基于遗传算法优化的BP神经网络预测混凝土抗压强度

针对传统BP神经网络预测能力的不足,采用遗传算法优化的BP神经网络预测混凝土28d抗压强度,并建立了GA-ANN预测模型。一方面对模型输入项进行灰色关联分析,找出对强度影响的重点关联因素;另一方面,研究了模型在不同输入项组合、不同训练组和输出组数、不同网络隐含层节点数的操作条件下,其预测精度有何变化,找出了最优的上述操作条件,减少了预测误差。     

遗传算法优化BP神经网络的水泥窑温度预测模型研究

水泥窑内温度的控制效果直接决定水泥熟料的质量.由于回转窑煅烧具有大滞后、非线性、多变量等复杂特性,并且各个因素之间存在相互联系和不确定性,这给回转窑温度的控制带来了困难.本文利用BP神经网络建立回转窑温度预测模型,并利用遗传算法对模型进行优化,将优化前后的仿真结果对比后发现,使用遗传算法优化后的BP神经网络回转窑温度预...     

基于BP神经网络的臭氧精确投加控制系统

自来水厂采用臭氧化工艺时臭氧投加量通常由生产经验判断确定,缺乏一定的准确性和时效性.根据浙江省T水厂150组实际运行样本数据,选用BP神经网络构建臭氧投加系统的前馈控制模型,能够在给定的工艺参数条件下较好地预测出水水质情况,也可根据进水水质情况和预期出水水质目标对所需的臭氧投加量进行预测.结果表明:基于BP神经网络的臭...     

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型,模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量,以煤灰流动温度作为输出量,对126组来自中国北部地区的煤灰样数据进行训练与测试,并建立常规BP神经网络模型,研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明：不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力,所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加,虽略微提高模型对训练样本的拟合程度,但也导致验证时过拟合现象的发生,模型对新样本的拟合优度下降。采用SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO和Na₂O+K₂O的质量分数6个参数作为输入变量的GA-BP模型最为适合,其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

具有遗传算法优化BP神经网络调节的HVDC PID控制器设计

高压直流输电(HVDC)定电流控制是直流输电系统的控制方式之一,为了使HVDC PID控制器具有较好的自适应性,实现控制器参数自动调整,提出一种具有遗传算法优化BP神经网络调节的HVDC PID控制器。该控制器首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络对PID三个参数进行在线调整。仿真研究表明:具有遗传算法优化BP神经网络调节的PID控制器可以保证系统动态响应具有较好的快速性和对系统扰动的自适应性,是可行的。     

一种用于BP神经网络训练的改进遗传算法

引　言近年来 ,人工神经网络已广泛应用于化工领域中的参数预测及故障诊断等方面[1,2 ] ,其中最常用的是ＢＰ网络 ,它能够模拟很多映射关系[3 ,4 ] .但在ＢＰ网络的训练过程中 ,如何跳出局部极小点是一个难点 ,对此前人已有一些研究成果 ,其中包括改进的梯度下降搜索法 (ｇｒａｄｉｅｎｔｄｅｓｃｅｎｄｒｅｓｅａｒｃｈ ,ＧＤＲ) [5] 、模拟退火法 (ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ ,ＳＡ) [6]和ＥＧＡ算法 (ｅｘｔｅｎｄｅｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ)等[7,8] .本文对局部极小点产生的主要原因进行了分析 ,并对遗传算法中的…     

基于BP神经网络和改进遗传算法的蒸发器支座结构优化设计

应用显著性分析选取了优化结构参数,利用正交试验法和有限元法确定了神经网络样本数据,建立了反映结构特性的人工神经网络模型,为遗传算法提供了适应度函数,并通过改进遗传算法完成了函数优化。对比和分析结果表明,优化结构比初始结构的体积减少了19．9％,失稳临界载荷提高了293％,且满足强度条件。     

应用优化的BP神经网络模型预测储层伤害程度

为了快速、准确的预测柴西北区N21～N22储层伤害程度,在收集岩心分析资料的基础上,建立了预测储层敏感性伤害的神经网络模型。该神经网络模型运用遗传算法和Levenberg-Marquardt算法对BP神经网络的权阈值进行搜索,改进了以往神经网络模型容易陷入局部最优以及收敛速度慢的缺点,有效提高了网络的收敛性和预测的准确率。仿真结果表明：优化后的BP神经网络模型的敏感性伤害程度预测结果与岩心流动实验结果符合率高,同时,优化后的BP神经网络模型比以往的BP网络模型预测速度快、精度高。     

基于BP神经网络和遗传算法的硫化工艺参数优化

采用BP神经网络建立硫化工艺参数与性能指标的网络模型,以神经网络预测的性能输出作为目标函数的求解方法,以遗传算法作为硫化工艺参数的优化方法,建立硫化工艺参数的优化系统.对橡胶联轴器硫化工艺参数优化的实际应用效果表明,优化后可大大提高橡胶制品的质量.     

