G/11家族木聚糖酶特征序列与其最适温度定量关系的研究

本文研究了G/11家族木聚糖酶特征序列与其最适温度的定量关系,所得逐步回归模型达到极显著(p<0.0001),相关系数为0.965。该模型对文献[5]报道的23种木聚糖酶的预测值与其实测值吻合较好,平均绝对误差和平均绝对百分比误差分别为3.42%和1.84℃。对比文献[5]的两种模型,它优于基于单个氨基酸的模型(2.26℃和8.1%),但略逊于基于二肽的模型(1.22℃和2.27%)。同时,在这两个特征序列中,存在7个对木聚糖酶最适温度影响较大的位点。利用在大肠杆菌中表达的重组木聚糖酶的特征序列和最适温度验证该模型的可靠性,该模型的预测误差仅为0.2%(预测值和实测值分别为50℃和49.9℃)。此模型适用于G/11家族中的所有木聚糖酶且有很好的精度,所以它可为木聚糖酶定向改造其耐高温的活性提供更多的生物信息。     

基于BP神经网络的蓄电池充放电温度模型的建立

由于蓄电池机理复杂,蓄电池的温度具有明显的非线性、滞后性和模型不确定性,采用BP神经网络对蓄电池温度进行仿真研究,建立网络模型,反映蓄电池温度变化趋势.     

基于BP神经网络的超声测压温度补偿模型

在分析了温度对超声管外压力测量的影响和现有模型不足的基础上,利用BP神经网络良好的非线性拟合能力,通过实验数据训练网络,最终建立了温度—声速—压力模型,实现了温度的补偿,结果表明补偿后的模型精度明显提高。     

基于BP神经网络及模糊推理的温度预警模型研究

主要研究建立疫苗冷链物流运输过程中的温度监控预警模型,通过优化的BP神经网络算法进行温度的预测,并采用模糊推理进行有效的决策预警,旨在把冷链物流运输中可能产生的损失降到最低;仿真测试阶段通过建构一个隐藏层神经元为13个的优化BP神经网络,在Matlab中进行有效性仿真,训练回归统计R值接近于1,且得出期望输出与实际值相差无几;模糊推理系统采用trapmf隶属函数,通过仿真的规则曲面表明该规则对输入有良好的判断。     

主成分分析的神经网络及其在木聚糖酶最适pH建模中的应用

木聚糖酶结构与功能、性质的关系错综复杂,传统的回归分析往往不能满足要求。本文采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入神经网络,籍助于均匀设计（UD）,构建了木聚糖酶氨基酸组成和最适pH的模型。当学习速率为0．08、动态参数为0．7、Sigmoid参数为0．92,隐含层结点数为9时,模型的拟合残差为0．00109,对pH值拟合的平均绝对百分比误差为3．29％,同时具有良好的预测效果,预测的平均绝对误差为0．59个pH单位。比文献报道的用逐步回归方法更好。     

用神经网络方法进行气象温度预测

本文提出了一种改进的BP算法以优化神经网络连接权,使网络具有快速全局收敛的能力,由此建立的温度预测模型取得了较好的效果。实验中选取了多组数据对网络进行训练和测试,在此过程中,对学习率和动态参数的选取以及网络结构的优化进行了初步探讨,得到了一些有益的结论。     

基于BP神经网络的彩色温度软测量

基于高温物体的温度不同,与之相对应通过数码相机摄取的高温物体的颜色也不同,提出一种神经网络的图像颜色测温方法.选取RGB模型的R、G和B作为模式特征向量,用BP网络拟合高温物体的颜色和温度之间的非线性关系.实验结果表明,该方法精度高,运行速度快,切实可行.     

基于神经网络的水泥回转窑温度预测模型

回转窑的生产过程是一个复杂的物理化学反应过程,具有大惯性、纯滞后、非线性等特点.工艺过程复杂多变,难以得到精确的数学模型,本文利用BP神经网络可以实现任意非线性映射的特点建立其神经网络预测模型,结合广西某大型水泥厂实时采集的生产数据,进行仿真研究.仿真结果表明,该模型能够很好的预测水泥回转窑的温度.     

