基于主成分分析和BP神经网络的钢丝绳断丝定量检测方法

针对目前钢丝绳断丝定量检测中存在的问题,充分利用主成分分析与BP神经网络的优点,提出了基于主成分分析与BP神经网络相结合的钢丝绳断丝定量检测方法。采用主成分分析法对钢丝绳断丝信号的原始特征属性进行预处理,得到钢丝绳断丝信号主成分特征属性,并以此作为BP神经网络的输入,建立钢丝绳断丝信号主成分特征属性与断丝数目之间的关系,并对钢丝绳断丝数目进行预测;主成分分析方法减少了原始特征属性的维数,消除了属性之间的相关性;同时,主成分特征属性作为BP神经网络的输入,也简化了网络的结构。实例测试结果表明,基于主成分分析的神经网络钢丝绳断丝检测方法与常规BP神经网络方法相比,具有更高的检测精度和更少的计算量。     

基于BP神经网络的多谐波源同次谐波叠加模型

针对多谐波源系统中同次谐波叠加问题,IEC标准TR 61000-3-6:2008推荐的模型为非线性计算公式,工程实践时计算结果与实际值误差较大.基于BP神经网络强大的非线性映射能力,提出构造一个包含一层隐含层的BP神经网络.利用多个同型号吸尘器样品,模拟工频单相网络中的多谐波源系统,获得实测数据作为训练样本,经过训练后得到神经网络模型.将部分实测数据分别输入到该BP神经网络模型与IEC标准公式,计算两个模型数据与实际数据之间的误差,并进行误差分析.结果显示:神经网络算法的精度更高,表明本文提出的运用神经网络算法求解多谐波叠加问题的有效性和可行性.     

在线自适应神经网络算法及参数鲁棒性分析

为了提高传统BP神经网络在线预测精度和计算效率,提出一种在线自适应神经网络算法。该算法在传统BP网络的输入层和隐含层之间增加一个反馈层,通过存储内部状态增强网络动态映射能力,以提高算法自适应性;同时,在学习阶段采用递推形式在线训练算法权值和阈值,以提高算法计算精度和计算效率。基于两组防屈曲支撑构件拟静力试验数据,在线预测防屈曲支撑恢复力。研究表明:与传统神经网络算法相比,在线自适应网络算法具有更好的在线预测精度和计算效率;通过对网络结构中的输入变量、输入和观测样本、隐含层激活函数等算法参数进行鲁棒性分析,找到算法参数对算法性能的影响规律,给出算法应用时参数选择的建议。     

基于PCA和改进BP组合预测模型的矿岩可爆性研究

为了更精确地对矿岩可爆性进行预测分级,对BP神经网络评价方法进行优化,建立了主成分分析法和改进BP神经网络相结合的矿岩可爆性分级评价模型。以具体矿山为例,考虑影响矿岩可爆性的10项评判指标,统计15个实际矿山的样本数据。利用SPSS软件对样本数据进行主成分分析,将输出结果作为改进BP神经网络的输入因子,矿岩的爆破等级作为输出因子,得到的分级预测结果更加准确且精度更高。结果表明:该模型对矿岩可爆性分级的相对误差都控制在6%以内,与未经主成分分析的BP神经网络预测误差相比,预测精度显著提高。该组合预测模型为矿岩的可爆性分级提供了一种更加完善的评价体系。     

基于人工神经网络的钢结构损伤识别

由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中,本文根据网络参数选择的原则建立了一个三层BP神经网络结构损伤识别模型,对一简支钢板进行了分析.为避免单一频率或模态振型作为输入向量带来的误差,选用与损伤位置和程度相关的组合参数:即结构损伤前后的频率变化平方和少点模态振型作为输入参数.利用训练好后的网络对损伤模型进行诊断和预测,取得了较好的效果.     

