基于贝叶斯正则化的多源/连续冲击载荷识别及试验研究

针对冲击载荷识别中存在病态矩阵求逆的不适定问题和噪声敏感问题,给出一种增广Tikhonov正则化技术的改进贝叶斯方法。通过引入小波阈值方法解决高噪声水平下多源/连续冲击载荷识别精度不佳的问题,在识别过程中自适应地确定最优正则化参数,并有效地剔除噪声对冲击载荷识别的影响。通过开展飞机壁板结构在不同冲击载荷和信噪比噪声下的数值仿真分析,以相关系数和相对误差作为评价指标,对比讨论了基于L曲线法和广义交叉检验法的Tikhonov正则化方法、贝叶斯正则化方法以及该文方法的识别效果,结果表明该文方法兼顾了曲线的光滑性与峰值识别的准确性,在20 dB高噪声水平连续冲击载荷识别时峰值平均误差不超过14%。开展了典型加筋壁板结构的冲击试验,验证了该文方法对实际工程中典型多源/连续冲击载荷的识别能力,峰值平均误差控制在18%以内,为解决工程应用中的载荷识别问题提供了有效途径。

基于贝叶斯正则化LSTM模型的人均GDP预测效果——以福建省为例

人均GDP作为最重要的宏观经济指标,在衡量地区经济发展状况方面发挥了重要作用。本文通过随机森林选取5个对人均GDP有显著影响的因子:固定资产投资完成额、社会消费品零售总额、进出口总额、财政收入、城镇居民可支配收入。利用2014-2020年福建省的宏观经济数据建立基于贝叶斯正则化的LSTM神经网络预测模型,并与四个同类神经网络模型进行比较发现,随机森林-贝叶斯正则化LSTM神经网络的预测精度和鲁棒性要优于同类预测模型,且该方法可用于农业、生物、地质、环境和气象等领域的多元时间序列数据研究。

基于非负贝叶斯正则化的冲击载荷光纤识别法

针对目前冲击载荷识别中存在的传感器质量不可忽略和识别结果带有负分量问题,提出基于非负贝叶斯正则化的复合材料结构冲击载荷光纤识别方法。首先,将光纤布拉格光栅(fiber Bragg grating,简称FBG)传感器集成于复合材料筒舱结构上,获取其动态响应信号;其次,建立冲击载荷识别模型,将冲击载荷识别问题表示为时域离散的反卷积问题;最后,考虑到冲击载荷的非负特性,通过贝叶斯层次化建模获得其后验概率密度函数,最大化概率密度函数得到冲击载荷的最大后验概率解。结果表明,FBG传感器可以较好地实现多个传感点冲击响应的同步测量,非负贝叶斯正则化方法可以有效地克服传统Tikhonov正则化的不足,自适应确定算法参数,消除没有物理意义的负分量,使得重建的冲击载荷时间历程与实际历程相吻合。

贝叶斯正则化在球面等效源法中的应用研究

为拓宽空心球阵列的应用场景,提高三维空间声场重构精度,本文开展空心球阵列结合球面等效源方法的声场重建研究。在近场条件下,由空心球阵列采集到三维空间的声场信息,结合球面等效源法,对声场重构中存在的逆问题所常用的广义交叉验证正则化参数选择方法,提出贝叶斯正则化,并利用MATLAB对两种正则化方法的重建结果进行对比。分别探讨了两种正则化方法在不同声源距离、声源频率、重构球面半径和信噪比情况下对声场重建精度的影响。结果表明,贝叶斯正则化在基于空心球阵列的三维空间声场重建中具有明显优势。

基于贝叶斯正则化BP神经网络的GPS高程转换

为了改善BP神经网络在GPS高程转换过程中过拟合的现象,提出了用贝叶斯正则化算法的BP神经网络转换GPS高程的新方法,并利用区域GPS/水准数据,将新方法和未采用正则化算法的BP神经网络进行GPS高程转换的比较.结果表明:在较大区域和高程异常呈不规则的情况下,新方法不仅可以有效提高GPS高程转换的精度,而且通过贝叶斯正则化算法可以改善网络结构,抑制过拟合现象.在约10 km的GPS基线尺度上,新方法可以得到精度达0.050 m的正常高.

