本文提出了以气体流速、颗粒浓度、混合比等作为神经网络输入,建立管道压降网络模型的方法.为进一步提高管道压降预测准确度,以预测误差作为适应度值,采用粒子群算法对网络权值和阈值寻优,优化神经网络,并利用样本数据训练出了有效的压降预测网络.通过将预测数据和粉料气力输送实验装置的实测数据相比较,结果表明,该方法预测误差小,准确度高,有较高的实用价值.     

基于麻雀搜索和模糊学习策略的车位预测方法

针对目前诱导系统存在数据不同步性,时间差存在滞后问题,该文提出一种基于麻雀优化神经网络的泊位预测方法。首先,结合小波分析对时间序列进行分解重构;其次,建立一种优化的BP神经网络模型,通过麻雀算法对BP的权值进行不断调整以克服局部最优。同时,引入动态模糊学习策略,使最优解的邻域发生微小变化,避免陷入局部最优,并改进得到的解的质量。利用某停车场历史数据对所提算法进行有效性验证。实验表明,所提算法平均绝对误差（MAE）和均方根误差(RMSE)分别为6.223 0、4.629 5,准确度均优于其他智能优化模型,能够有效预测剩余车位。     

深度置信网络光伏发电短时功率预测研究

针对现有光伏功率预测技术存在提取特征不充分导致预测精度低的问题,提出一种基于深度置信网络的光伏发电短时功率预测方法。根据光伏发电系统的运行特征和深度置信网络的特点,阐述该预测方法的可行性和科学性。搭建功率预测模型,通过无监督学习过程逐层提取输入序列的内在特征;模型顶层采用BP神经网络对特征矩阵和偏移量进行有监督训练,经过误差微调后输出预测结果。综合考虑可能对光伏发电功率产生影响的多种因素(如辐射强度、温度等),并将上述因素做归一化处理后作为模型的初始输入量,在Matlab上对预测模型进行仿真验证。最后将该预测模型与常用的BP神经网络方法进行比较,结果显示所提模型性能优于BP神经网络,证明该模型具有较好的预测准确度。     

基于人工蜂群算法与反向传播神经网络的铝热连轧轧制力预测

在分析传统的轧制力数学模型的不足之后,提出了一种基于人工蜂群算法与反向传播神经网络相结合的铝热连轧轧制力预测方法,使用人工蜂群算法优化反向传播神经网络的初始权值和阈值。以现场采集的精轧机组数据作为训练和测试样本,并与Sims数学模型和反向传播神经网络的预测结果进行比较,实验结果表明所提方法的轧制力预测精度和误差明显优于传统算法。     

基于GANBP的航空发动机性能退化预测模型

以神经网络为代表的人工智能技术,为通过状态监测信息全面表征航空发动机状态提供了可能。如何获取足够的监测样本成为神经网络成功应用的关键。生成式对抗网络(Generative adversarial networks,GAN)的应用可实现在已有状态监测信息的基础上扩大样本量。结合经典的误差反向传播BP(back propagation)神经网络预测方法,设计一种新的具有扩展训练样本能力的GANBP预测模型。以航空发动机为例,利用生成式对抗网络生成航空发动机状态监测样本,通过算例来说明本方法的可行性。实验结果表明在大量的网络迭代训练后,GAN能够提取监测样本的特征信息,利用BP算法对航空发动机性能退化预测并与其它预测方法相比较,证明本文构建的GANBP模型能够有效解决因航空发动机状态监测样本量过小而导致性能衰退预测不准确的问题。     

基于门控循环单元神经网络的大跨径斜拉桥索力预测

拉索索力的改变直接反映斜拉桥结构体系受力状态的变化，因此索力监测对斜拉桥健康评估具有重要意义。然而现有关于索力的研究大多为索力识别，难以做到根据历史索力数据实现对未来索力的预测。为此，提出一种基于门控循环单元（GRU）神经网络的索力预测方法：利用GRU神经网络对时序型数据的处理能力以及索力数据较强的序列化特性，搭建基于GRU神经网络的索力预测框架，该预测框架包含输入层、GRU隐藏层与输出层；利用实桥连续采集的索应力时程数据作为训练及验证样本，对样本进行数据切片和归一化；搭建能够实现对该桥未来索力进行预测的GRU神经网络，结合梯度下降优化算法进行网络计算。结果表明所提方法对不同长度的拉索都具有较好的预测效果。     

