基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于BP-Adaboost算法的输电塔-线结构整体可靠性分析

针对传统结构可靠性分析方法的应用局限性和计算成本较大等不足,引入BP-Adaboost集成学习算法,提出一种准确高效、简单易行的输电塔线结构整体可靠性分析方法。首先,建立输电塔线结构有限元分析模型,分析结构的失效准则并推导相应的极限状态功能函数;然后,将BP-Adaboost集成学习算法与蒙特卡洛模拟方法相结合,建立高精度预测模型来替代分析过程复杂的有限元模型,提出基于BP-Adaboost模型的输电塔线结构整体可靠性分析方法;最后,通过数值算例对所提方法进行应用与验证,证明所提方法具有更高的精度和效率,并进一步将其应用于实际输电塔线结构工程,分析多失效模式下输电塔线结构的整体可靠性。

基于BP-AdaBoost的智能电能表计量故障检测技术

现行技术在智能电能表计量故障检测中应用存在错检、漏检问题,本文提出基于BP-AdaBoost的智能电能表计量故障检测技术。利用工业相机感知电能表计量图像数据,采用加权平均值法实现电能表图像的灰度化,应用频域滤波技术对图像进行强化处理,利用BP-AdaBoost技术集成多个弱分类器并构建强分类器函数,将计量图像分类为故障类与非故障类,检测基于BP-AdaBoost的智能电能表计量故障。试验证明,本文技术错检比例与漏检比例均不超过1%,可以对故障进行精准检测。

基于BP-Adaboost方法的天然地震和人工爆炸事件波形信号分类识别研究

BP神经网络和支持向量机(SVM)是两种主流的分类识别方法,用于天然地震和人工爆炸事件波形信号分类识别时取得了较好的效果。但BP神经网络存在易陷入局部最优及隐层数和隐层节点数与训练样本数据密切相关而无法有效预先确定;而支持向量机(SVM)方法则缺乏有效手段来选取合适的核函数,从中不能很好地扩展到多分类。针对天然地震和人工爆炸事件波形信号的分类识别问题,文中将上述两种方法和集成学习——BP-Adaboost方法进行了对比实验研究。据对所选用的地震、爆炸事件波形信号数据集的分类识别结果表明,BP-Adaboost方法得到了98%以上的正确识别率,并且具有较好的泛化能力。相较于BP神经网络和PCA-SVM方法,BP-Adaboost方法对于数据集的划分和识别结果具有更好的鲁棒性,应用于天然地震和人工爆炸事件波形信号分类识别时,可取得更好的识别效果。同时,结合Adaboost方法的原理,阐述了BP-Adaboost方法拥有更好分类结果和泛化能力的原因。

基于多特征融合和BP-AdaBoost算法的列车关键零件故障自动识别

针对列车集尘器和安全链锁紧螺栓的故障检测,提出了一种基于多特征融合和BP-AdaBoost的故障自动识别算法。首先提取故障区域与非故障区域的局部二进制模式(LBP)、方向梯度直方图(HOG)和Haar-like三类特征;其次利用主成分分析(PCA)定义不同特征对故障识别准确率的贡献值,并据此对这三种特征进行降维和融合;再次利用融合特征来训练BP-AdaBoost分类器;最后用训练好的分类器结合不同的识别算法,对集尘器和安全链锁紧螺栓的故障进行定位和识别。实验结果表明,该算法能较好地识别两种不同故障,故障识别率高,误检率和漏检率低,对于光照不均和遮挡情况有一定的鲁棒性。

提升小波包和BP-AdaBoost模型在大跨斜拉桥拉索损伤识别中的应用

为了有效地进行工程结构的损伤识别,提出基于提升小波包特征提取和BP-Ada Boost模型的大跨斜拉桥拉索损伤识别方法。该方法首先利用提升框架,将结构损伤前后的振动测试信号进行提升小波包分解,提取小波包信号分量能量并将能量累积变异值作为特征值,识别斜拉索损伤位置,然后以此建立BP-Ada Boost(Back Propagation neural network,Adaptive Boosting)模型,利用Ada Boost算法和BP神经网络相结合的方法对大跨斜拉桥拉索的损伤程度进行识别,并研究噪声对该算法的影响。数值分析结果表明,采用基于提升小波包和BP-Ada Boost模型相结合的方法能够有效地识别大跨斜拉桥拉索损伤。

运用BP-AdaBoost模型识别随机车载作用下大跨斜拉桥拉索损伤

为了有效地进行大跨结构的损伤识别,提出随机车载作用下利用BP-AdaBoost(Back Propagation neural network,Adaptive Boosting)模型对大跨斜拉桥拉索进行损伤识别的方法。该方法首先依据交通调查数据,建立随机交通荷载模型,再运用提升框架,对结构损伤前后的振动测试信号进行提升小波包分解,将小波包信号分量能量累积变异值作为特征值,识别斜拉索损伤位置,然后以此建立BP-AdaBoost模型,利用AdaBoost算法和BP神经网络相结合的方法对大跨斜拉桥拉索的损伤程度进行识别,并研究噪声对该算法的影响。数值分析结果表明,该方法有较强的抗噪声干扰能力,在随机车载作用下,运用BP-AdaBoost模型能够有效识别大跨斜拉桥拉索损伤。