基于BP神经网络的双色塑件翘曲变形量预测

以某遥控器前壳双色塑件注塑成型为例,以该塑件在注塑成型过程中的翘曲变形量为研究目标,提出了一种结合AMI数值模拟、正交试验和BP神经网络的双色塑件翘曲变形量快速、准确的预测方法。首先建立了基于AMI数值模拟的CAE模流分析模型,并对注塑成型工艺参数及翘曲变形量进行数值模拟分析;之后结合正交试验设计法使AMI软件数值模拟结果在指定的工艺参数范围内实现了离散分布;最后以正交试验数据为基础建立BP神经网络预测模型,通过Matlab训练网络使其满足误差精度要求,从而达到准确预测新工艺参数下翘曲变形量的目的。结果表明:训练出的BP神经网络模型具有很高的预测精度,能够满足对该双色塑件翘曲变形量准确、快速的预测要求。     

基于BP神经网络的焦炭质量预测

分析了配煤炼焦中影响焦炭质量指标的各种因素及传统焦炭质量的预测方法。以天津天铁焦化厂的配合煤及生产焦炭的各项实际数据为基础,在MATLAB环境下,进行了基于BP神经网络对焦炭质量预测的方法研究。实验结果显示:3种网络的误差基本相同,范围在2%～0.05%,以中间层为15个神经元的略好,满足焦炭质量的预测要求。     

用BP神经网络模型预测密炼机主要性能参数

以转子转速、填充因数、压砣压力和冷却水温度作为输入参数，用BP神经网络模型预测密炼机消耗的最大功率、单位能耗、混炼时间、生产能力和排胶温度等性能参数。实验值与预测值比较表明，BP神经网络模型预测精度能满足定量计算的要求，为分析密炼机复杂的混炼过程提供了一条新途径。     

基于遗传算法优化神经网络的管道泄漏检测方法研究

介绍了遗传算法的基本思想和操作原理,并对遗传算法优化神经网络的方法进行阐述,重点分析了遗传算法对神经网络的网络连接权和阈值的优化。将遗传算法与神经网络相结合应用于管道泄漏检测中,该算法既有神经网络的学习能力和鲁棒性,又有遗传算法的很强的全局搜索能力,能够快速准确地识别管道泄漏。通过试验进行对比,证明遗传算法优化后的神经网络效果更好。     

基于HsCAE和BP神经网络汽车饰件工艺优化

结合车用饰件高质量的成型问题,对饰件注塑工艺参数进行了分析优化.首先,基于华塑CAE软件对塑件进行正交试验分析优化,选择翘曲、缩水和残余应力3个指标,结合各指标权重进行综合分析并评分,得到了最小综合评分为0.063.然后,利用正交试验样本建立了 6-10-3的BP神经网络,通过训练获得一个拟合度较高网络模型.最后,利用...     

基于BP神经网络的天然气负荷预测方法改进

改进用影响因素最为输入变量的BP神经网络进行短期负荷预测的传统方法,讨论基于BP神经网络的两种天然气负荷预测方法,分析其稳定性和误差分布及平均误差大小,最后得出用前4年的数据作为输入变量,后一年的数据作为目标矢量的网络训练方法,误差分布均匀且平均误差非常小,可达到天然气负荷预测的要求。     

基于改进遗传算法的双向BP神经网络控制

针对因果系统提出一种双向神经网络,在相邻两层神经元之间建立反向连接,以直接把被控系统先前时刻的状态变量引入到网络中;设计了一种自适应调整遗传算法交叉率和变异率的规则;结合遗传算法和神经网络的优点,给出了一种基于遗传算法的双向神经网络控制方案,该方案兼有遗传算法的强全局搜索能力和神经网络的鲁棒性和自学习能力。仿真结果表明,该算法能使种群基因保持多样性,有效抑制了算法的早熟收敛;基于该算法的控制系统调整时间短、准确度高,具有良好的抗干扰能力,能满足实时性和稳定性要求。     

基于优化BP神经网络的钻井事故预测研究

为了预防石油钻井作业过程中事故的发生,论文采用遗传算法（Genetic Algorithm）对多层前馈神经网络（BackPropagationNeuralNetwork）进行优化,建立GA-BP神经网络预测模型,将影响钻井作业安全的9种主要因素,进行优化训练,达到期望结果模型,将GA-BP神经网络模型的预测结果与实例进行对比分析。分析表明：用GA-BP神经网络模型预测的钻井事故类型,在误差绝对值小于5.2%时,预测的准确性达到了83%,验证了GA-BP神经网络模型对钻井事故预测的有效性。该模型为智能化钻井作业安全管理提供了一个决策工具。     

遗传算法和神经网络的结构优化策略

提出了基于遗传算法和神经网络的结构优化方法。在该方法中,将个体繁殖和群体进化局限于可行域空间。利用该方法求解了２个结构优化实例。     

BP神经网络及其在化工优化中的应用

人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｌ简称ＡＮＮ）作为一种新型的黑箱方法,是近年来迅速发展的研究热点。它是由大量的简单处理单元（或称神经元）广泛连接而形成的复杂网络系统,处理问题时不需要了解输入输出之间的相互关系,其自学习功能能够“记忆”样本所含的信息,网络只是根据训练样本的数据来自动寻找相互关系,给所研究的系统以具体的数学表达,从而使系统的定量、预测及优化成为可能。在研究复杂系统的优化问题上,人工神经网络显示出其独特的优越性,目前已在生物科学、自动控制、化学工程等众领域取得了很大…