基于L-M贝叶斯正则化方法的BP神经网络在潜艇声纳部位自噪声预报中的应用

基于L-M贝叶斯正则化方法使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高。文中将BP神经网络和L-M贝叶斯正则化算法相结合用于潜艇声纳部位自噪声预报。分析了影响声纳部位自噪声的各种参数。利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳部位自噪声进行精确预报。

基于贝叶斯正则化神经网络的径流长期预报

针对神经网络用于径流长期预报时,网络结构过于复杂而易出现过拟合的问题,采用主成分分析和贝叶斯正则化神经网络对预报模型进行改进．首先利用主成分分析对输入因子进行降维和优化,然后通过贝叶斯正则化对网络权值的限制来简化网络结构,从而有效地抑制过拟合．对嫩江流域江桥站年平均径流的仿真结果表明,贝叶斯正则化神经网络结合主成分分析的预报方法,可以显著地提高泛化能力和预报精度,而且网络收敛也比较稳定．

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。

基于贝叶斯正则化神经网络虚拟企业敏捷性评价

高敏捷性是虚拟企业适应不断变化的市场必备的素质,如何对它进行准确评价是虚拟企业运行中的重要问题,针对此问题先对虚拟企业及其盟员敏捷性之间的关系分析,然后提出在已知虚拟企业盟员敏捷性的基础上用贝叶斯正则化神经网络来计算虚拟企业的敏捷性,最后通过仿真试验测试了该方法的可行性。实验结果证明与非正则化神经网络相比,贝叶斯正则化神经网络的泛化能力强,评价数据结果稳定。该方法可用于各种规模的虚拟企业评价。

遗传算法-贝叶斯正则化BP神经网络拟合滴定糖蜜中有机酸

分别用常规BP神经网络、贝叶斯正则化BP神经网络及遗传算法-贝叶斯正则化BP神经网络,对多组分有机酸的滴定数据进行主成分非线性拟合。结果显示,贝叶斯正则化能限制网络权值,避免过拟合;遗传算法则使网络的全局优化能力和稳健性提高。对26个测试样本中的乙酸、乳酸、草酸、琥珀酸、柠檬酸和乌头酸6种组分,以及柠檬酸和乌头酸的总量进行了15次拟合预测,平均预测相对误差(RSE)分别为10.02%,9.34%,10.66%,12.18%,29.81%,31.94%和3.80%;性质相似的柠檬酸和乌头酸的拟合预测能力较差,但其总量可得较好的预测结果。应用本法对两种糖蜜中有机酸进行了分析,并与离子色谱分析结果进行了对比。

基于主成分分析和贝叶斯正则化BP神经网络的GDP预测

选用财政收入、财政支出、消费品零售总额、实际利用外资、进出口总额以及全社会固定资产投资等对GDP有显著影响的6个因子,用1985～2008年中国的宏观经济数据建立了一个基于主成分分析和贝叶斯正则化BP神经网络的预测模型,并把它应用于我国GDP的预测。实证结果表明:通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。与其它常用的预测方法相比,该方法数据输入简便,收敛速度快,拟合曲线光滑,且在预测精度上有明显的优势。

基于贝叶斯正则化的TDBPNN模型在中国外贸预报中的应用及评估

基于相空间重构的非线性预报思想 ,建立一个时滞的BP神经网络模型 (TDBPNN) ,采用贝叶斯正则化方法提高BP网络的泛化能力 ,并将该模型应用于中国进出口贸易的预测 ,结果证明改进的TDBPNN模型具有较好的泛化能力 ,准确拟合了进出口贸易发展的历史值和趋势。区别于一般的预测评价 ,认为非线性预测不仅要注重数据拟合和精度改进 ,而且应该能够反映被预报系统的非线性特征。在分析模型预测精度的同时 ,通过计算拟合序列和原序列的非线性特征量进行模型评价 ,证实预测模型能够合理地“捕捉”

贝叶斯正则化BP网络在机翼载荷分析中的应用

采用贝叶斯正则化与BP网络相结合的方法,构造了一个分析飞机机翼载荷的三层BP网络。贝叶斯正则化方法提高了BP神经网络的泛化能力,且能考虑非特征化的非线性影响。使用某型飞机对称机动和滚转机动的试飞实测数据作为载荷激励来训练神经网络,并用这个训练完的网络预测了该飞机机翼的飞行载荷。最后将神经网络预测结果与实测结果进行了比较,结果表明该方法能够准确地实现飞机机翼载荷预测,对新机研制和飞行试验有较高的参考价值。

