支持向量机回归的碳通量预测

如何根据影响因素较好地预测碳通量是许多环境监测者非常关注的问题。但至今尚无一种非常有效的预测模型,为此研究ε-支持向量回归机在碳通量预测中的具体应用,并与BP神经网络模型的预测结果做了比较,分析了两种方法在核函数及相关参数、网络结构、神经元数目选择方面各自不同的特点。实验结果表明,基于ε-支持向量回归机和BP神经网络模型的碳通量预测结果与碳通量实测值之间存在显著相关性。但ε-支持向量回归机方法的预测过程更易掌控,整体预测精度高于BP神经网络的精度。     

基于模拟退火算法的BP神经网络模型估算高分辨率叶面积指数

卫星遥感技术的快速发展使得获取全球大范围叶面积指数成为可能,但基于现有的算法和数据估算高分辨率LAI的精度还需要提高。针对农作物、草地和林地等3种典型地表类型,选取地面观测数据较多的4个研究区,包括3个各地类用于建模验证的研究区与一个用于适用性验证的独立研究区,针对4个研究区,分别获取地面测量数据以及对应的30 m空间分辨率地表反射率数据。在3个主要研究区建立并比较了NDVI植被指数经验模型、BP神经网络模型和基于模拟退火算法的BP神经网络模型,利用地面实测数据对模型进行验证。结果表明：在研究所选的3个主要研究区,基于模拟退火算法的BP神经网络模型的估算精度比BP神经网络模型和NDVI经验模型的估算精度高,农田、草地和林地站点估算结果的决定系数分别为0.899、0.858和0.863,BP神经网络模型的估算结果决定系数分别为：0.763、0.710和0.742,NDVI经验模型的精度最差,其估算结果的决定系数分别为0.622、0.536和0.637。为了验证SA-BP神经网络的适用性,选取独立研究区进行验证,结果显示验证精度较高,R²为0.842,RMSE为0.689 5,说明该模型外推能力较好。研究证明了基于模拟退火算法的BP神经网络模型提高了模型泛化能力,有效防止了BP神经网络模型滑入局部最小值,是提高高空间分辨率LAI估算精度的有效手段。     

液压支架疲劳寿命近似估算

针对常规的液压支架寿命近似分析方法需对危险点进行循环加载和获取,导致计算机负载增加的问题,提出了一种基于遗传算法与BP神经网络的寿命估算模型。利用遗传算法的全局搜索性优化BP神经网络,使其不易陷入局部最小点;利用优化后的BP神经网络建立危险点结构参量到疲劳寿命的网络映射模型。针对样本容量和隐含层节点数进行了测试,测试结果表明,样本容量为40、隐含层节点数为7时,模型估算精度较高;液压支架平均寿命估算值为36 456次,与理论值的最大相对误差为5.27%。     

浆态床费托合成反应神经网络建模与遗传算法优化

在实验基础上,利用神经网络对浆态床费托合成反应温度、压力、流量和氢碳比等操作参数及CO转化率、H2转化率和合成气转化率建立三层神经网络模型,通过BP算法对其训练,并将试验值和神经网络仿真值对比,说明了所建神经网络是精确可靠的。同时将神经网络模型嵌入到遗传算法当中,将操作参数编制成21位二进制编码,通过遗传算法对费托合成反应条件进行优化,分别将CO转化率、H2转化率和合成气转化率作为遗传算法的适应度函数,计算出一系列的优化操作参数群体,为研究费托合成操作条件与产物之间的关系提出了一个新的思路。     

基于BP神经网络的氧化锆氧量计的非线性补偿研究

氧化锆氧量计的工作原理是氧浓差电池原理,其氧浓差电势的计算是严重的非线性函数;选用只含一个隐含层的三层BP神经网络结构,充分利用BP神经网络的非线性函数逼近能力,无需模型只要适量的学习样本通过反复训练,即可按指定精度完成对氧化锆氧量计非线性特性的辩识和输出信号的非线性补偿;就隐含层节点数、学习率、误差指标等参数对该方法中BP神经网络训练次数和收敛过程的影响进行了比较研究。     

Adaboost-BP在MBR膜污染中的应用研究

研究MBR膜通量进行膜污染预测是当今污水处理研究领域的重要课题之一,膜污染直接导致的结果是膜通量的下降。由于传统BP神经网络预测MBR膜通量存在局部极小值及模型的泛化能力较差的缺点,本文利用AdaBoost算法优化传统的BP神经网络,建立了AdaBoost-BP预测模型,并将该模型运用到MBR膜通量的预测中。通过预测数据和实验数据的对比,得出该模型的可行性,同时将其对比传统的BP神经网络模型,说明AdaBoost-BP预测模型具有更高的预测精度。     

