基于主成分分析的 RBF 神经网络预测 SO2 浓度

利用基于主成分分析 (PCA) 算法的径向基 (RBF) 神经网络对大气中 SO2 浓度进行滚动预测。以北京大兴地 区 2019 年 9 月 1 日至 2020 年 10 月 31 日的气象数据和空气质量参数为基础, 结合逐步回归法筛选出与 SO2 线性相 关的参数作为输入样本, 构建 PCA-RBF 预测模型。利用该模型预测北京大兴地区某天的 SO2 浓度, 将预测值保留并 作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测, 从而实现 SO2 浓度的滚动预测。 对比 RBF 网络和 PCA-RBF 网络两种模型的预测结果, 其中 PCA-RBF 模型期望值和预测值的误差及相关系数分别为 0.03 µg·m−3 和 0.9989。表明 PCA-RBF 网络模型能精准预测 SO2 浓度变化趋势, 为进一步解决大气污染问题提供技术 支持。     

基于改进PSO-BP神经网络的教学质量评价模型

教学质量评价是教学研究中的重点之一，但已有的数学评价模型不适合解决非线性问题，神经网络模型收敛速度慢、准确率不高。针对以上问题，文中提出一种基于改进PSO(Particle Swarm Optimization)-BP(Back Propagation)神经网络的教学质量评价模型。通过引入动量和自适应学习率优化BP神经网络，采用惯性权重线性递减、学习因子异步变化，并引入速度收缩因子和自适应变异策略来优化PSO算法；再使用PSO粒子群优化算法计算BP神经网络的初始连接权重和阈值，从而提升模型的全局寻优能力和收敛速度、精度。为验证模型效果，使用评价体系指标层的10个指标数据作为模型的输入，评价结果作为输出，进行模型对比实验。实验结果表明，所提模型的准确率达到96.33%，比一般BP神经网络模型提高4.68%，比自适应BP神经网络模型提高4.07%，比PSO-BP神经网络模型提高1.2%，且收敛曲线平稳，整体性能优于其他模型，说明运用该模型能够有效地对教学质量进行评价。     

基于PSO-BP神经网络的高炉煤气受入量的预测

以高炉煤气为主要研究对象,基于BP神经网络引入粒子群算法优化BP神经网络的权值,通过调试和改进建立PSO-BP神经网络高炉煤气受入量预测模型,使企业实现对煤气的合理调度和平衡调整,研究结合唐山钢厂的历史数据对该模型进行训练和检验。研究结果表明,BP模型比未改进的BP模型更能精确地预测受入量,并解决了遗传算法(GA)优化BP神经网络容易陷入早熟收敛的问题。     

基于级联神经网络的SiC MOSFET结温预测模型

对结温进行精准预测和提取仍然是SiC MOSFET器件应用中需要攻克的技术难题，对此，结合粒子群优化-反向传播(PSO-BP)神经网络预测精度高以及径向基函数(RBF)神经网络函数逼近能力强等优点，提出了一种基于PSO-BP与RBF级联神经网络的SiC MOSFET结温预测模型。模型将SiC MOSFET的漏极电流和通态电压作为PSO-BP神经网络的输入，再将PSO-BP神经网络的结温预测值以及插值法得到的温度插值作为RBF神经网络的输入。基于LTspice仿真获取的数据集验证了模型对SiC MOSFET结温预测的有效性。结果表明，该模型对SiC MOSFET结温预测的绝对误差在0.005℃以内，均方根误差和平均绝对误差分别低至0.0082和0.0015,相比单一的BP、PSO-BP以及RBF神经网络模型，其预测精度得到了大大提高。该级联神经网络模型可实现对SiC MOSFET结温(> 75℃)的精准预测。     

基于卷积神经网络和光丝诱导荧光光谱的NaCl气溶胶定量分析

盐气溶胶是大气污染监测的重要对象。使用基于高功率超快激光的光丝诱导荧光光谱(FIFS)技术可以实现大气气溶胶的远距离快速定量分析,该技术有望成为下一代激光雷达的核心技术。用NaCl气溶胶模拟大气气溶胶污染物,针对自吸收效应导致光强与物质质量浓度偏离线性关系的问题,提出基于一维卷积神经网络的NaCl气溶胶质量浓度预测模型,并将其与多元线性回归模型、偏最小二乘回归模型、BP传播神经网络模型和定标曲线模型进行了对比实验。在各质量浓度(0.33～6.61 mg/m³)NaCl气溶胶全波段光谱数据集和特征波段光谱数据集上的实验结果表明：所提一维卷积神经网络模型在特征波段光谱数据集上的预测准确率为1,在泛化预测实验中的准确率为0.87,优于其在全波段光谱数据集上的结果,同时也优于其他模型。该模型对自吸收效应下的非线性定量分析具有良好的准确性和鲁棒性,为FIFS技术应用于大气气溶胶质量浓度预测分析提供了可靠的定量分析技术。     

