基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。     

BCC-BP算法在RGB值到LAB值色彩空间转换中的应用

目的 为了有效克服BP神经网络算法权阈值随机选取造成的模型预测精度不高、结果输出不稳定的问题.方法 提出细菌群趋药性(BCC)算法和BP神经网络算法相结合的BCC-BP神经网络算法,采用BCC算法来选取BP神经网络初始权阈值,克服初始权阈值随机选取带来的问题,并将该算法应用到RGB到LAB色彩空间转换模型中.结果 按照国家普通印刷品的允许误差范围规定在6个标准色差单位以下的要求,在色差小于6的预测区间,基于BCC-BP算法的预测准确率达到81.07％,好于BP,GA-BP和PSO-BP算法,同时对于平均色差ΔE小于6个标准色差单位的要求,BCC-BP算法10次预测结果全部低于6.结论 采用BCC算法辅助BP神经网络进行初始权阈值的选取,可以有效提高BP神经网络模型在色彩空间转换应用中值的输出精度和稳定性.     

基于VMD-BA-LSTM的短期风向预测研究

准确的风电场风向预测对制定偏航控制策略、提高发电量及风电机组稳定运行具有重要意义.针对风向的随机性和不确定性的特点,提出一种变分模态分解(VMD)和蝙蝠算法(BA)优化长短期记忆(LSTM)神经网络的短期风向预测模型.首先,采用变分模态分解将原始序列分解为多个有限带宽的特征模态分量以降低原始数据的复杂度和非平稳性对预测...     

基于关联监测点数据的非线性变形预测模型

基坑边坡变形具有非平稳性、非线性等特点,且现有的变形预测模型常用单个监测点或整体监测点的数据进行预测,忽略了不同监测点之间的关联性。以重庆某深基坑边坡为例,分别研究基于单个监测点数据和基于关联监测点数据的经验模态分解-粒子群优化算法-BP神经网络(EMD-PSO-BPNN)模型、PSO-BPNN模型、BP神经网络模型的预测结果,并对比了基于整体监测点中非关联多点数据的预测结果。结果表明:EMD模型降低了基坑边坡变形数据非平稳性,使得各分量变化曲线比原监测数据的曲线更光滑和平稳,提高了预测精度;EMD-PSO-BPNN模型具有较好的非线性映射能力、学习能力和自适应能力,预测精度优于其他模型;同种模型下,基于关联点的预测模型预测精度明显高于单个监测点的预测模型。     

基于优化BP神经网络的汽车座椅舒适性评价

目的 探索汽车座椅舒适性评价方法.方法 设计实验采集驾驶员基本物理信息及其在实车中的体压数据,利用Lasso算法提取具有较好预测效果的特征向量,利用遗传算法对BP(Back Propagation)神经网络进行优化,建立基于优化BP神经网络的汽车座椅舒适性评价模型.结果 利用遗传算法优化后的BP神经网络预测准确率达到9...     

基于WOA–BP神经网络的液滴铺展预测

目的 提高BP神经网络对电喷印过程中液滴铺展行为的预测能力。方法 提出一种鲸鱼优化算法(WOA)优化BP神经网络的液滴铺展预测模型。首先，采用相场方法建立电场作用下液滴铺展的数值模型，并通过实验验证仿真结果的准确性。然后，选取初始直径、撞击速度、接触角和电场强度作为神经网络的输入参数，将最大铺展直径作为神经网络的输出参数，利用鲸鱼优化算法优化神经网络中的初始权值和阈值，构建液滴铺展预测模型。最后，基于仿真结果对预测模型进行训练与测试，并将其与传统的BP神经网络模型进行对比分析。结果 相较于传统BP神经网络预测模型，WOA–BP神经网络预测模型的平均绝对误差、均方根误差分别降低了72.60%、77.60%，而平均绝对百分比误差则从15.029 3%减小为4.585 3%。结论 WOA–BP神经网络预测模型可以更好地预测液滴铺展，可为液滴铺展的预测提供新的方法。     

