基于思维进化神经网络的真空绝热板真空度测量精度改进方法研究

以基于红外热成像机理测量真空绝热板(VIP)的真空度为研究对象。鉴于目前此方案测量真空度存在精度低的问题,本文提出一种基于BP神经网络的真空度测量精度改进方法。针对BP神经网络存在易陷入局部最优、收敛速度慢等缺陷,本文巧妙利用思维进化算法优化BP神经网络的初始权值和阈值,从而弥补以上缺陷。最终实验结果表明,利用思维进化算法优化BP神经网络创建的数学模型大大提高了真空绝热板真空度的测量精度,其实际测量精度优于2%。因此,本文所提方法具有广泛推广的应用价值。     

基于遗传算法和灰色神经网络的电力机车产品需求预测方法

目的 应对快速多变的市场,提前预知市场发展,制定相应的排产计划,使企业在竞争中占据先发优势。方法 目前基于灰色神经网络的预测算法,准确地预测产品需求通常需要连续且大量的样本数据,对小数据非线性系统的预测结果精确度低、可靠性差,针对这一问题,提出一种耦合遗传算法的灰色神经网络预测方法,综合灰色模型和神经网络理论,构建了面向产品订单量需求预测的灰色神经网络模型;通过电力机车产品实例分析了模型的预测性能;为解决预测过程中模型早熟收敛的问题,利用遗传算法对训练网络的权重和阈值进行了迭代优化。结论 研究结果表明,优化后产品预测模型的精确性和鲁棒性得到提高,验证了所设计方法的可行性。     

基于灰色BP神经网络的汽车物流需求量预测模型

本文利用BP神经网络理论和灰色预测法,针对汽车物流行业特点,建立了灰色BP神经网络预测模型,并对某汽车企业某车型整车物流量进行了预测。结果表明:所设计的模型在汽车物流需求量预测应用中能达到良好的拟合精度及预测精度。     

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。     

基于灰色 Elman 神经网络的爆破飞石距离预测研究

针对单一神经网络预测方法存在一些不足,将建立灰色关联分析法与 Elman 神经网络的耦合模型,对爆破飞石最大飞散距离进行预测研究。首先,利用灰色关联分析方法对数据进行预处理,确定各影响因素与爆破飞石距离之间的关联度;然后,根据关联度的大小,选择关联度较大的影响因素作为 Elman 神经网络的输入层数据;最后,用神经网络的功能对数据进行训练和预测。研究结果表明：利用灰色关联分析方法确定主要影响因素作为输入层,比单一使用 Elman 神经网络的预测精度更高,达到95％以上。     

基于LSSVM的真空玻璃传热过程建模

真空玻璃传热过程隔热性能和质量评价关键指标-传热系数(U值)受真空度影响,难以精确检测。为实现真空玻璃隔热性能和质量的快速评定,建立了基于LSSVM的真空玻璃传热过程智能模型,应用MATLAB软件和实验数据,对真空玻璃传热过程进行了模拟,在线预测了真空玻璃传热后侧(非热源侧)的中心温度。结果表明:模型理论正确,预测迅速(时间1 s),误差小(相对误差1.2%),为真空玻璃隔热性能和真空玻璃质量的快速评定提供了一种新的技术手段。同时,也为后续研究能将温度参数预测转化为传热系数预测奠定一定的理论和应用基础。     

基于灰色马尔柯夫模型的采购预测

以灰色GM(1,1)和马尔柯夫理论为基础,提出基于灰色马尔柯夫模型的采购预测方法。首先利用灰色模型进行短期预测,再利用马尔可夫理论进行波动状态预测,最后得到采购量期望值。实例结果表明,灰色马尔柯夫模型预测精度较高,具有较好的应用价值,能为采购预测工作提供有用依据。     

基于灰色-神经网络的城市湖库水华预测研究

准确的预测水华是及时治理水污染及保护水环境的重点,而对水华形成的机理模型的深入研究是准确预测水华的关键所在.在对城市湖库藻类水华形成机理研究基础上,提出了一种基于改进NGM(1,1,k)及BP神经网络的藻类水华预测模型,结合了灰色模型建模所需信息量少及神经网络非线性预测优势,克服了灰色模型预测精度低和BP神经网络所需训练数据多的缺点,可以解决在监测信息有限条件下的藻类水华预测问题.经过实际验证表明,该模型相对神经网络预测精度高,适合应用于城市湖库藻类水华的预测.     

