CSAMT中IP效应仿真分析与研究

为解决CSAMT中的IP效应问题,以Cole-Cole模型作为IP效应极化模型,研究了层状介质中CSAMT的视电阻率响应,发现IP效应对视电阻率幅值和相位的影响主要发生在中低频段;从参数变化的角度分析了Cole-Cole模型各参数对视电阻率幅值的影响水平。结果表明:极化率参数和频率相关系数的影响显著水平大于时间常数的影响水平;因此,在采用CSAMT资料提取IP参数、去除CSAMT中IP效应影响时,应首先选择影响水平大的极化率参数和频率相关系数。     

基于多聚合过程神经元的A380客舱内温度预测

对A380在机坪泊位期间客舱内部环境变化情况进行研究,分析影响A380舱内的热环境的主要因子并建立因子模型,采集A380机舱内的大量温度数据,通过分析建立了机舱内热环境预测模型;并在此模型基础上,采用多聚合过程神经元的BP神经网络,对机舱内热环境算子和历史数据进行非线性聚合、分析和学习,最终实现对机舱内的温度的变化进行准确预测,此模型将为舱内热环境控制算法的研究提供一个良好的平台。     

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。     

基于遗传算法的BP神经网络优化动力配煤模型的研究

BP神经网络具有较强的学习能力,但在传统的研究中,隐含层节点、学习因子和动量因子往往采用试凑法得到相对较佳值,而试凑法在浪费较多时间的同时,可能得不到理想的BP神经网络输出,这对研究造成了一定的困难。文中采用智能算法来解决BP神经网络优化问题。遗传算法作为一种随机搜索算法,能够快速寻找到全局最优解,可以应用于本优化问题。因此,文章采用遗传算法优化BP神经网络上述参数,将改进后的BP神经网络运用于动力配煤非线性模型的研究。结果表明,采用遗传算法优化的BP神经网络具有较强的预测能力,对煤质的发热量预测误差优于线性平均模型误差,并且仿真表明动力配煤模型为近似线性的非线性模型,BP网络的输出值误差波动较小,结果理想。     

基于小波神经网络的木材干燥窑内传感器建模研究

针对木材干燥系统具有非线性、强耦合的特性,难以建立准确的数学模型,提出一种基于小波神经网络的建模方法。通过木材干燥窑内木材含水率传感器、温度传感器和湿度传感器采集的数据建立小波神经网络模型,并通过模型预测木材含水率传感器的测量值。小波神经网络将BP神经网络在非线性问题上自学习的能力与小波表征信号局部信息的能力相结合,具有很强的自适应分辨性和容错能力。利用实际木材干燥过程中采集的数据作为训练样本进行仿真实验。结果表明：小波神经网络方法建立的模型能够预测木材含水率传感器的测量值,模型泛化能力强,预测精度高于BP神经网络建立的模型,验证了小波神经网络对木材干燥窑内传感器建模的可行性和有效性。     

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.     

乙基橙偶氮苯聚合物的全光开关特性曲线拟合中的应用

BP神经网络通过调节连接权重可以实现以任意精度逼近非线性函数,利用这一特点可以对非线性函数关系进行拟合。偶氮苯聚合物的全开关特性曲线是非线性,很难用数学函数表达式来描述。因而本文首先介绍神经网络的基本原理和BP算法神经网络,然后BP神经网络应用于的全光开关特性曲线拟合,在MATLAB环境下,利用实验数据进行了实验测试,结果表明该方法处理数据精度高,拟合效果好。     

基于BP神经网络的录井异常数据检测方法研究

在石油钻井工程中,由于技术和设备的客观因素,导致录井数据经常出现异常值,影响了录井解释评价精度。针对该问题,提出了一种基于BP神经网络的录井异常数据处理方法。为了在构建数据环节中提供准确且可信的工程数据,研究了录井异常数据的产生原因及异常数据的表征,并且通过对比格鲁布斯法、K-means聚类算法以及BP神经网络等方法的特点,选择BP神经网络作为异常值处理的方法。通过模型预测的录井数据误差平方值与样本数据的均方根误差进行比较,来确定数据的异常情况,保证检测异常点的合理性。经实验验证和同类算法的比较,表明了BP神经网络模型可以实现检测录井异常点数据,且检测异常点的准确率高于同类算法,处理异常点结果可信,能够有效解决因异常点数据所带来的问题。     

