基于主成分分析的BP神经网络粮食产量预测模型

我国作为世界上人口最多的国家,始终把发展粮食生产放在社会发展的重要位置。粮食产量变化具有非平稳性,若采用传统的预测方式会使预测结果不理想。BP神经网络对粮食产量进行预测能较好地描述粮食产量的非平稳性;主成分分析法能将高维数据缩减到更小的维度来理解高维数据。本文采用主成分分析法与BP神经网络相结合的预测模型,可以优化BP神经网络,提高粮食产量预测的精确度,是一种有效的粮食产量预测途径。     

基于遗传算法优化BP神经网络的粮食温度预测研究

针对粮食储存中温度参数的非线性时间序列问题,提出一种基于遗传算法(GA)优化BP神经网络算法的粮食温度预测模型,选取影响粮食温度的10个因素(仓外温度、仓外湿度、仓内顶温度、仓内中心温度、仓内底温度、仓内顶湿度、仓内中心湿度、仓内底湿度、仓内氧气浓度、粮食湿度)作为输入参数,分析后输出粮食温度。经验证,GA-BP模型具有比传统BP神经网络更好的预测精度和实用效果,在粮温预测领域中具有一定的应用前景。     

基于BP神经网络算法的汇率价格短期预测研究

随机信号预测在金融行业有着重要应用。文章基于Back Propagation Network的随机信号预测方法,利用三种国际货币汇率价格的历史数据作为参考,对未来汇率价格进行短期预测,与实际价格进行比较分析,并得出结论。有助于对外汇市场的发展方向和趋势分析,无论是对监管层进行决策还是对投资者提供投资选择,都将会具有非常重要的现实意义。     

基于KPCA-BP神经网络与GC-MS图谱的白酒价格预测技术

为实现对白酒价格的准确预测,采用气相色谱-质谱（GC-MS）技术对白酒样品的挥发性风味成分进行测定后选择对不同档次白酒样品有显著差异的微量成分,分别采用主成分分析（PCA）与核主成分分析（KPCA）对GC-MS图谱数据进行降维处理,再将降维后的数据送入到反向传播（BP）神经网络实现价格预测。结果表明,不同档次白酒样品检测出27种挥发性风味成分,其中,酯类8种,醇类9种,酸类9种以及醛类1种;除对不同档次白酒样品无显著性差异的微量成分丁酸乙酯、正己酸乙酯、丙醇、正丁醇、异戊醇和己酸外,采用PCA和KPCA对21种挥发性风味成分进行特征提取。结果表明,PCA前3个主成分累计方差贡献率达87.38%,KPCA前3个核主成分累计方差贡献率达90.02%,KPCA对3种档次白酒在三维空间上有良好的区分度,更能实现白酒特性的准确表达;KPCA-BP神经网络对中、高端白酒预测误差为5%,而PCA-BP神经网络预测误差为15%;白酒价格预测模型验证结果表明,KPCA-BP神经网络方法比PCA-BP神经网络预测的价格更准确,PCA-BP准确率为86.89%,KPCA-BP神经网络准确率达到92.96%。     

用BP神经网络预测棉织物的手感

采用BP神经网络技术建立和训练反应织物手感的预测模型，对比预测值和实验值，表明用神经网络方法预测织物手感有相当的准确性。     

基于BP神经网络的烟熏香肠色泽预测研究

以传统烟熏方式加工的香肠为研究对象,利用反向传播(Back-Propagation,BP)神经网络建立烟熏香肠色泽的预测模型。通过试验获得不同烟熏温度、烟熏时间和肥瘦比条件的烟熏香肠,测定其L*、a*、b*和△E值,并对BP神经网络算法、隐含层神经元个数、学习速率和动量系数进行优化,获得最佳的BP神经网络预测模型结构。基于Levenberg-Marquardt算法建立精确的L*、b*和△E预测模型,性能测试显示L*、b*和△E预测模型的相关系数(R2)分别为0.847、0.825和0.924。相应的均方根误差(root mean square error,RMSE)分别为4.609、3.564和5.012。基于拟牛顿BFGS算法建立精确的a*值预测模型,性能测试显示模型的R2和RMSE分别为0.905和2.237。     