偏最小二乘回归神经网络模型在爆破振动峰值速度预测中的应用

神经网络方法是处理非线性问题的有力工具,但当输入变量较多,输入变量间存在的多重共线性性会使得网络的建模效率下降。偏最小二乘回归方法通过提取对因变量解释性较强的成分,能较好地克服变量间的多重共线性。将两种方法相结合,建立了爆破振动峰值速度的偏最小二乘回归BP神经网络预测模型。利用偏最小二乘法对影响爆破振动的因素进行分析,提取出3个新综合变量,使BP网络的输入层节点数目由9个减少到3个,简化了网络结构,提高了计算速度,增强了网络稳定性。分析结果表明,耦合模型的平均预测误差为7.62%,相较于传统的萨氏公式及标准的BP神经网络模型其预测精度有了明显提高。     

基于GRU神经网络的结构异常监测数据修复方法EI北大核心CSCD

结构健康监测系统中通常存在大量的异常监测数据,为保证数据的完整性和可用性,有必要对异常监测数据进行修复。大多数基于深度学习对异常数据进行修复的研究通常使用单输入维度和单向预测的方法搭建模型。提出一种基于门控循环(gated recurrent unit,GRU)神经网络的结构异常监测数据修复方法,该方法充分利用深度学习神经网络适合处理复杂非线性映射问题的优势,并对GRU神经网络进行了优化与重构。利用结构温度、时序先后相关性优化神经网络的输入和输出构造,并提出了利用异常数据前后时间段的信息进行双向序列预测的方法提升数据预测和修复精度。最后,利用某古城墙的应变、裂缝与温度监测数据进行方法验证,采用重构后的GRU神经网络模型对异常数据序列进行修复,并与长短时记忆(long and short-term memory,LSTM)神经网络和反向传播(back propagation,BP)神经网络的修复精度进行比较。结果表明,相比单输入维度、单向预测的网络模型,重构后的GRU神经网络的预测精度大幅提高,且显著优于LSTM神经网络和BP神经网络。异常数据序列修复后,应变和裂缝宽度等结构响应与结构温度的线性相关性大幅增强。该方法对具有温度相关性的结构监测数据具有良好的修复能力。     

基于人工神经网络的钢结构损伤识别

由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中,本文根据网络参数选择的原则建立了一个三层BP神经网络结构损伤识别模型,对一简支钢板进行了分析。为避免单一频率或模态振型作为输入向量带来的误差,选用与损伤位置和程度相关的组合参数:即结构损伤前后的频率变化平方和少点模态振型作为输入参数。利用训练好后的网络对损伤模型进行诊断和预测,取得了较好的效果。     

基于PCA-BP神经网络的岩石爆破平均粒径预测

岩石爆破平均粒径的预测对岩石采装及二次破碎具有重要意义,然而常规的神经网络预测岩石爆破平均粒径存在较大的误差。为更加合理准确预测岩石爆破粒径分布,选取台阶高度与钻孔荷载比(H/B),间距与荷载比(S/B),荷载与孔径比(B/D),炮泥与荷载比(T/B),粉因数(Pf),弹性模量(E)和现场块度大小(XB)7个主要影响岩石爆破粒径的因素,并结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的相关性和减少BP神经网络输入数据的特点,建立了基于PCA-BP神经网络的岩石爆破粒径预测模型。以48组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对岩石爆破粒径进行了预测。结果表明:BP神经网络与最小二乘法预测的平均误差分别为15.71%、27.32%,而PCA-BP神经网络预测平均误差仅为9.21%,实现了对岩石爆破粒径的较准确预测。综上所知,PCA-BP神经网络模型为岩石爆破平均粒径预测提供了一种科学、可靠的方法。     

基于GA-BP神经网络的彩色扫描仪光谱特征化

为了实现彩色扫描仪的光谱特征化,采用一种GA修正的BP神经网络与PCA相结合的方法对其进行研究。首先,通过主成分分析,对训练样本的光谱反射率进行降维,以RGB信号和降维后的光谱数据作为输入、输出变量进行GA-BP神经网络的建模,对任意RGB信号都可以通过模型得到其低维光谱信号;再通过主成分分析重构光谱反射率,由此实现RGB信号对光谱反射率的重构,即实现扫描仪的光谱特征化。实验结果表明,GA的优化有效地改善了BP神经网络的极值问题,提高了模型的预测精度,PCA在不影响模型精度的同时提高了模型的效率。由此说明,所提出的模型能够满足扫描仪光谱特征化的需求。     