基于改进BP网络模型的公路流量预测

针对公路客货运量预测的问题,对现有的常用预测方法进行研究,提出改进BP神经网络预测模型。该模型首先采用动态陡度因子改变激励函数的陡峭程度,改善激励函数的响应特征,得到更好的非线性表达能力;其次利用附加动量因子,通过将以前的经验进行积累,降低了神经网络对误差曲面的局部细节敏感性,较好地遏制网络陷于局部最小;再次采取变学习率学习算法,先给一个较大初值,随着学习过程的进行,学习率不断减小,网络趋于稳定。改进BP算法既可以找到更优解,又可以缩短训练时间。结合某地区的公路运量相关数据,对改进BP神经网络预测模型进行了验证。实验结果表明,该模型的相对误差和迭代次数都取得了较大的改善,对公路客货运量预测很有效。     

改进PSO-BP网络在温室数据融合中的应用研究

由于温室环境受到各种因素影响,导致分布在各点的温度值不均匀,为了获得温度的准确值,提出了基于改进PSO的神经网络对其进行数据融合,并且采用分布图法剔除多传感器离异数据,最终得到准确有效的数据,为温室管理提供了精确的信息。仿真结果表明,采用这种方法可以提高温度采集的准确性,并且有效地消除了由于传感器失效引起的误差。     

基于改进 BP 网络模型的公路流量预测

针对公路客货运量预测的问题,对现有的常用预测方法进行研究,提出改进 BP 神经网络预测模型.该模型首先采用动态陡度因子改变激励函数的陡峭程度,改善激励函数的响应特征,得到更好的非线性表达能力;其次利用附加动量因子,通过将以前的经验进行积累,降低了神经网络对误差曲面的局部细节敏感性,较好地遏制网络陷于局部最小;再次采取变学习率学习算法,先给一个较大初值,随着学习过程的进行,学习率不断减小,网络趋于稳定.改进 BP 算法既可以找到更优解,又可以缩短训练时间.结合某地区的公路运量相关数据,对改进 BP 神经网络预测模型进行了验证.实验结果表明,该模型的相对误差和迭代次数都取得了较大的改善,对公路客货运量预测很有效     

流量计量中BP神经网络温度补偿算法研究

针对时差法计量流量时受温度影响而存在的非线性问题,提出了基于BP神经网络的温度补偿算法。该算法通过引入动量因子和改善数据敏感度,提高了BP神经网络的预测能力,通过建立温度与流量之间的非线性映射关系来补偿流量计量。仿真分析可知,该算法表现出较好的数据融合及预测能力。实验验证进一步表明,相对于现有查表修正算法,该算法补偿性能稳定,最大误差在±2.0%以内,最大绝对误差方差为0.48,达到2级表水平,具有重要的工程应用价值。     

三层PE包覆段钢管生产温度BP网络控制策略的实现

在原有三层PE教学模型的基础上。本文提出了采用BP神经网络作为温度控制器的控制方案．应用于非线性比较严重的钢管加热部分，并通过由生产现场的上位组态所采集的数据而形成的控制曲线，验证了采用BP网络解决锕管加热以及散热模型等非线性问题的有欢措施。     

基于B-P神经网络的环境空气质量预测模型

B-P神经网络是一种刻画非线性现象的强有力工具,可以将它应用到环境空气质量预测中。B-P神经网络针对不同的监测项目,根据不同的气象特征因子,将污染源排放数据为输入因子,监测点位监测数据作为输出因子,形成多组训练样本,进行学习训练,建立起不同的预测网络。然后用空气污染源排放监测数据输入相同气象条件的、已调整好权值的B-P神经网络系统,即可输出该项污染物的监测点位预测监测值。实验证明B-P神经网络预测模型取得了较好的结果,比现有预测模型具有更大的优势。     