BP神经网络预测废水处理过程的研究

通过在实验室条件下进行追纸废水处理试验取得的数据对BP神经网络进行训练，建立了造纸废水处理过程的网络模型。该网络模型仿真实际废水处理过程的结果表明，BP神经网络具有很强的学习能力。利用BP神经网络模型实现了对造纸废水处理过程的预测，平均相对误差为19％，表明网络泛化能力不是很好。经过动态训练的BP神经网络模型能够比较准确的预测造纸废水处理过程，平均相对误差为1．9％，大大优于未经动态训练的网络模型。     

基于BP神经网络的原棉短纤指数预测模型

为对脱籽后原棉的短纤指数进行预测,采用遗传优化BP神经网络预测法,设计了原棉短纤指数预测的遗传优化BP神经网络模型。以南疆地区原棉为研究对象,选择籽棉回潮率和轧花速度频率2个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立原棉短纤指数的遗传BP神经网络预测模型。结果表明,遗传BP神经网络模型能较好地表达原棉短纤指数与主控因素之间的非线性关系,预测结果与实测值之间误差小,测试样本的网络输出值与网络目标值的相关系数达0.999 8,模型预测效果较佳。     

基于BP神经网络的童装流行元素预测

为了准确预测儿童服装流行趋势,针对传统预测方式中存在的主观性问题,提出了基于BP神经网络的童装流行元素预测模型.该预测模型以国内淘宝、天猫、京东、苏宁易购等主要电商平台在2000—2020年间的历史销售数据作为反映流行程度的指标,以童装流行色作为预测案例,采用虚拟变量的方法,对童装的造型、款式、材料、色彩、图案、结构、工艺、搭配和风格九大流行元素进行量化,并使用MatLab平台编写程序建立预测模型,对样本数据网络进行训练,调整隐含层节点数,以BP神经网络模型模拟预测结果,对2021—2022年秋冬的童装流行色三要素进行预测并输出.得出的预测结果与市场流行趋势一致.     

基于BP神经网络的大气中CO浓度的预测

大气污染物浓度的检测是一个复杂的系统,影响因素较多,本文引入非线性分析的有效工具——BP神经网络,利用BP神经网络中的误差反向传递算法对大气中CO浓度进行分析,建立基于BP神经网络的CO浓度预测模型,并利用淮安市环保局和气象局2013年的相关数据对模型进行训练与测试,取得较好结果,证明该模型在预测大气中CO浓度方面具有较好的效果,并误差小。     

基于改进粒子群算法的平房仓粮温BP神经网络预测模型建立

在传统的BP神经网络预测模型的基础上引入改进的粒子群算法对神经网络中的权值和阈值进行不断优化,针对平房仓内部不同温度监测点处的粮食温度建立预测模型,改进后的粒子群算法拥有更好的局部寻优能力和全局寻优能力,较传统的BP神经网络预测拥有更精确的预测精度,更小的预测误差,使优化后的BP神经网络能快速的从历史粮温中总结平方仓粮温变化规律,实现平房仓粮温的预测。     

基于遗传算法和BP网络的精毛纺粗纱质量预报

针对BP神经网络收敛速度慢、容易陷入局部最优解和遗传算法搜索范围广、效率高、鲁棒性强的特点,提出将二者结合用于精毛纺粗纱过程建模和质量预报。将BP网络初始权重和阈值按一定规律串接成字符串作为遗传算法的染色体,通过选择、交叉和变异操作对其优化, 优化后的值作为该BP网络的初始权重和阈值进行二次训练。采用相同的数据训练表明,未优化的BP网络达不到预定精度或陷入局部最优解,经GA优化后收敛速度快且达到了所需精度。粗纱CV值和单重的20组数据预报表明：预报值与实测值间的相对平均误差率由之前的3.56%和3.48%分别降低到2.55%和2.23%;预报值和实测值间的相关系数较之前大为提高。     