基于灰色神经网络的电力系统负荷预测

负荷预测是电力系统规划、供电、调度等部门的重的基础工作。对于经济合理地安排发电机组的启停及检修计划,保持电网安全稳定运行以及未来电网的增容和改建等有十分重的作用。文章提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。在灰色预测中通过对历史数据作不同的取舍,并经累加生成后建立不同的模型。然后再把各种灰色模型（GM）的预测结果作为神经网络的输入,神经网络的输出则为组合预测的结果。学习方法使用BP算法。灰色神经网络方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性的拟合能力的特点,提高了预测精度。算例表明了所提方法是可行有效的。     

基于GM(1,1)模型的东辛采油厂产量预测研究

本文介绍了GM(1,1)模型的建模过程,考虑油田产量数据较少的现状,将其视为灰色系统,并利用灰色系统GM(1,1)模型对油田石油产量进行了预测。经实证,模型的精度符合要求,预测结果可以为采油厂提供决策依据。     

基于RBF和BP神经网络的低真空管道高速列车气动阻力预测对比研究

为了实现对低真空管道中运行列车的最大阻力预测研究,本文采用数值仿真和神经网络结合的方法。选取不同阻塞比、运行速度和管道压力,利用流体仿真软件计算100种运行工况下列车的最大阻力;以96组仿真数据作为网络模型训练样本,选取RBF和BP两种三层神经网络,经多次调试确定最佳隐层神经元数目,利用训练函数训练两种预测模型;利用随机选取的4组验证样本验证两种网络模型。研究表明:RBF和BP神经网络模型能较好的预测列车在真空管道中运行的最大阻力,其中RBF神经网络预测值的最大误差不高于5%,相比BP神经网络,RBF预测精度更优。     

基于RBF和BP神经网络的低真空管道高速列车气动阻力预测对比研究北大核心CSCD

为了实现对低真空管道中运行列车的最大阻力预测研究,本文采用数值仿真和神经网络结合的方法。选取不同阻塞比、运行速度和管道压力,利用流体仿真软件计算100种运行工况下列车的最大阻力;以96组仿真数据作为网络模型训练样本,选取RBF和BP两种三层神经网络,经多次调试确定最佳隐层神经元数目,利用训练函数训练两种预测模型;利用随机选取的4组验证样本验证两种网络模型。研究表明:RBF和BP神经网络模型能较好的预测列车在真空管道中运行的最大阻力,其中RBF神经网络预测值的最大误差不高于5%,相比BP神经网络,RBF预测精度更优。     

火灾事故的灰色-马尔可夫模型预测研究

鉴于火灾事故的发生受多种复杂因素的影响,并且具有较大的随机性和波动性的特点,笔者等将灰色模型和马尔可夫模型相结合,建立火灾事故的灰色?马尔可夫模型,利用灰色模型的灰色性和马尔可夫模型的随机性来体现各自的优点,并运用该模型对全国农村火灾事故进行预测。实际应用表明,灰色?马尔可夫模型的预测精度明显高于灰色模型的预测精度,完全能满足预测精度的要求,可以较好地用于火灾事故的预测。     

基于改进GM(1,1)-Markov模型的国内生产安全事故预测研究

为准确预测我国生产安全事故发展趋势,本文在传统GM(1,1)模型和马尔科夫模型的基础上,结合二者优点提出改进灰色马尔科夫预测模型,并以2005—2018年全国生产安全事故起数为原始序列探讨了改进模型的实际应用。区别于传统灰色残差修正理论,选取灰色模型预测结果的相对误差作为修正指标,2次应用马尔科夫模型对相对误差状态和误差符号状态进行优化预测,并使用平均相对误差和小概率误差对模型进行精度检验。结果表明,改进GM(1,1)-Markov模型预测结果的相对误差为3.0%,较单一灰色预测模型预测误差减少19.5%,预测精度显著提高,同时预测得到2019年我国生产安全事故起数为479。     