基于BP神经网络的非线性函数拟合

该文介绍了神经网络领域中BP神经网络的特点及其算法原理,对BP网络权值的修正规则进行了推导,并对BP网络存在的问题提出了几点改进,在此基础上对一组非线性函数的采样数据进行拟合。实验结果表明,BP神经网络能保证拟合误差在很小的范围之内,说明了其拟合的有效性。     

用最优化方法解决BP神经网络训练问题

BP神经网络可以有效地对非线性系统进行逼近,但是传统的最速下降搜索方法存在收敛速度慢的问题。本文提出把BP神经网络转化为最优化问题,用一种共轭梯度算法代替最速下降法进行搜索迭代,极大地提高了收敛速度。     

基于电阻率法的信号采集及网络传输的研究

利用电阻率法可以动态地获得煤矿井下不同地区煤层的电阻率的变化情况,根据煤层电阻率的变化特征,通过STM32为控制核心的电极采集电路,可以实时监测每点电位的变化情况,采用差分测量结构的信号处理电路送给AD模块,提高了抗干扰能力。文章设计了基于STM32的32路电位采集、32路温度采集和1路电流检测电路,实时监测32点煤层电位和温度变化情况,实时检测发射电流场的变化,并将采集的数据通过UDP网络传输协议上传至服务器。实验结果表明,该采集电路经过有效的数据处理算法,能稳定地采集每点电位和温度的变化,剔除由于各种干扰出现的测量异常值,为分析井下岩层变化提供了强有力的数据支持。     

基于双立方插值的多波束前视声呐数据可视化算法

针对现有的前视声呐数据可视化算法存在的边缘模糊等问题,根据多波束前视声呐成像机理,提出一种将双立方插值应用到声呐数据可视化中的算法。确定插值点的16个邻近回波点,计算每个回波点的距离权值和角度权值,最终将16个回波点的加权像素值作为插值点对应的像素值。仿真数据与Gemini720i前视声呐现场数据可视化实验结果表明:较之现有的可视化算法,本算法具有更高的峰值信噪比和更好的边缘保持效果,能够更有效地提高可视化得到的图像质量。     

利用改进灰狼算法优化BP神经网络的入侵检测

神经网络技术被广泛应用于网络安全领域,在入侵检测中能够实现网络攻击的主动检测和攻击分类.然而随着恶意攻击的不断演化,神经网络技术存在的弊端日益显现.针对BP神经网络在入侵检测过程中存在的初始值随机性较大以及易陷入局部最优的问题,本文提出一种改进灰狼算法优化BP神经网络的入侵检测模型(IGWO-BP).首先,使用混沌映射初始化种群、设计非线性收敛因子以及动态权重策略对传统灰狼算法进行改进,并以此优化BP神经网络的初始权值和阈值,并运用改进BP神经网络对网络安全数据集进行实际检测.实验结果表明,IGWO-BP模型在NSL-KDD和UNSW-NB15数据集上取得了较优的检测结果,与其它现有模型相比性能也有较大提升.     

神经网络在石油价格预测中的仿真研究

在石油价格预测问题的研究中,石油价格预测与供求和经济政治有关.针对石油价格变化具有高度非线性、噪声和价格因子难以确定等特点,传统预测方法都是根据线性变化规律提出的,因此对石油价格预测精度低.为提高石油价格预测精度,提出一种主成分分析的BP神经网络石油价格预测模型.可通过定性分析获得石油价格变化影响因子,然后采用主成分分析消除数据中的噪声并选择重要影响因子,最后重要影响因子作为BP神经网络的输入,采用非线性预测能力强的神经网络对石油价格进行预测.实验结果表明,模型提高了石油价格预测精度,为石油价格预测提供了一种有效方法.