基于Levenberg-Marquardt算法改进BP神经网络的卷烟销量预测模型研究

针对一般时间序列分析方法中预测方法的不足,采用改进的BP神经网络对卷烟销量进行预测。介绍说明改进的BP神经网络Levenberg-Marquardt算法原理,对卷烟销量数据进行归一化处理,建立卷烟销量神经网络预测模型,利用Matlab软件对数据进行训练、仿真。与实际销量进行对比分析,证明采用改进的BP神经网络预测结果准确。     

基于差分进化的BP网络学习算法

提出了一种基于差分进化的BP网络学习算法,该算法是一种全局随机优化算法.利用差分进化算法的全局寻优能力,可以很好的训练BP网络的权值和阈值.将所提出的算法与BP算法作对比实验,结果表明,所提出的算法相对于BP算法在分类准确度上有较大的提高,而且具有良好的收敛性和泛化能力.     

一种基于数值计算的改进BP神经网络加速算法

为增加神经网络收敛的稳定性与收敛速度,提出了一种改进的网络优化加速算法.在权值调整期间加入前N期权值结果,增强了训练的稳定性;使用Steffensen迭代算法进行加速,使网络训练较快地收敛;有效地解决了传统BP神经网络的缺点.进行数值实验,将10幅二值化后的车牌数字字符图片作为训练样本送入改进的网络与传统的BP神经网络中分别进行训练,可以看出传统BP算法在训练过程中出现了振荡且收敛速度较慢.而改进的算法误差稳步下降,没有出现传统算法中振荡的现象,且较传统算法早达到收敛稳定.     

基于BP神经网络和遗传算法的钢丝拉拔优化设计

针对钢丝在拉拔成形后表面轴向残余应力过大的问题,建立有限元模型,并确定钢丝拉拔过程变量优化范围;利用正交试验法确定网络训练样本,根据变量设计安排各因素及水平,组成L25(55)正交表;利用ANN的高度非线性映射能力建立拉拔过程参数与钢丝表面最大轴向残余应力映射模型,同时将神经网络与遗传优化算法相结合。优化后摩擦因数为0.09,工作锥角为8°,定径带长度为0.66 mm,部分压缩率为4%,拉拔速度为3 820mm/s,在此组合参数下,采用FEM计算表面轴向残余应力为65.37 MPa,神经网络预测结果为67.58 MPa,模拟结果相对误差为3.5%;相对于正交试验中平均轴向残余应力202.1 MPa,降低67.6%,优化效果明显,显著降低了钢丝的表面轴向残余应力。     

基于BP神经网络的仓储小麦的生理生化指标预测

BP神经网络算法在粮食仓储领域拥有巨大的应用价值和潜力。本研究尝试将BP神经网络引入仓储小麦品质预警模型,以天津储粮抽检数据为对象,通过对室内温度的记录,样品水分、淀粉、蛋白质等11项生理生化指标的定期检测,利用BP神经网络算法进行仓储小麦的品质预测与影响分析。仿真结果表明,基于BP神经网络的数据预测方法具有较小的过程误差和较高的结果准确性,为仓储小麦的品质预测提供了一种有效的研究方法。     

基于改进BP神经网络的食品分拣机器人视觉伺服控制方法

目的：解决目前食品分拣机器人的视觉伺服控制系统结构复杂、计算量大,无法满足分拣机器人对视觉伺服控制系统的灵活性和适应性的问题。方法：在机器人视觉伺服控制系统结构的基础上,提出一种将改进粒子群算法与BP神经网络相结合的食品分拣机器人视觉伺服控制方法。粒子群算法在迭代过程中使用交叉和变异来保持种群多样性,对BP神经网络的初始权值和阈值进行优化。结果：与常规控制方法相比,该控制方法可以在较短的时间内将食品生产线机器人带到预定位置,位置逼近的相对误差为0.38%。结论：该控制方法在处理较复杂的任务时,具有较强的适应性,有一定的实用价值。