灰色马尔可夫理论在煤炭消费需求预测中的运用

将灰色系统理论与离散状态的马尔可夫链理论相结合,提出了灰色马尔可夫预报模型以预测煤炭需求量,该模型针对灰色数据系列首先建立GM（1,1）模型进行趋势预测,然后利用马尔可夫状态概率转移矩阵预报方法对其预测值进行拟合,可提高波动性较大的随机变量的预报精度．实例计算表明：灰色马尔可夫预报模型精度明显高于GM（1,1）模型,用于煤炭需求的预测是可行的。     

R2O-MO-Al2O3-SiO2玻璃配方与热膨胀系数关系的支持向量回归研究

不同配方的玻璃一般具有不同的热膨胀系数.根据R2O-MO-Al2O3-SiO2(R为碱金属元素,M为碱土金属元素)系统玻璃在不同氧化物组成(SiO2,MgO,CaO,SrO,BaO,Na2O和K2O)下的热膨胀系数实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了玻璃的不同配方与其热膨胀系数关系的SVR预测模型,并与基于BPNN神经网络模型的预测结果进行了比较.结果表明:对于相同的训练样本和检验样本,支持向量回归的玻璃的热膨胀系数模型始终比BPNN模型具有更高的预测精度;增加训练样本数有助于提高所建SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR预测的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小.本研究表明:SVR是一种预测不同配方玻璃的热膨胀系数的有效方法.     

基于主元分析与RBFNN的真空玻璃传热过程预测

提出一种基于主元分析和RBF神经网络相结合的真空玻璃传热过程预测模型,研究真空玻璃的保温性能。采用主元分析对原始多维输入变量进行预处理,选择输入变量的主成分作为RBF神经网络的输入,既可以减少输入变量的维数,也可以消除各变量之间的相关性,同时又包含原变量的大部分信息。基于主元分析,可对真空玻璃非热源一侧温度进行智能软侧量,提高网络的收敛性和稳定性,仿真结果表明证明此模型的正确性和理论分析的合理性,该方法对具备不同传热系数(U值)的真空玻璃具有良好的自适应性,对接下来研究真空玻璃保温性能智能软测量提供一定的理论基础。     

基于退化轨迹的真空玻璃寿命预测

真空玻璃是近年来兴起的一种保温材料,它多被用于建筑物的门窗,相比较于普通玻璃、中空玻璃等,它具有更好的保温性能。真空玻璃的使用寿命是真空玻璃应用的一个重要指标,由于真空玻璃出现时间较短,现阶段并没有通过实际测量得到的寿命数据。本文利用真空玻璃性能退化数据来评定真空玻璃的寿命。通过实验检测得到真空玻璃退化数据,利用退化数据对真空玻璃保温性能随时间广义变化的过程进行建模,建模过程中采用幂律退化模型,得到真空玻璃保温性能退化轨迹,并取阈值,预测得到真空玻璃寿命。实验证明,该建模预测过程准确有效,能够得到真空玻璃寿命的一个预测值。     

基于kalman滤波的灰色BP神经网络方法的应用

针对目前运用灰色BP神经网络组合模型对测量数据进行预测的问题,文中提出了在预测前用kalman滤波对测量数据进行预处理,使数据更加平滑。通过实例表明,经过滤波处理后的数据在预测精度上有明显的提高。     

基于误差修正 NLSTM 神经网络的无人机航迹预测

无人机产业近年来发展迅猛,在军用和民用方面都拥有广泛的应用前景。无人机的航迹记录在其航行过程中发挥着重要作用,无人机的航迹预测也成为当前世界研究的热点,使用神经网络进行航迹预测更可以充分发挥其优势。首先对国内外学者关于航迹预测的文献进行了梳理,根据航迹预测的原理对目前飞行器航迹预测算法进行了总结和分类,针对利用神经网络模型预测无人机航迹并逐步改进模型以提高预测精度的问题进行了研究。接着对于传统神经网络模型预测精度不够高的问题,提出一种带误差修正的嵌套长短期记忆 (ENLSTM) 神经网络预测模型。ENLSTM 在嵌套长短期记忆网络模型的基础上引入了误差修正项,从而使得预测精度更高。最后使用 BP、RNN、LSTM 和 ENLSTM 四种神经网络模型分别对无人机的真实航迹数据和模拟航迹数据进行仿真实验,得出结论：循环神经网络相对 BP 神经网络在无人机航迹的预测上更具有优势,基于基础循环神经网络的逐步改进提升了模型的预测能力,ENLSTM 模型对于无人机的航迹预测具有更好的效果。