基于三角模糊和BP神经网络的产品意象造型设计

目的 针对目标产品造型与用户模糊感知意象适应性欠佳问题,探索性提出一种基于三角模糊和BP神经网络的意象造型设计方法.方法 在分析产品意象造型设计流程的基础上,以三角模糊方法作为BP神经网络模型意象输入数据的预处理工具,将用户模糊感知意象量化转换;并采用因子分析法降维获取优势感知意象;借助KJ和专家评定法获取差异性较大样本,根据形态分析和建模特点划分产品部件造型特征,通过Delphi法多轮选出优势样本;基于Matlab平台,采用权值惯性可调节、学习率可变的traingdx网络训练算法,对产品优势样本进行学习、训练和预测,构建部件造型要素与用户感知间的关系模型,实现造型设计元素的最佳定量化组合,使BP神经网络对用户模糊意象的定性更为有效,将该方法应用于腰椎牵引器造型设计中.结论 实验结果表明,该方法能有效实现模糊意象的定量分析,所建立的腰椎牵引器神经网络模型输出符合设计要求,促进设计概念转化.     

一种改进机器人计算力矩控制的神经网络补偿方法

提出了一种由计算力矩控制器和神经网络补偿控制器相结合的机器人控制方案,探讨了用线性神经网络补偿机器人计算力矩不确定性误差的方法.推导了网络权值的自适应调整律,并证明了系统的稳定性和跟踪误差的收敛性.所提方案结构简单,鲁棒性强,且神经网络补偿器有较好的适应性,无需事先知道机器人动力学参数和结构的精确值.对某打磨机器人轨迹跟踪的实验结果表明所提方案具有很好的鲁棒性和抗干扰能力.     

空间网壳结构振动问题的改进神经网络控制

结合经验公式及实验比较对神经网络的结构进行优化,利用Levenberg-Marquardt算法改进传统误差反向传播算法.基于两个改进人工神经网络的组合运用,针对结构动力响应,建立了一种可预测有效控制力的神经网络预测控制策略.用一个网络辨识结构的动力响应,另一个网络预测有效控制力.数值仿真显示:该算法具有比传统BP网络的最速下降法高一阶的收敛速度;除个别时间步外,该文控制策略可较准确识别结构的动力响应、、给出有效控制力.     

基于振动噪声信号的齿轮传动系统声压级预测

文中提出一种新的齿轮箱噪声预测方法,它与传统的仅用声压计测量方法不同：该方法采用多个加速度和噪声传感器对齿轮箱进行监测并获取振动和噪声信号;先通过成熟的“以振代噪”技术,计算振动信号的噪声评估向量;然后根据组合预测方法,采用应用线性神经网络算法预测出齿轮箱的声压级,并且通过实验验证其准确性有效性。     

基于灰色神经网络的电力系统负荷预测

负荷预测是电力系统规划、供电、调度等部门的重的基础工作。对于经济合理地安排发电机组的启停及检修计划,保持电网安全稳定运行以及未来电网的增容和改建等有十分重的作用。文章提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。在灰色预测中通过对历史数据作不同的取舍,并经累加生成后建立不同的模型。然后再把各种灰色模型（GM）的预测结果作为神经网络的输入,神经网络的输出则为组合预测的结果。学习方法使用BP算法。灰色神经网络方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性的拟合能力的特点,提高了预测精度。算例表明了所提方法是可行有效的。     

基于误差修正的菌体浓度软测量

针对机理模型中参数易受环境影响,结果常常不准,而数据模型对于复杂系统外推能力差的情况,提出了以机理模型为基础,以数据模型为补充,利用数据模型对机理模型的预测结果进行误差修正的方法.将该方法用于菌体浓度的预测,误差修正模型采用RBF神经网络,包含了影响菌体浓度的主要理化因素:温度、溶解氧和pH,以实际测量值为目标对该网络进行训练.训练好的神经网络用来对机理模型的输出进行修正.试验数据表明该方法能有效提高菌体浓度的预测精度.     

基于人工免疫网络的汽轮发电机组运行状态评估与预测

在分析、比较针对机械运行状态各种预测模型及方法的基础上,本文提出了一种基于人工免疫网络的预测模型,通过免疫网络调节与免疫规划,对神经网络系统进行设计与学习,得出人工免疫网络,建立了基于人工免疫网络的中长期预测模型.通过某汽轮发电机组状态中长期预测的应用,结果表明,该方法与传统的BP神经网络和径向基网络(RBF)模型预测方法相比,具有较强的自适应能力且预测效果好,可实现对机械运行状态的预测预报,为预知维修奠定技术基础.     

