基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

基于改进萤火虫算法优化BP神经网络的水电站厂房振动预测

利用萤火虫算法优化BP神经网络权值和阈值基础上,建立水电站厂房振动响应预测模型。针对萤火虫算法存在的收敛速度慢、易陷入局部最优等问题,引入动态随机局部搜索机制加快收敛速度,对当前最优解进行变异操作避免陷入局部最优,提出动态步长更新措施提高计算精度,改进最优解振荡问题。仿真实例表明,基于改进萤火虫算法优化的BP网络模型预测精度和收敛速度等性能得到明显改善,可用于水电站厂房结构振动响应预测。     

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。     

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PSO-BP模型的扩散硅压力传感器温度补偿

硅的电导率易受温度影响,导致扩散硅压力传感器的输出电压随温度变化产生漂移,需对该传感器进行温度补偿,针对该问题提出粒子群优化的BP神经网络算法(PSO-BP)。通过二维标定实验,利用温度传感器监测实验环境温度,得到扩散硅压力传感器在不同工作温度下的输入输出特性曲线,建立PSO-BP模型。该模型利用粒子群算法全局寻优的能力为BP神经网络算法初始权值和阈值选取最优解,弥补传统BP神经网络初始值随机选取的弊端,克服容易局部陷入极值的缺陷。实验结果表明,经过PSO-BP模型补偿后的输出零位温度系数和灵敏度温度系数均减小一个数量级,证实该模型能够有效降低温度对扩散硅压力传感器的影响。     

基于神经网络的电弧增材制造铝合金力学性能预测

目的 预测不同工艺参数下电弧增材制造铝合金的力学性能。方法 通过实验建立了电弧增材制造6061铝合金及Ti C增强6061铝合金力学性能的数据集,并建立了一种以焊接电流、焊接速度、脉冲频率、TiC颗粒含量为输入,以屈服强度和抗拉强度为输出的神经网预测模型,对比了反向传播神经网络(BP)、粒子群算法优化BP神经网络(PSO-BP)、遗传算法优化BP神经网络(GA-BP)3种预测模型的精度。结果 与BP模型和PSO-BP模型相比,GA-BP预测模型具有更好的预测精度。其中,GA-BP模型预测6061铝合金屈服强度最佳结果的相关系数(R)为0.965,决定系数(R²)为0.93,平均绝对误差(Mean Absolute Error,MAE)为2.35,均方根误差(Root Mean Square Error,RMSE)为2.67;预测Ti C增强的6061铝合金抗拉强度最佳结果的R=1,R²高达0.99,MAE为0.46,RMSE为0.49,GA-BP具有良好的预测精度。结论 BP、PSO-BP、GA-BP 3种神经网络模型可以用来预测电弧增材制造...     

基于改进TDABC法的PSO-BP模型在饮料产品生产成本预测中的应用

为了准确预测饮料产品的生产成本,考虑规模经济购买导致的季节性闲置产能对生产成本的影响,采用时间驱动作业成本(Time Driven Activity-Based Costing,TDABC)法,归集季节性闲置产能成本,构建饮料产品的改进TDABC法生产成本核算模型,使产品单位生产成本的核算更加精确;结合误差反向传播(Error Back Propagation,BP)算法,以饮料产品单位材料费用、生产月份和子作业时间为影响因子,对饮料产品生产成本进行预测。针对BP算法易陷入局部极值和收敛慢等特点,引入粒子群优化(Particle Swarm Optimization,PSO)算法改进BP算法,提出了粒子群优化—误差反向传播(Particle Swarm Optimization-Error Back Propagation, PSO-BP)算法。实验表明,该算法具有较高的预测精度。     

自适应并行遗传算法及其应用研究

本文首先分析遗传算法中杂交率和突变率对算法收敛的影响,提出了自适应并行遗传算法,然后研究了该遗传算法对神经网络同时进行网络结构和连接权值的优化问题,最后将自适应并行遗传算法应用于故障诊断网络的权值学习。     

改进神经网络在疲劳短裂纹演化行为中的应用

为研究短裂纹演化行为中复杂的非线性动力学过程,采用改进BP神经网络算法对疲劳短裂纹的演化行为进行表征.该方法采用遗传算法优化确定神经网络的权重,同时集合BP网络算法的局部精确搜索和遗传算法的宏观搜索、全局优化特性,可以综合多个影响因素,反映其隐含的复杂非线性关系.通过对复杂应力状态下高温低周疲劳短裂纹的试验研究及疲劳短裂纹密度和裂纹扩展速率的模拟比较,表明该方法收敛速度更快、计算更精确,基于该方法建立的疲劳短裂纹演化模型合理有效.     