基于GWO-BP-AdaBoost的多风电场功率预测

通过GWO-AdaBoost模型来优化BP神经系统网络,实现其对多因素分类处理能力的提高。经过实验表明,优化后的预测模型与BPNN和BPNN-AdaBoost对比,各项误差指标均减少,实现了多风电场功率预测准确度的提高。

基于BP-Adaboost神经网络的非侵入式电机工作状态识别方法

大功率设备碳排放控制是实现“双碳”目标的重要环节,为了监测大功率设备的工作状态,提出一种基于BP-Adaboost神经网络的非侵入式电机工作状态识别方法。通过ATP-EMTP软件搭建电机并网模型,对电机入口端原始信号及电网端加噪信号进行数据采集。为了利用互相关算法从噪声电信号中提取稳定特征量,提出将Pisarenko谐波分解(PHD)算法与互相关算法相结合建立电信号特征提取的优化算法。通过BP-Adaboost强分类器构建电机工作状态的识别模型。应用仿真结果表明,经过PHD算法处理并结合提出的BP-Adaboost识别方法,可有效实现电机起动谐波的检测与电机工作状态的识别,并实测验证了该方法的高精度和可靠性,实验仿真识别率为100%,实验验证识别率为96%。

BP-AdaBoost分类算法的MapReduce并行化实现

在面对海量数据分类问题时,时间和空间复杂性已成为传统算法的瓶颈。在对传统的BP-AdaBoost算法进行分析的基础上,结合云计算平台,给出传统BP-AdaBoost算法的MapReduce并行化方法。Map函数完成每个弱分类器预测误差εt的计算与重新标记,Reduce函数根据Map函数得到的中间结果合并计算出平均误差,供下一轮MapReduce计算任务使用。将改进后的算法部署在Hadoop集群上,能够实现高效并行的海量数据强分类。并通过集群上的三个对比实验,验证了该算法的可行性,它不仅能处理海量数据,而且降低了算法的时间复杂度,具有较好的加速比和准确性。

基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计

动力电池健康状态(state of health, SOH)估计是电动汽车领域关注的一个热点,目前的大部分方法都是基于实验室测试数据进行估计,忽略了实际车辆运行情况。使用国家大数据联盟平台采集的实际车辆运行数据进行电池SOH的估计。数据预处理方面,在清洗异常数据时,保留了实车数据中合理的强噪声数据,保证了数据的真实性。特征选择方面,选择容量增量曲线峰值和对应的电压以及基于安时积分得到的小片段充电容量数据。算法方面,针对真实数据的弱时序性问题,利用反向传播-自适应推进(back propagation-adapt boost, BP-AdaBoost)算法进行电池SOH估计的研究。最后,利用同一类型三辆车的数据进行了模型训练、测试和验证,预测结果与长短期记忆-循环神经网络(long short term memory-recurrent neural network, LSTM-RNN)算法对比,BP-AdaBoost算法估计误差更小,平均绝对误差达到0.96%,因此,所提出的方法可以应用于实车电池SOH的高精度估计。

中国区域BP-Adaboost强预测器对流层天顶延迟建模研究

选取中国大陆构造环境监测网(陆态网)提供的155个测站2014~2018年对流层延迟产品,基于BP-Adaboost算法将多个弱神经网络预测器集成为强预测器,建立新的无气象参数对流层延迟计算模型。利用陆态网2019年参与建模的141个建模测站、未参与建模的62个测站的对流层延迟产品和中国区域86个无线电探空站解算出的对流层延迟精确值对BP-Adaboost模型进行精度评定,结果表明,新模型的平均偏差分别为0.62 mm、-1.16 mm和12.32 mm,均方根误差分别为25.30 mm、26.72 mm和46.29 mm,优于常见的无气象参数模型;BP-Adaboost模型在内陆地区或海拔2 km以上地区具有更高的精度,能够满足中国大陆区域卫星导航用户实时对流层延迟改正的需求。

一种优化的GA-KF与BP-Adaboost地表下沉组合预测模型

为提高矿区GNSS CORS自动化监测系统地表下沉预测精度,提出一种结合小波分析,采用遗传算法优化的卡尔曼滤波模型(GA-KF)与相空间重构的BP神经网络强预测模型(BP-Adaboost)的组合预测方法。利用小波分析获取原始监测数据的趋势项和随机项,并分别通过GA-KF模型和相空间重构BP-Adaboost模型预测趋势项和随机项,两者之和即为最终预测结果。以亳州板集矿监测站数据为例进行预测,结果表明:1)与单一使用GA-KF和相空间重构BP-Adaboost模型预测值对比,该组合模型预测精度更高;2)组合模型受建模序列长度影响较小,平均相对误差在0.003%以内,远小于两种单一模型,具有一定抗干扰性。

