LDPC码offset BP-Based译码算法研究与硬件实现

低密度奇偶校验(Low-Density Parity-Check LDPC)码是一种接近Shannon极限的信道编码,在低信噪比的环境下仍能获得优异的误码率性能,目前应经成为编码界的热点研究课题之一。本文在探讨了LDPC码的经典BP(Belief Propaga-tion)译码算法的基础上,通过分析比较,选取一种复杂度较低,性能较好的offset BP-Based译码算法在FPGA上进行实现,验证了LDPC码的优异性能,对于译码算法的硬件实现具有指导意义。

一种低复杂度的LDPC码改进型UMP BP-Based译码算法

为了弥补UMP BP-Based相对于LLR BP译码算法的性能缺陷,提出一种改进型UMP BP-Based译码算法。通过将Normalized BP-Based和O ffset BP-Based译码算法的优点相结合,并利用最小均方误差准则来计算该算法中的参数。仿真结果表明,在相同误码率的情况下,改进型UMP BP-Based译码算法比UMP BP-Based、Nor-malized BP-Based以及O ffset BP-Based具有更好的LDPC译码性能。

基于改进型UMP BP-Based算法的LDPC译码研究

为了弥补UMPBP-Based译码算法相对于LLRBP译码算法的性能缺陷,提出一种改进型UMP BP-Based译码算法。该算法中的参数是在最小均方误差准则下确定的,对所有的LDPC码的译码具有通用性。仿真结果表明,在相同误码率的情况下,改进型UMP BP-Based译码算法比UMP BP-Based译码算法、Normalized BP-Based译码算法以及Offset BP-Based译码算法具有更好的LDPC译码性能。

一种非规则LDPC码的改进型UMPBP-Based译码算法

为了减小UMP BP-Based译码算法相对于LLR-BP译码算法的性能损失,提出了一种改进型UMP BP-Based译码算法,校验节点消息处理时,通过合理地设置校正因子与偏移因子2种参数,将Normalized BP-Based和Offset BP-Based 2种译码算法进行有效的融合;变量节点消息处理时,引入了一种LLR-BP译码算法中的震荡补偿算法.仿真结果表明,针对非规则LDPC码,在一定范围内误码率相同的条件下,改进型UMP BP-Based译码算法与UMP BP-Based、Normalized BP-Based和Offset BP-Based 3种译码算法相比较,译码性能得到明显的改善,可以更有效地逼近性能优异的LLR-BP译码算法.

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

BP神经网络算法结合超高效液相色谱-质谱联用技术研究红花治疗慢性酒精性肝损伤的作用机制

临床上,红花对慢性酒精性肝损伤(chronic alcoholic liver injury,CALI)有很好的疗效,但治疗机制不甚明确。因此,阐明红花治疗CALI的分子作用机制对药物的进一步开发及应用具有重要意义。以雄性Wistar大鼠为研究对象,模型组大鼠以8 mL/kg酒精连续灌胃28天,建立CALI模型;给药组大鼠分别以高(4.290 3 g/kg)、中(1.430 1 g/kg)、低(0.476 7 g/kg)剂量灌胃红花提取物。采用大鼠血清代谢组学分析方法结合超高效液相色谱-质谱技术鉴定与CALI相关的潜在生物标志物,并研究红花对这些生物标志物的调控机制。利用MATLAB软件建立BP神经网络模型处理组学数据的分类问题。从苏木精和伊红(H&E)染色实验发现,高剂量红花提取物减轻了肝细胞的损伤程度;与模型组相比,高剂量红花组中的丙氨酸氨基转移酶(ALT)和天冬氨酸氨基转移酶(AST)的表达水平降低,表明高剂量红花提取物具有肝保护作用。BP神经网络模型的分类准确率为95.8%,分类效果良好。通过火山图分析共鉴定出20种与CALI相关的生物标志物,红花可以对这些生物标志物产生回调效果。研究表明,红花可能通过对甘油三酯、脂肪酸、磷脂、胆汁酸、氨基酸、维生素E代谢的调控作用而对CALI产生治疗效果。本研究可为红花的推广和临床应用提供了理论基础。