基于BP神经网络的冷却器购置费用估算

冷却器购置费用是寿命周期费用（LCC）的重要组成部分,对购置费用的准确预测有助于对寿命周期费用的有效控制。针对一般常用的费用估算方法存在费用估算工作量大、预测精度带有很强的主观性等问题,提出一种基于BP神经网络的费用估算方法,该方法能够利用机器学习,建立冷却器购置费用估算的神经网络模型。     

基于BP神经网络的工作量估算模型

为了能够对敏捷开发项目进行有效的工作量估算,提出了一种基于BP神经网络的工作量估算模型。考虑到数据集中存在的一些噪声数据以及错误数据,并且软件开发工作量与其影响因子之间存在着复杂的非线性关系,基于人工神经网络,提出了适合该问题的工作量估算模型;并针对该模型给出了具体的实现和验证,与其他估算方法进行了比较,证实了本文中所提出的工作量估算模型具有良好的性能。     

一种估算锂电池SOC的新型方法

SOC（荷电状态）的预测和估算是锂电池管理系统中的一个重要部分。根据GAAA算法充分利用了遗传算法和蚁群算法各自的优势,提出一种GAAA算法优化BP神经网络的SOC估算方法。使用MATLAB进行编程,将锂电池的实时工作电流、电压、温度、健康度、安时积分值作为输入,实现对SOC的估算。实验结果表明,该算法在估算精确度和运算速度上都优于传统的BP神经网络和基于遗传算法的BP神经网络。     

软件预估分析模型的研究与估算工具的实现

提出一种新的软件估算模型,为不同的软件类别设计多种度量输入模式,加入模板调节、BP神经网络反馈调节等机制,提升估算过程的适用性和灵活性.利用面向对象的设计方法,实现一个基于新估算模型的软件工具.     

开关磁阻电机转子位置软测量建模与仿真

位置检测是开关磁阻电机调速系统中的重要环节。实时、准确的位置信息是开关磁阻电机正确运行的关键。由于其转子位置角是各相磁链与电流的高度非线性函数,传统线性及解析的方法难以精确求得。提出了基于BP神经网络的位置检测方法,采用BP神经网络建立软测量模型,通过离线和在线相结合的方法对网络进行训练,建立开关磁阻电机的电流、磁链与转子位置之间的非线性映射,从而实现SRM转子无位置传感器的检测。仿真及实验结果表明,方法能够实现电机转子位置的准确估计,进而实现开关磁阻电机的无位置传感器控制。     

Forest Above Ground Biomass Estimation from Remotely Sensed Imagery in the Mount Tai Area Using the RBF ANN Algorithm

Forest biomass is a significant indicator for substance accumulation and forest succession, and can provide valuable information for forest management and scientific planning. Accurate estimations of forest biomass at a fine resolution are important for a better understanding of the forest productivity and carbon cycling dynamics. In this study, considering the low efficiency and accuracy of the existing biomass estimation models for remote sensing data, Landsat 8 OLI imagery and field data cooperated with the radial basis function artificial neural network (RBF ANN) approach is used to estimate the forest Above Ground Biomass (AGB) in the Mount Tai area, Shandong Province of East China. The experimental results show that the RBF model produces a relatively accurate biomass estimation compared with multivariate linear regression (MLR), k-Nearest Neighbor (KNN), and backpropagation artificial neural network (BP ANN) models.     

基于组合模型的网络安全态势估计

为了获得更加理想的网络安全态势估计效果,提出一种基于组合方法的网络安全态势估计模型。首先收集网络安全态势样本,进行预处理得到学习样本,然后将训练样本集输入到BP神经网络进行学习,并采用布谷鸟搜索算法选择最合理的BP神经网络参数,最后通过仿真实验对模型性能进行分析。结果表明,本文模型大幅度降低了网络安全态势的拟合误差和预测误差,是一种科学、合理的网络安全态势估计模型,估计结果具有一定的实际应用价值。      

基于改进BP网络8/6极SRM非线性建模的研究

针对开关磁阻电机(SRM)磁化曲线高度饱和、非线性的特点,提出一种基于改进的BP神经网络建立开关磁阻电机模型的方法。该方法构造了一个将连接权值变为参数可调函数的BP神经网络。通过分析开关磁阻电机磁链与转矩特性获得神经网络的训练样本,经过训练,实现开关磁阻电机非线性建模,并在Matlab/Simulink中建立开关磁阻电机控制系统(SRD)仿真模型。仿真与实验结果的对比,证明了此建模方法可行。与传统BP神经网络建模相比,该方法节约了计算时间,具有很强的泛化能力和较高精度,有效地提高了收敛速度。     