基于AHP和BP-Adaboost的低压电力用户价值评价方法

传统的电力用户价值评价一般不区分高、低压电压等级,高压和低压用户适用指标各异且目前低压电力用户价值评价未见对应指标体系,为此,提出一种基于AHP和BP-Adaboost算法的低压电力用户价值评价方法。首先建立一套低压电力用户价值评价指标体系,并定义评分规则和等级划分规;然后则利用层次分析法(AHP)获取低压电力用户价值评价综合得分和等级;最后提出利用AHP和BP-Adaboost相结合的算法进行低压电力用户价值评价,得到低压电力用户综合得分和等级,并利用决定系数和准确度2个参数进行验证。算例仿真及其结果表明方法正确有效。

基于BP-AdaBoost的电子式电能表故障检测方法

为了解决现有电子式电能表故障检测方法精度偏低、训练速度慢的问题,提出一种BP-AdaBoost复合神经网络故障预测方法。首先,在单一BP神经网络的基础上,利用组合分类器算法AdaBoost对其进行改进,将多个单一BP神经网络作为弱分类器,多次迭代训练得到强分类器;随后,将该故障预测方法应用于电子式电能表的典型故障——整流桥故障的分类判别中;利用Simulink搭建电子式电能表仿真模型,选取故障注入点与观测点,仿真运行生成的故障数据作为BP-AdaBoost算法的处理对象。仿真结果表明,BP-AdaBoost故障预测方法与单一BP神经网络故障预测方法相比,能提高预测精度,显著减小误差,在实际应用中具有一定可行性。

基于改进的K-means和BP-Adaboost的寿险客户流失预测算法研究

针对寿险行业的客户流失问题,构建基于外在、内在、行为(EIB)属性的寿险客户指标体系。提出改进的K-means算法,使用改进的轮廓系数公式判断初始聚类数目,并利用欧式距离相似度与余弦相似度的测度优势提出欧式类簇空间的局部、全局离群点过滤规则。运用传统的K-means算法、不同离群点监测阈值下的改进K-means算法进行客户细分及其可视化展示,并采用BP-Adaboost算法对细分后的客户进行流失预测。实证表明:改进的K-means算法可视化噪声降低、簇内误方差减小,可在后续的预测器中实现更高预测精度,为保险公司挖掘更精准的客户分类信息、挽留客户提供决策依据。

多分类BP-AdaBoost算法研究与应用

研究了多类别样本数据集的分类,针对传统的"一对一"或"一对多"BP-AdaBoost算法,训练时间开销随着训练样本数以及训练样本种类的增加急剧增加,使其实际应用十分受限,尤其不适用于大规模数据分类的问题,提出了将多分类BP神经网络与使用多类分类指数损失函数的逐步叠加建模(SAMME)算法相结合以构造AdaBoost强发类的Multi-BP AdaBoost算法,实现模型信息的有效利用与融合增强。对传统"一对多"BPAdaBoost算法和Multi-BP AdaBoost算法进行了对比试验,结果表明,在相同测试情况下,后者有效降低了BP-AdaBoost训练过程中的时间开销。

基于BP-AdaBoost的耦合碰摩故障特征识别研究

旋转机械故障诊断研究中,采用BP神经网络容易陷入局部极小点而无法得到全局最优解,导致对耦合碰摩故障分类识别率不高的问题。研究了经验模态分解方法和BP-Ada Boost方法,结合二者优点,提出了一个故障识别的新方法,首先为了去除背景信号和噪声信号,选用经验模态分解方法来分解转子的振动信号,得到转子系统碰摩信号的主要故障特征,然后用BP-AdaBoost模型对3种不同工况进行识别。基于实验数据的分析表明方法的识别率要优于BP神经网络。

一种改进的BP-AdaBoost算法及应用研究

BP-AdaBoost算法结合BP神经网络和AdaBoost算法二者的优点,在提高准确率的同时加快训练速度。但传统BP神经网络在训练时可能会出现陷入局部最优的问题,针对此缺陷,提出一种改进的BP-AdaBoost算法,先采用思维进化算法调整BP神经网络的权值和阈值,再运用优化后的BP神经网络构造多个优化的弱预测器,最后将AdaBoost多分类思想引入改进的BP-AdaBoost算法中,构造多个强预测器判断决策输出结果。将改进的BP-AdaBoost算法与小波神经网络用于上证指数开盘指数的预测中,通过实验对比分析,证明了算法的可行性与优越性。

基于BP-Adaboost算法的建筑能耗预测研究

针对传统BP神经网络存在收敛速度慢和容易陷入局部极小值缺点,影响建筑能耗预测精度的问题,引入Adaboost算法对BP神经网络进行改良,提出一种基于BP-Adaboost算法的建筑能耗预测方法。该方法充分结合BP神经网络良好学习能力和Adaboost算法预测精度高的优点,通过Adaboost算法将BP神经网络训练所得的弱预测器组合集成为BP-Adaboost强预测器,完成对建筑能耗的预测。案例仿真结果表明:与传统BP神经网络预测比较,该算法预测速度快、预测精度较高,其预测结果可为建筑节能方案的实施提供参考依据。