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0%~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP(Backpropagation)神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446、462 nm、玉米油为268、274 nm、葵花籽油为280、288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法(LMA)、动量梯度下降法(MGD)及弹性梯度下降法(EGD)掺伪模型识别率分别为98.15%、91.67%、95.52%。

基于BP神经网络和遗传算法的设备故障诊断与健康管理模型研究

针对目前设备管理存在的故障处理周期长、维护保养任务重、维修成本高的现状,构建了设备故障诊断与健康管理架构,包括设备层、感知层、数据处理及存储层、数据分析层和应用层。其中,在数据分析层,综合采用BP神经网络和遗传算法,建立了设备故障诊断与健康管理模型。最后,以机电设备振动数据为例,进行设备故障诊断模型的预测结果分析,验证了该模型的可行性。研究结果表明,该模型能提高设备故障诊断正确率,具有较好的故障诊断效果;设备预测健康状态与实际健康状态的变化趋势基本保持一致,重合率大于90%。该成果可为制造企业的设备故障诊断与健康管理提供相关策略,有效排除故障问题,降低管理成本。

遗传算法优化BP神经网络在水质评价中的应用

通过对常规BP神经网络和遗传算法深入研究后,提出将二者结合起来,取长补短,并采用黄金分割算法确定神经网络模型隐含层节点数,借助MATLAB软件建立了遗传算法优化后的BP神经网络水质评价模型,解决了初始权值、阈值确定难,易陷入局部极值以及网络收敛慢等问题,同时结合2021年黄河上游部分断面地表水环境质量评价进行了实例仿真实验,验证了该模型的可行性和准确性。遗传算法优化后的BP神经网络不仅能从全局考虑污染因子对评价结果的影响,而且解决了常规BP神经网络易陷入局部极值的问题,提高了网络的识别精度,评价结果更准确,更符合实际水体情况,在一定程度上改善了传统评价方法的片面性和主观性,对现有的水环境质量评价方法的改进起到了积极作用。

用于碳酸盐岩储层裂缝检测的GWO-CS-BP算法及应用研究

碳酸盐岩储层中的裂隙是油气的运移通道和储集空间,对于油气勘探、开发和评价都具有重要的指导意义。针对研究区碳酸盐岩储层裂缝检测的难题,提出灰狼布谷鸟优化BP算法(GWO-CS-BP),该算法是将GWO-CS(grey wolf-cuckoo search algorithm)与BP(back propagation)相结合形成的裂隙检测方法。将含裂缝信息的相干、曲率、倾角、方位角和构型张量等属性作为GWO-CS-BP神经网络的输入数据,在工区地质资料约束下根据测井数据获得裂缝发育水平评价指标,进而对研究区裂缝发育水平进行评价并划分等级。研究区碳酸盐岩储层裂缝发育水平检测结果表明,GWO-CS-BP算法能够综合各属性特点对研究区的裂缝发育水平特征进行二次误差控制,获得裂缝发育水平评价指标f s并将研究区裂缝发育水平划分为3个等级及4个裂缝存在区域。其中,当研究区裂缝发育水平参数的值适中时,即f s的值大于4.0且小于5.8时,C区域最有利于油气的聚集,高产井的分布数量较多。利用GWO-CS-BP算法对研究区的裂缝发育水平进行了精细评价,并得出裂隙发育水平参数f s,实现了GWO-CS算法改进的BP神经网络在裂缝检测中的有效应用。

基于组合加权评分的Item-based协同过滤算法

针对Item-based协同过滤算法中用户评分数据稀疏性严重影响推荐质量的问题,提出一种基于组合加权评分的Item-based协同过滤算法,以用户评分项并集作为用户相似性计算基础,并提出一种组合加权评分方法来对并集中的未评分项进行计算和填补,从而降低了数据稀疏性。实验结果表明该算法能有效提高推荐质量。