基于神经网络的膜法薏苡仁油脱胶过程动态模拟和预测

应用BP神经网络对膜法薏苡仁油脱胶过程的膜通量动态模拟与预测.研究了神经网络的构建、训练、结果测试和模型泛化,并用得到的神经网络对不同运行条件下(操作压力和温度)膜通量进行预测.结果表明:神经网络能够很好地模拟膜法脱胶过程的通量变化,预测结果与实验实测结果能够很好的吻合.与传统模型法相比,神经网络能快速简便地得到模拟和预测膜分离过程.     

基于BAS算法优化的电弧增材制造焊道尺寸预测

目的 为提高实际应用中电弧增材制造对工艺参数的选取效率及成形形貌的控制效果,建立高效且精准的成形尺寸预测模型,实现对焊道尺寸的合理预测。方法 在单层单道CMT电弧增材制造实验的基础上,建立基于天牛须搜索算法(Beetle Antennae Search,BAS)优化BP神经网络的焊道尺寸预测模型,利用BAS算法实现对BP神经网络初始权值和阈值的优化,可以实现预测不同工艺参数(焊接速度、送丝速度、干伸长)下焊道的成形尺寸(熔宽、余高)。利用试验验证BAS-BP预测模型的性能,与现有模型进行对比,结果 结果表明该模型具有较高精度的预测效果,能够有效映射工艺参数与焊道尺寸之间的非线性关系,印证了该模型具有良好的拟合和泛化能力,同时其对焊道熔宽和余高的预测误差分别不超过0.2、0.12 mm,预测平均误差率均不超过6%,相对于其他预测模型表现出较好的准确性和稳定性。结论 BAS-BP神经网络预测模型的输出误差较小,网络训练收敛速度加快,避免了过拟合及欠拟合的风险,有效提高了预测模型的泛化能力和预测精度,可以实现一定工艺参数范围内的焊道尺寸预测,为后续电弧增材的实时预测及控制参数应用提供了技术支持。     

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RBF网络和NIRS的绿茶水分含量分析模型

基于径向基函数(RBF)和反向传播(BP)神经网络分别建立了绿茶水分含量的近红外光谱分析模型.结果表明:RBF网络预测模型的相关系数r(p)=0.933,预测标准误RMSEP=0.528%;BP网络预测模型的相关系数r(p)=0.914,预测标准误RMSEP=0.598%.RBF网络模型优于BP网络模型.     

基于模拟退火算法优化BP神经网络的色彩空间转换

目的研究基于模拟退火算法优化BP神经网络对喷墨打印机色彩空间转换预测准确性的方法。方法通过数据归一化处理、模拟退火算法优化BP神经网络的权值和阈值,以获取它们的全局最优解,再用BP神经网络法进行色差预测。结果模拟退火算法优化BP神经网络预测模型测试15次得到色块平均色差达到2.3067,最小平均色差达到0.7892。结论该方法优化BP神经网络精度非常高,对喷墨打印机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。     

组合模型预测浙江省旅游需求

根据中国统计年鉴公布的数据,建立基于时间序列ARIMA模型和BP神经网络组合模型对旅游需求进行预测。首先,建立ARIMA模型对浙江省旅游需求进行分析预测。然后,将得到的预测误差序列作为BP神经网络模型的输入值,进一步减小相对误差,综合ARIMA模型的预测结果和BP模型得到的预测误差,获得精确度较高的旅游需求预测模型。最后,与灰色系统GM(1,1)的预测结果进行比较。     