基于贝叶斯正则化神经网络的企业资信评估

在市场经济系统研究中,资信评估作为市场经济中的监督力量,是投资者的重要参考依据。科学准确的资信评估可以辅助决策,降低投资者风险。针对当前企业资信评估方法的不足,为了准确评估资信效果,提出将基于贝叶斯正则化的前向多层神经网络用于企业资信评估,通过新的误差函数可以减少网络的有效权值和阈值,并使网络训练输出更加平滑,从而增强网络的泛化性能。并通过MATLAB软件及其神经网络工具进行仿真计算。结果表明,贝叶斯正则化神经网络稳定、快捷、评价结果可靠准确,可作为于企业资信评估依据。

基于贝叶斯正则化BP神经网络的森林资源资产批量评估研究

将BP神经网络与批量评估方法结合应用于森林资源资产评估中,通过对森林资源资产评估价值主要影响因子进行数据处理,确定不同龄组的BP网络结构,结合TM算法,通过贝叶斯正则化修正BP神经网络的训练性能函数,建立基于BP神经网络的不同龄组森林资源资产批量评估模型。结果表明,贝叶斯正则化BP神经网络能够实现批量预估森林资源资产价值,其评估结果精度可靠,泛化能力很好,可为森林资源资产评估提供一种新的思路与方法。

基于贝叶斯正则化BP神经网络的上市公司信用评价研究

在神经网络训练中引入贝叶斯正则化以提高模型的推广能力。通过与未使用提高推广能力方法和使用提前停止法两种情况进行比较,表明基于贝叶斯正则化的BP神经网络模型在上市公司信用评价中的推广能力有显著的提高。

基于贝叶斯正则化BP神经网络的日光温室温度预测模型

针对日光温室温度预测模型中输入因子间存在复杂的耦合关系以及输入因子过多而导致神经网络结构规模过大等问题,选用影响日光温室温度的环境因子组成数据样本,对数据样本进行主成分分析。提取出影响日光温室内温度的前3个成分作为BP神经网络模型的输入变量,采用贝叶斯正则化算法对BP神经网络进行改进。结果表明,该方法改进的BP神经网络模型得到简化,拟合曲线光滑,具有较好的泛化能力和网络推广能力。

金属疲劳裂纹扩展速率的贝叶斯正则化BP神经网络预测

人工神经网络是进行预报裂纹扩展率的一个重要方法。文章针对不同金属的疲劳裂纹扩展速率分别建立贝叶斯正则化BP(Back Propagation)神经网络,将各材料在不同应力比R下的疲劳裂纹扩展速率试验数据分为两部分,一部分用来进行训练网络,另一部分用来测试训练好的网络,检验其泛化能力。将从文献中获取的4种不同金属材料的疲劳试验数据作为算例,来检验网络的性能。计算结果表明贝叶斯正则化BP神经网络不仅对训练样本有很好的拟合能力,而且对于未训练过的测试样本也有较好的预测能力,即有较强的泛化能力。同时,指出了建立网络时减少门槛值附近的试验样本点,可以提高网络的预测能力。研究结果表明,该方法可以方便地获得不同应力比R下的疲劳裂纹扩展速率,从而达到减少试验次数,充分利用已有数据的目的。并且可以进一步应用于其他金属的疲劳裂纹扩展速率的预报。

基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法

传统的深度信念网络规模大、难度大、训练时间长,导致其故障诊断的时间较长。针对该问题,提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数,在保证网络精度的同时快速提高计算速度,从而提高网络的收敛速度。实验结果表明,经过贝叶斯正则化改进后,深度信念网络训练的泛化能力得到了提高,同时故障诊断的准确率也得到了保证。

基于贝叶斯正则化BP神经网络的挤出温度预测模型

简要介绍贝叶斯正则化BP神经网络原理,并应用基于贝叶斯正则化训练方法的BP神经网络建立挤出温度预测模型。预测与试验结果对比表明,经过训练后的网络模型基本获取了实际挤出温度的函数形式,网络输出值与样本对应的挤出温度实际值几乎完全重合,表明该方法能达到较好的预测精度,同时具有使用简洁、快速等优点。