阴极炭块自动组装神经网络控制器的设计与实现

在经典控制器的基础上,本文设计了基于BP神经网络的PID控制器,采用BP神经网络训练方法,针对阴极炭块自动组装过程中工作台拖动的模型,用MATLAB软件工具进行了仿真,仿真结果证明了方案的可行性。     

基于多层BP神经网络和无参数微调的人群计数方法

针对大部分现有的人群计数方法被应用到新的场景时性能下降的问题,在多层BP神经网络框架下,提出一种具有无参数微调的人群计数方法。首先,从训练图像中裁切图像块,将获得的相似尺度的行人作为人群BP神经网络模型的输入;然后,BP神经网络模型通过学习预测密度图,得到了一个具有代表性的人群块;最后,为了处理新场景,对训练好的BP神经网络模型进行目标场景微调,可追求有相同属性的样本,包括候选块检索和局部块检索。实验数据集包括PETS2009数据集、UCSD数据集和UCF_CC_50数据集。这些场景的实验结果验证了提出方法的有效性。相比于全局回归计数法和密度估计计数法,提出的方法在平均绝对误差和均方误差方面均有较大优势, 消除了场景间区别和前景分割的影响。     

基于PCA和随机森林的故障趋势预测方法研究

故障预测和健康管理技术(PHM)在现代工程系统中能够在系统具备较高复杂度的情况下,有效保障其可靠性和安全性。在机械故障诊断中对于采集到的原始数据的高维特征量的处理较为复杂,并且在实际应用中趋势预测的精度要求较高,针对该问题提出一种基于主成分分析(PCA)与随机森林算法的轴承故障趋势预测方法。该方法利用PCA对提取的原始轴承数据特征量进行线性降维,并选取其中主成分特征量,输出非线性时间序列数据。原始数据经过PCA处理得到非线性时间序列,将该序列作为随机森林算法的输入进行故障趋势预测,并把预测结果与BP神经网络模型预测的结果进行对比,结果表明随机森林在故障趋势预测上在精度相较于BP神经网络有显著提高,是一种有效的故障趋势预测方法。     

Development of a forest canopy height estimation model using GLAS full waveform data over sloping terrain

ABSTRACT

The accurate estimation of forest canopy height is important because it leads to increased accuracy in the estimation of biomass, which is used in the study of the global carbon cycle, forest productivity, and climate change. However, there is no well-developed model that accurately estimates canopy height over undulating land. This paper describes the development of a back-propagation (BP) neural network model that estimates forest canopy height more accurately than other types of model. For modeling purposes, the land in the study area was classified as either plain (low relief areas) or hilly (high relief areas). Four different slope partition thresholds (5°, 10°, 15°, and 20°) were tested to determine the most suitable boundary value. ICESat-GLAS data provided by the Geoscience Laser Altimeter System (GLAS) aboard the Ice, Cloud and Land Elevation Satellite (ICESat), field survey data, and digital elevation model (DEM) data were collected and refined, and various parameters, including waveform extent and topographic index, were calculated. A BP neural network model was created to estimate forest canopy height. Two other models were also developed, one using the topographic index and the other using multiple linear regression, for comparison with the BP neural network model. After calibration, the three models were tested to assess the accuracy of the estimates. The results showed that the BP model estimated canopy height more accurately than the other two models. The use of a 10° boundary to partition the topography into low relief areas and high relief areas improved the accuracy of each model; using the 10° slope boundary, the coefficient of correlation r between the estimates given by the BP neural network model and the field-measured data increased from 0.89 to 0.95 and the Root Mean Square Error (RMSE) decreased from 1.01 to 0.73 m.     

基于CMAC神经网络的电池荷电状态估计

现有电池荷电状态(SOC)估计方法所需训练和学习时间较长,很难满足动力电池的实时性要求。为解决该问题,利用小脑模型关节控制器(CMAC)神经网络对电池SOC进行评估,CMAC神经网络具有学习算法简单和逼近任意非线性函数的能力。对镍氢电池的模拟测试结果表明,与反向传播神经网络相比,CMAC神经网络的学习和收敛速度较快,能实时估计出电池SOC,并使估计误差在可接受范围内。