遗传算法在单层球壳质量优化中的应用

摘要: 经典遗传算法存在局部搜索能力不强,“早熟”现象和后期收敛速度放慢等缺陷,本文将自适应策略与“预选择机制”的小生境技术同时引入其中,加入小生境技术后可以避免陷入局部收敛的问题;在小生境遗传算法基础上加入自适应策略,实现对种群的杂交概率和变异概率进行自适应控制,从而形成一种改进小生境遗传算法,可以有效维持种群中个体的多样性,同时可以改善全局收敛的可靠性。通过三个典型算例验证了本文算法的正确性,并通过单层球壳的算例分析表明该方法稳定性好,全局搜索能力强,但在计算时间上长于ANSYS自带的优化模块。本文算法可以应用于优化变量繁多的大中型网壳结构截面优化问题,优化效果明显。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于自适应遗传算法和BP神经网络的电池容量预测

应用BP神经网络建立了电池模型,并应用自适应遗传算法对其权值阈值进行了优化,最后利用MATLAB编写了其仿真程序进行多组数据的测试,结果与纯BP网络和GA-BP网络进行了对比。结果表明,AGA-BP网络具有训练时间短、精度高的特点,对电池任一状态下的剩余容量预测均有效。     

基于改进遗传算法优化BP神经网络的螺杆式制冷机组能效预测

为提高螺杆式冷水机组能效预测的准确性,本文提出了基于改进遗传算法(IGA)优化BP神经网络的制冷机组能效预测方法,利用供冷负荷、冷冻水流量、冷冻水出水温度、冷却水回水温度与COP 5个参数训练IGA-BP预测模型。本文以某酒店的螺杆式制冷机组为研究对象,利用该方法对机组的能效进行预测,并与标准遗传算法优化BP神经网络的预测结果进行比较,结果表明:改进后的算法计算能力有了很大的提高,SGA-BP预测模型的最大相对误差为6.73%,平均相对误差为2.96%;IGA-BP预测模型的最大相对误差为3.45%,平均相对误差为1.16%。IGA-BP的预测精度得到了较大改善。     

三维针刺C/C-SiC复合材料预制体工艺参数优化EI北大核心CSCD

基于误差反向传播(BP)神经网络与改进的遗传算法建立三维针刺C/C-SiC复合材料预制体工艺优化的代理模型,获得针刺工艺参数与复合材料刚度性能之间的关系。利用BP网络实现复合材料刚度性能预测,BP网络的预测值与有限元计算结果吻合程度较好,模型训练误差最大为0.526%,测试数据误差最大为0.454%,BP网络预测精度高。对传统遗传算法的遗传策略和优化策略进行改进,利用两种改进的遗传算法对针刺工艺参数进行优化。优化后的工艺参数显著提高了材料的刚度性能,其中面内拉伸模量分别提高了11.07%和11.48%,面外拉伸模量分别提高了49.64%和48.13%,复合材料的综合刚度性能分别提高18.17%和18.21%。     

基于遗传BP神经网络反演楔体参数的研究

为了获得未知楔体的参数,建立了遗传算法和反向传播(Back Propagation,BP)神经网络结合的反演模型。仿真得到不同角度、密度、杨氏模量下楔体导波的频散曲线。采用反对称第一阶模态相速度数据作为遗传BP神经网络反演模型的输入变量;利用遗传算法改进BP神经网络获得优化的初始权值和阈值,并对BP神经网络进行训练;最后将实测的楔体一阶模态相速度代入训练好的网络进行参数反演。结果表明,通过该反演模型可同时反演出楔体的角度、密度、杨氏模量,并且较单一BP神经网络具有收敛速度快、精度高的优点。     

基于神经网络的双辉等离子渗金属工艺预测

将人工神经网络理论及Back propagation(BP)算法应用于双层辉光等离子渗金属工艺的研究,并针对BP神经网络收敛速度慢、易陷入局部极小的缺点,提出一种新的动态退火算法优化网络的训练,进而建立了双层辉光等离子渗金属工艺参数与渗层元素总质量分数、渗层厚度和表面硬度之间的数学模型,最后将模拟预测结果与实验数据进行比较和误差分析, 证明该模型具有较高的预测精度.     

智能化遗传算法

针对遗传算法的收敛速度慢、收敛早熟和概率稳定性差等问题提出一种智能化遗传算法(IGA)。首先，建立描述种群进化的统计特征量，为IGA的算法策略提供决策依据。其次，建立种群的自学习算法、种群的自组织算法与遗传算子操作概率的自适应算法，并将这些算法嵌入最优保存简单遗传算法(OMSGA)，从而构成IGA。最后，从理论上对算法收敛性及效率进行了分析。通过遗传算法标准测试函数的仿真结果证明了算法的实用性和有效性。     

基于人工神经网络的Cu-Cr-Zr合金时效强化性能预测研究

本文首次利用神经网络对Cu—Cr—Zr合金时效温度和时间与硬度和导电率样本集进行学习，采用改进的BP网络算法——Levenberg—Marquardt算法，建立了时效强化工艺BP神经网络模型。预测结果表明：该BP神经网络可以充分挖掘样本蕴含的领域知识，可以对材料性能进行有效预测和分析。     

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.     

基于改进PSO-KELM的高炉回旋区温度预测研究

高炉平稳运行时,喷煤量常根据回旋区温度的波动随时进行调整。相较于人工推断回旋区温度,建立回旋区温度预测模型更能及时准确地对喷煤量进行优化。针对常规PSO-KELM算法对回旋区温度预测命中率较低的问题,提出改进的PSO-KELM算法对其进行建模预测。首先,采用混沌机制调整惯性权重,并线性改变学习因子,以平衡粒子群的全局与局部搜索能力。其次,针对粒子群算法易陷入局部最优的缺点,引入遗传算法思想,将种群粒子交叉、变异,以提高种群多样性。最后,基于所提方法用某高炉运行数据建立回旋区温度预测模型,并与用常规PSOKELM算法、BP神经网络、极限学习机建立的模型作对比。仿真结果表明,用所提算法建立的模型预测回旋区温度具有最高命中率和最低均方误差。