基于WOA-BP算法的自动压滤机脱水指标预测模型研究

随着全球工业化的不断发展,矿山的开采规模正在不断扩大,导致矿物资源逐渐贫化,细杂等难选矿物资源越来越多。选矿磨矿粒度越来越细,导致矿物分选后产品的脱水过滤越来越困难。为保证后续运输和冶炼工序对精矿含水率的生产需求,需要使用自动压滤机对精矿进行高效率的脱水处理。在精矿的过滤脱水过程中,影响自动压滤机脱水效率的因素众多。为更好地对脱水过程及生产指标进行控制,基于鲸鱼算法WOA优化的BP神经网络构建了一种WOA-BP神经网络模型,以入料浓度、入料时间、压榨时间、风干时间等4项影响脱水指标的因素为输入因子,以滤饼含水率和单位面积每小时处理量为输出因子,建立了脱水指标的预测模型,并对比分析单一BP神经网络模型和WOA-BP神经网络模型。结论如下:WOA-BP预测模型对滤饼含水率和单位面积每小时处理量的平均绝对误差分别为4.98%、8.83%,均方根误差分别为0.86%、3.43%,与单一的BP神经网络预测模型相比,该预测模型预测误差明显小于单一BP神经网络预测模型,脱水指标的预测结果更接近实测值,具有较高精确度。利用构建的WOA-BP预测模型,可以有效预测压滤机的脱水过滤指标,为后续对脱水过程的控制进行优化奠定了基础。

小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

基于遗传算法优化BP神经网络的生石膏超细磨预测效果研究

为提高BP神经网络对生石膏超细磨效果的预测准确性,采用Pearson相关系数对超细石膏粉体正交试验产品细度与影响因素的显著性进行分析,并利用遗传算法优化BP神经网络对超细石膏粉体试验产品的d_(50)和d_(90)进行预测,结果表明:超细石膏粉体制备过程中影响细度因素的显著性由大到小依次为排矿口宽度、矿浆质量分数和超细磨时间。利用排矿口宽度和矿浆质量分数两个主要影响因素,利用遗传算法对BP神经网络进行优化,与未优化的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的精度,预测误差也更小,其d_(50)平均绝对误差为0.7575,均方误差为0.7977,均方误差根为0.8931,平均绝对百分比误差为4.4838%;d_(90)平均绝对误差为0.7870,均方误差为0.8294,均方误差根为0.9107,平均绝对百分比误差为1.6658%。研究成果可为超细粉体的制备提供参考。

基于遗传算法和BP神经网络的矿区土壤重金属含量空间分布预测

本研究提出了一种基于遗传算法(Genetic algorithm,GA)和BP神经网络(Back propagation neural network,BPNN)的复合模型——GABP模型,以安徽省池州市某矿区及其周边为研究区,预测了土壤中p H和7种重金属元素(Cd、Pb、Cr、Cu、Ni、Hg、As)含量的空间分布,并与BPNN和反比距离权重法(Inverse distance weighting,IDW)进行了比较。研究结果表明:受采矿活动影响,研究区土壤p H和重金属含量呈显著的空间分异性;GABP复合模型的数据扩增能够有效弥补BPNN对样本数量的依赖,同时结合了地理位置和高程属性,精度评价结果显示GABP模型的平均R^(2)、r、RMSE、MAE分别是IDW和BPNN的3.03倍、2.56倍,2.93倍、2.39倍,0.85倍、0.61倍,0.79倍、0.62倍,预测精度更高。模型解决了传统空间插值方法结果中可能出现负值和边界无法插值的问题,为土壤重金属含量空间分布预测提供了一种新方法。