Research on Forecasting Flowering Phase of Pear Tree Based on Neural Network

Predicting the blooming season of ornamental plants is significant for guiding adjustments in production decisions and providing viewing periods and routes. The current strategies for observation of ornamental plant booming periods are mainly based on manpower and experience, which have problems such as inaccurate recognition time, time-consuming and energy sapping. Therefore, this paper proposes a neural network-based method for predicting the flowering phase of pear tree. Firstly, based on the meteorological observation data of Shijiazhuang Meteorological Station from 2000 to 2019, three principal components (the temperature factor, weather factor, and humidity factor) with high correlation coefficient with the flowering phase of pear tree are obtained by using the principal component analysis method. Then, the three components are used as input factors for the BP neural network. A BP neural network prediction model is constructed based on genetic algorithm optimization. The crossover operator and mutation operator in the adaptive genetic algorithm are improved. Finally, the meteorological sample data from 2013 to 2019 are used to test and verify the algorithm in this paper. The results demonstrate that, the model can solve the local optimization problem of the BP neural network model. The prediction results of the flowering phase of pear tree are evaluated in terms of relevance and prediction accuracy. Both are superior to the traditional effective accumulated temperature and the prediction results of the stepwise regression method. This method can provide more reliable forecast information for the blooming period, which can provide decision-making reference for improving the development of tourism industry.     

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。     

竞品车急加速进气噪声品质评价方法研究

从主客观评价角度出发,针对竞品车急加速进气噪声建立了声品质物理评价模型.通过测试竞品车急加速进气噪声,对获取的声音样本采用等级评分法进行主观评价与典型声品质客观参量的计算.利用相关分析与主成分分析对获取的主客观指标的关联性进行研究,并分别以相关分析和主成分分析结果为输入建立反向传播(Back Propagation,B...     

基于模糊神经网络与主成分分析的磨削表面粗糙度在线预测

基于声发射和振动信号提出了一种模糊神经网络和主成分分析的表面粗糙度预测方法,以提高磨削过程中工件表面粗糙度识别的准确性。首先,采集磨削程中声发射与振动信号,提取相关时域特征、频域特征和小波包特征参数,利用主成分分析对特征量进行降维优化;然后,构建表面粗糙度模糊神经网络预测模型,将信号特征量与表面粗糙度作为模糊神经网络的输入和输出;最后,对模型进行训练,并对表面粗糙度预测精度进行验证。实验结果表明:通过主成分分析(PCA)方法对声发射和振动信号特征量进行降维得到5个主成分,以此建立的模糊神经网络表面粗糙度预测模型的效果精度可达到91%以上,与局部线性嵌入和多维标度法降维方法相比,PCA方法降维后的特征所含信息更优,预测准确度更高。     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

基于改进主元分析方法的空调系统传感器故障检测和诊断研究

传感器在空调系统中主要起着监测和控制的作用,影响空调系统的正常运行,从而带来能耗增加等不良影响。本文提出了结合小波变换的数据优化,以及基于神经网络的故障诊断优化的改进主元分析方法,用于空调系统传感器故障检测和诊断研究。通过对比数据优化前后主元分析的结果,发现同样0. 850 0累计贡献率原则上,采用小波变换去除噪声后,主元个数减少了两个,蒸发器进口温度传感器的固定偏差、漂移、精度下降等故障检测效果分别提升了0. 020 7、0. 020 8、0. 041 5,风量传感器固定偏差故障检测效果提升了0. 160 6。为了进一步找出故障源,在小波变换和主元分析的基础上,将求得的主元作为神经网络的输入,对5个传感器固定偏差故障进行测试,故障诊断结果分别为0. 766 7、0. 866 7、0. 900 0、1. 000 0、1. 000 0。     

双目视觉摄像机神经网络标定方法

摄像机标定是精密视觉测量的基础。为了描述双目视觉中三维空间物点坐标和两个摄像机像面像点坐标间的非线性关系,传统的标定方法需要建立复杂的数学模型。而神经网络可以有效地处理非线性映射问题,笔者介绍了一种BP(ErrorBackPropagation)神经网络,并且为了提高网络的学习能力引入了动态因子。用相同的参考数据,将神经网络标定方法与线性标定方法比较,实验结果表明基于神经网络的双目视觉标定方法能获得较高的标定精度。     

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;...     

基于神经网络的L*a*b*-CMYK色彩空间转换算法的研究

针对L*a*b*值-CMYK值转换的非线性特性,提出了一种基于改进BP神经网络的非线性转换方法。运用神经网络特有的非线性映射能力和不需要精确数学模型的分析能力,实现了这一非线性转换。实验结果表明,建立的网络模型具有较好的精度,能够满足色彩空间的转换要求。