基于BP神经网络的海表温度预测

海洋表面温度(SST)是全球气候重要的地理参量之一,掌握未来海表温度变化趋势有助于全球气候变化研究的开展。因此,本文提出一种基于海表温度历史数据的反向传播BP (Back Propagation) 预测模型,对南海部分海域海表面温度进行了分析,研究结果表明：训练后模型的平均绝对百分比误差MAPE为0.0183,平均误差为0.0573,误差回归直线的相关系数R达0.9767,预测值与真实的海表温度误差较小。由此可见,BP神经网络能有效地预测海表温度的总体变化趋势,为海表温度预测提供一种可行且有效方法。     

基于BP神经网络的光伏阵列温度预测

针对现有太阳能光伏阵列仿真实验中因采用环境温度代替光伏组件温度而导致的光伏阵列建模不正确问题,指出应在光伏电池仿真模型中区分环境温度和组件的实际工作温度;分析了光伏组件温度与环境温度和输出功率的关系,给出了一种基于BP神经网络的光伏阵列组件温度预测方法,并将预测结果与实测结果进行比较,得出结论:该方法可有效预测光伏阵列组件温度,且采用前一天数据和前三天数据都有较好的预测效果,因此实际应用时可采用前一天的数据来预测当天的组件温度。     

基于神经网络的恒温控制系统的研究与设计

由于恒温控制的数学模型很难建立,针对这一难题提出了基于神经网络的PID控制器,侧重介绍了BP神经网络PID控制器算法的基本知识以及控制器的设计原理,通过实验仿真证明了神经网络PID控制器的控制效果比传统的PID控制在静态特性和动态特性方面都有所提高,而且具有较好的鲁棒性,该控制器在工业控制中将会发挥越来越大的作用.     

基于TEEN协议和BP神经网络的WSN数据融合模型

针对无线传感网感知数据中含有大量无效或冗余数据的现象,本文提出了一种基于TEEN协议和BP(Back Propagation, BP)神经网络的数据融合模型。该模型利用三层BP神经网络描述簇结构,通过TEEN阈值过滤非必要信息,在簇结构信息传输过程中运用神经网络功能函数处理大量感知数据,从中提取感知数据的特征值并转发至汇聚节点。实验仿真表明,该模型无论在数据通信量、使用寿命及网络消耗上都优于TEEN协议,在降低网络通信量和网络能耗的同时提升了网络的使用寿命,大大提升了数据采集的效率和性能。     

基于模型参考和神经网络的传感器动态补偿器的设计

为了改善传感器的动态响应特性,提出了一种动态补偿器的设计方法.该方法在传感器后接一基于模型参考自适应方法的动态补偿器,并利用BP神经网络算法不断在线辨识补偿器参数,使其始终工作在最佳参数下,实现动态性能的在线补偿.试验表明,对动态品质较差的双孔悬臂梁式压力传感器进行在线补偿,其到达稳态值的调节时间由0.1 s缩短为0.015 s,动态性能得以较好的改善.该方法为提高传感器性能开辟了新途径.     

基于BP神经网络的产品造型设计评价

为了对产品的造型设计进行评价,在分析人工神经网络原理的基础上提出了应用BP神经网络评价产品造型设计的方法.根据BP神经网络具有自学习、自组织、自适应和非线性动态处理等优点,建立了产品造型设计BP神经网络评价模型,选择某一产品造型设计的13款方案作为样本,利用Matlab软件进行了BP网络的实例训练和验证.实验结果表明,BP神经网络模型可以较准确的对产品造型设计进行评价.     

基于改进神经网络的洪水预报模型研究

人工神经网络作为一种非常优越的非线性函数逼近方法已经被广泛应用。采用时间序列分析选择输入因子,并提出一种直观可行的网络参数(隐层数和隐层节点数、训练次数)确定方法。通过对模型的仿真测试,有效地提高了模型预报精度。     

一种功能分区的BP神经网络结构设计方法

针对全连接BP网络在解决大规模复杂问题时存在的收敛速度缓慢等问题,提出一种功能分区的BP网络结构模式.利用RBF神经元的物理特性对输入样本空间进行分解,并将分解后的样本送给不同的子BP网络学习.与全连接BP网络相比,降低了网络在学习过程中的权值搜索空间,提高了学习速度,改善了网络泛化性能,体现了人脑在学习过程中的知识积累特征.对三维墨西哥草帽函数逼近和双螺旋分类的实验结果表明,该网络能够解决全连接BP网络不能有效解决的问题.     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

基于BP神经网络的地下空间温湿度预测

地下空间环境中的温湿度监测数据是除湿机是否工作的重要参考依据,为了更好的保证除湿机正常运转并能准确预测故障,提出了一种基于BP神经网络的温度和湿度预测方法.根据设备工作环境下温湿度的变化特性,利用神经网络的学习能力和非线性预测能力,达到了预测结果与实际监测结果相吻合的目的,验证了该方法的可行性和有效性,为进一步准确预测除湿机故障提供一种新的解决途径.