基于GA-BP算法的医院候诊空间色彩设计研究

目的为实现不同感性意象下的色彩搭配方案精准选定与量化,建立一套能够适应人群情感需求的色彩搭配方案。方法首先通过文献搜集获取使用者感性意向,其次通过HSV色彩模型及案例分析对色彩设计要素进行提取,结合使用者感性意向进行色彩情感评价,利用BP神经网络与遗传算法结合的思路,建立色彩设计元素与感性意象间的对应关系,获取最优色彩搭配方案,以挂号、取药候诊空间为设计实例对色彩设计创新方法进行验证。结果通过对设计模型进行MSE检验,说明色彩设计模型精度良好,具有较好的预测性能,得到优化后的色彩搭配方案。结论构建的配色优化设计模型将用户无法精确表达的感性内容进行定量化处理,在医疗空间色彩设计领域具有一定的通用性,能够有效实现候诊空间色彩搭配方案的精准选择与量化,实现在定性和定量候诊空间色彩设计方法的创新。

BP神经网络算法在求解数学建模最优化问题中的应用

为了解决目标函数较为复杂、无法用初等函数表示的最优化问题,文章采用了结合BP神经网络与遗传算法的方法进行求解。求解过程分为两个模块:第一,利用BP神经网络算法确定目标函数的解析式;第二,利用遗传算法寻找目标函数的最优解。为验证该方法的可行性,文章对单变量和多变量两种情况进行了验证。

基于遗传算法改进BP神经网络的电火花加工参数优化方法

针对电火花加工现行智能控制方式下,由于刀尖的震动幅值高,导致加工速度低和加工后零件表面粗糙度高的问题,提出基于遗传算法改进BP神经网络的电火花加工参数优化方法。通过分析电火花加工原理,构建基于BP神经网络电火花加工参数优化模型,以6个加工参数作为模型输入,以加工速度和零件表面粗糙度为模型输出,并将模型期望输出值和实际值之间的误差视作遗传算法的适应度函数,以适应度函数最小化为标准,获取最优权值与阈值作用于BP神经网络,实现电火花加工参数优化。实验结果表明,该方法最低加工速度仅为16.6 mm^(2)/min,表面粗糙度最高仅为6.7μm,有效提升了加工效率。

基于BP神经网络算法的树状结构智能找形分析

基于BP神经网络算法,探讨了树状结构智能找形分析的方法与应用。通过建立BP神经网络模型,利用其优秀的非线性映射和学习能力,实现了对树状结构图像的形状识别和分析。对树状结构进行了图像预处理和特征提取,然后将提取的特征作为BP神经网络的输入训练网络模型以识别不同形状的树状结构。实验结果表明,所提方法在形状识别的准确性和鲁棒性上均取得了良好表现,具有较高的应用潜力和推广价值。为树状结构图像处理领域提供了一种有效的分析方法,有助于进一步提升图像识别技术在实际应用中的应用效果和智能化水平。

基于仿生算法联合优化BP的燃煤发热量预测

【目的】燃煤发热量的精准预测和评价是煤质分析和热工计算的重要基础,目前神经网络预测燃煤发热量的模型虽能有效拟合非线性关系,但存在易陷入局部最小值、收敛速度慢等问题。【方法】为精准预测煤炭在工业锅炉燃烧过程中的发热量,提出一种由仿生算法FA-GA联合优化BP神经网络的燃煤发热量预测方法。将774组燃煤锅炉常用煤的工业分析及元素分析数据进行预处理,根据平均影响值对煤质指标进行特征变量筛选,最终建立FA-GA-BP的发热量预测模型,并从误差评价指标、迭代次数等方面对优化算法寻优能力和模型预测精度进行了检验。【结果】经过特征变量筛选后模型的预测精度提升至0.956 1;FA-GA联合算法与单一优化算法FA、GA、PSO相比,迭代次数显著减少,算法的全局搜索能力得到有效提升;FA-GA-BP模型与单一优化模型FA-BP、GA-BP、PSO-BP以及目前常用的发热量模型MLR和SVR相比,精度更高,相关系数可达0.984 5.【结论】FA-GA算法优化BP模型,针对燃煤锅炉中来自不同地区、不同煤种的发热量预测具有良好的效果,在理论上满足了工业误差要求。改进后的燃煤发热量预测模型可为有效监测入炉煤质实时变化提供一种新方法。