工业园区污染废气的动态关联分析方法

针对工业园区废气污染和溯源追踪问题,基于含变异系数滑窗,提出了一种动态关联分析方法.首先,使用变异系数及其变化率来定义滑窗窗口长度的变化,其次,将斯皮尔曼相关系数和最大信息系数加权来计算窗口内两段数据的相关性,反映关联特征,最后在两种方法结合的基础上,使用某工业园区的实际监测数据中的CO浓度数据与其他污染气体浓度进行动...     

地下交通环廊深基坑监测模型分析

介绍地下交通环廊在我国城市现代化建设中的发展趋势,支护方式方法也成为地下交通环廊的安全建设的重要问题。结合深基坑监测,对有安全隐患的情况进行预测预报,将灰色理论、马尔柯夫理论及BP神经网络组合在一起,建立组合预测模型对基坑变形进行监测预测。如果可以推广到基坑的监测预测方面,将会给监测、施工带来更大的经济效益和工程价值。     

基于遗传算法和灰色神经网络的电力机车产品需求预测方法

目的 应对快速多变的市场,提前预知市场发展,制定相应的排产计划,使企业在竞争中占据先发优势。方法 目前基于灰色神经网络的预测算法,准确地预测产品需求通常需要连续且大量的样本数据,对小数据非线性系统的预测结果精确度低、可靠性差,针对这一问题,提出一种耦合遗传算法的灰色神经网络预测方法,综合灰色模型和神经网络理论,构建了面向产品订单量需求预测的灰色神经网络模型;通过电力机车产品实例分析了模型的预测性能;为解决预测过程中模型早熟收敛的问题,利用遗传算法对训练网络的权重和阈值进行了迭代优化。结论 研究结果表明,优化后产品预测模型的精确性和鲁棒性得到提高,验证了所设计方法的可行性。     

基于ARIMA-OSELM的火电厂SCR入口NOx浓度预测建模研究

针对火力发电厂燃烧系统运行工况复杂、迟延较大，导致选择性催化还原烟气脱硝系统(SCR)中入口NO_x质量浓度难以准确测量的问题，提出了一种基于ARIMA-OSELM神经网络组合模型的火电厂SCR入口NO_x浓度预测方法，分别从最优权重和残差优化2个组合角度进行对比研究。将该方法应用于某火力发电厂SCR入口浓度预测中，结果表明：基于ARIMA-OSELM残差优化的组合模型预测精度最高，其效果优于ARIMA-OSELM最优权重的组合预测模型以及单一ARIMA和OSELM神经网络预测模型，评价指标F_MAPE、M_RMSE和R²分别为0.190、1.364和0.978。     

基于深度学习利用特征图加权融合的目标检测方法

为了提高目标检测的准确性,提出了一种基于深度学习利用特征图加权融合实现目标检测的方法。首先,提出将卷积神经网络中的浅层特征图采样后与最深层特征图进行加权融合的思想;其次,根据所提的特征图加权融合思想以及卷积神经网络的具体结构,制定相应的特征图加权融合方案,并由该方案得到新特征图;然后,提出改进的RPN网络,并将新特征图输入到改进的RPN网络得到区域建议;最后,将新特征图和区域建议输入到后续网络层完成目标检测。实验结果表明所提方法取得了更高的目标检测精度以及更好的目标检测效果。     

基于烟花算法与长短时记忆网络的模温预测方法研究

针对传统神经网络模型预测模具温度准确度低,网络超参数选取困难等问题,提出一种基于烟花算法优化长短时记忆网络的模温预测模型,为铸造成型模温自动控制提供基础。首先根据铸造过程生产工艺选取影响铸造系统的主要变量,利用灰关联分析得出各变量灰色关联度并去除关联度小的变量,建立模具温度影响因子变量的数据集;其次采用烟花算法对长短时记忆网络进行优化,建立模具温度预测模型;最后与BP神经网络和长短时记忆网络预测效果进行对比。实验结果表明基于烟花算法优化的长短时记忆网络的模温预测方法绝对误差小于2.4℃,平均绝对百分比误差小于0.12。     

浅析锅炉废气排放监测质量控制

按照GB13271-2001《锅炉大气污染物排放标准》规定,锅炉废气排放监测主要是烟尘排放浓度、二氧化硫(SO2)排放浓度和氮氧化物(NOx)排放浓度三项。这些项目在监测过程都有不同的质量要求,如何在监测过程中保证监测数据的精密性、准确性、代表性、可比性和完整性,是环境监测人员必须面对的问题。本文针对锅炉废气排放监测的方法及监测过程中质量控制问题进行了分析和探讨。