基于PSO-BP神经网络的光纤传感器光强补偿

基于反射式强度调制光纤传感器在测量实验过程中易受周围环境影响造成光源波动以及对探头的欺骗,提出了一种补偿措施,使用粒子群(PSO)优化反向传播(BP)神经网络算法补偿传感器获得光功率值,该算法不仅利用了PSO的寻找粒子群体的最佳位置的搜索性能,还利用了BP算法比较强的局部最优权值阈值搜索性能,粒子群算法优化反向传播神经网络的权值和阈值,从而达到防止反向传播神经网络陷入局部最优的情况。实验中利用光纤探头内圈光纤和外圈光纤接收的光功率值分别对PSO-BP神经网络和反向传播神经网络进行训练,结果表明PSO-BP神经网络的均值误差小于BP神经网络的均值误差,说明其光强补偿的精度更高,该算法能更加有效地减少周围环境影响以及光源波动对光纤传感器光纤接收的影响,有较好实际应用价值。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.     

基于PSO-BP算法的神经网络模型预测策略研究

在非线性模型预测中,往往难以获得精确的非线性数学模型,从而对预测精度造成一定的影响。该文将粒子群算法与BP算法相结合,提出了一种PSO-BP算法,改进了BP算法的不足,并将其应用于神经网络模型预测当中,提高了非线性模型预测的精度。     

基于激光诱导击穿光谱技术的煤灰分特征研究

灰分是衡量煤炭质量优劣的关键指标,是衡量煤矿和选煤厂煤炭产品质量的主要指标之一。针对传统煤灰分含量识别效率低、煤样本质量不高的问题,本文基于粒子群优化算法(PSO)和BP神经网络,提出了基于粒子群神经网络的煤炭灰分预测模型。目的是快速识别出煤炭产品中灰分的含量,为煤炭开采提供技术支撑。研究选取了180个标准煤粉样品,1～140号样本数据用于训练集,141～180号样本数据作为测试集。应用PSO BP模型对煤炭灰分特性进行了研究,仿真结果表明:优化后的6维BP神经网络模型,决定系数R2为088501越接近1,表明建立的PSO BP模型具有较好的预测性能,灰分预测值与灰分真值无限逼近。进而表明所构建的灰分预测模型具有较高的预测精度,提升了模型的泛化能力和预测精度,为后续的LIBS术应用于煤炭检测提供一定的理论依据。     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

改进混沌搜索的AMPSO-BP激光铣削质量预测

为了更好地控制激光铣削的质量,建立了激光铣削质量和铣削层参数的神经网络模型。针对神经网络易陷入局部极小值的缺点,提出混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立了AMPSO-BP激光铣削质量预测模型。最后以某种材料的激光铣削质量预测为例,将文中所提算法与PSO-BP、BP神经网络预测结果相比,结果表明所提方法有很高预测精度且预测误差明显减小,在实际中有一定应用价值。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

Research on the identification of the production origin of Angelica dahurica using LIBS technology combined with machine learning algorithms

The origin of Angelica dahurica medicinal herbs varies, and their pharmacological effects also differ. In order to achieve rapid and accurate identification of the origin of Angelica dahurica medicinal herbs, this study utilizes laser induced breakdown spectroscopy(LIBS) technology combined with machine learning algorithms to identify the original source of Angelica dahurica. Sliced samples of Angelica dahurica were taken from four regions: Hebei, Henan, Zhejiang, and Sichuan. The spectral data ...     

毫米波电路引线楔焊质量智能预测技术研究

针对毫米波电路引线楔形焊接工艺优化难题,提出将一种带惩罚函数项的改进BP (Back Propagation,反向传播)神经网络算法用于引线楔形焊接质量智能预测中.通过试验分析了影响楔形焊接质量的关键工艺参数,提取了楔形焊接质量评价指标,基于改进的BP神经网络,建立了引线楔焊质量智能预测模型.研究结果表明,所提出的改进...     

微型近红外光谱仪在苹果糖度测量中的应用研究

为了评估微型近红外光谱仪应用于现场水果糖度检测的可行性, 采用粒子群算法结合反向传播(BP)神经网络建立了苹果糖度的无损高精度快速检测方法, 研究了微型近红外光谱仪NIRscan以单波长和阿达玛变换两种测量模式获得的光谱数据, 应用多种不同的数据预处理方法和多元线性回归、偏最小二乘法、粒子群算法(PSO)、BP神经网络等算法建立分析模型。结果表明, 以阿达玛变换工作模式测得的光谱数据更好, 以1阶导数结合Savizky-Golay平滑算法作数据预处理, 应用PSO结合BP神经网络建立的苹果糖度预测模型具有更高的预测精度, 预测相关系数和均方根误差分别为0.9911和0.1502。该微型近红外光谱仪NIRscan用于苹果糖度的现场快速和高精度无损检测具有可行性。     

基于PSO-BP神经网络的无线传感器网络定位算法

针对无线传感器网络定位的基本功能问题。提出一种将PSO算法和BP神经网络相结合对RSSI在测距阶段测得的距离数据进行优化的算法。该算法将PSO算法作为BP神经网络的学习算法,缩短了BP神经网络的训练时间,并加快算法的收敛速度。通过仿真,定位精度较其他算法得到了明显提高,最高可达27.3%。