基于PSO-SVM算法的输电线路覆冰舞动预测模型EI北大核心CSCD

输电线路舞动往往会导致金具磨损、闪络、断线等电力事故,对电力系统的安全具有很大的负面影响。利用ANSYS软件模拟不同档距、风速等状态下覆冰四分裂导线在平均风与脉动风作用下的动态响应,进而根据模拟获得的数据集和PSO-SVM(particle swarm optimization-support vector machines)算法构建了四分裂导线覆冰舞动预警模型,将档距、风速、初始风攻角作为模型的输入,覆冰导线是否舞动作为输出。同时,为验证该预测模型的实用性及有效性,将PSO-SVM模型与其他智能算法如BP(back propagation)、支持向量机(support vector machine, SVM)、遗传算法优化支持向量机(genetic algorithm-optimization support vector, GA-SVM)模型的预测结果进行比较,结果表明PSO-SVM模型的预测结果精度更高,对输电线路覆冰舞动预警具有一定的参考意义。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

带误差补偿的GPC对网络控制系统时延的解决

针对网络控制系统(NCS)具有不确定时延的特性，提出了将广义预测控制(GPC)应用于网络控制系统的思想。为了克服模型失配和系统不确定性的影响，基于BP神经网络建立一个误差的预测模型，用误差预测值对输出预测值进行补偿，构成新型的广义预测控制算法，并采用了平滑滤波的加权输入控制律。在网络控制系统中，测试了网络数据传输的随机延迟时间特性，比较了GPC和具有BP网络预测误差补偿的GPC两种控制方法，验证了具有BP网络预测误差补偿的GPC在模型失配时的更好的控制性能。     

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。     

基于BP神经网络的改进粒子群优化股票预测

可以以较为精准的预测结果为依据来对股票市场进行及时指引与调控,这样更能保障我国国民经济的可持续顺利发展.本文的目的 是研究改进的基于粒子群优化算法的改进版BP神经网络股票预测,这种神经网络预测方法是以粒子群优化算法为基础并将其应用于股市预测,取得了较好的效果.详细给出了基于粒子群算法的神经网络模型的建立方法,同时本文还...     

基于阶梯碳交易的碳捕集电厂-电转气虚拟电厂低碳经济调度

在能源互补和低碳经济的背景下,虚拟电厂(virtual power plant,VPP)是实现区域资源优化配置和新能源消纳的有效载体。在技术层面,通过碳捕集电厂(carbon capture power plant,CCPP)和电转气(power-to-gas,P2G)装置来实现CO₂的循环利用,建立碳捕集电厂-电转气耦合模型,并在负荷侧引入考虑用户满意度的价格型需求响应模型;在低碳政策方面,将阶梯型碳交易机制引入VPP,对碳排放进行约束。然后以总成本最小为目标,建立VPP低碳经济调度模型。通过设置不同调度场景进行对比,验证所建模型在VPP低碳经济运行方面的有效性,并通过敏感性分析探究阶梯碳交易参数对VPP碳排放量与成本的影响,结果表明所建模型对VPP进行低碳经济调度具有指导意义。     

基于PSO优化BP神经网络的多传感器数据融合

针对室内环境监测中单一传感器测量数据精度低、可靠性差的问题,提出一种基于粒子群(particle swarm optimization,PSO)优化BP神经网络多传感器数据融合算法。首先使用防脉冲干扰平均滤波算法来消除检测数据中的异常数据和噪声数据。其次,利用卡尔曼滤波算法对多同类传感器进行数据级融合,有效地降低因噪声干扰导致的测量误差,为异质传感器进行决策级融合提供最佳数据。最后,采用PSO优化BP神经网络算法进行决策级融合。实验结果表明,基于PSO优化BP神经网络多传感器数据融合算法对测试样本的平均绝对百分比误差(mean absolute percentage error, MAPE)和拟合度(r²)均优于BP神经网络和自适应加权(adaptive weighted, AW)优化BP神经网络,且运行时间比BP神经网络以及AW-BP神经网络分别短69.31%、50.36%。经验证,基于PSO优化BP神经网络多传感器数据融合算法具有更高的融合精度,同时缩短了算法的运行时间。     

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.