改良ANN-BP算法在炭黑工艺建模中的应用与研究

针对目前炭黑行业生产主要以经验为主的不利境况,将人工神经网络误差反向传播算法(ANN BP算法)用于炭黑工艺建模,比较三种ANN BP算法结果后,利用基于动量法和学习速率自适应调整改良的ANN BP算法建立了炭黑工艺参数与指标之间的非线性映射模型,并与多元线性回归、主成分回归建立的线性模型进行了比较.结果表明,改良ANN BP算法预测相对误差在5.6%以内,且有较好的容错能力,比较好的解决了炭黑生产过程中的预测模型构建问题.

基于ANN-BP模型的电子商务信用风险形成思路

企业生存风险的识别的本质是确定企业生存风险识别的模式和影响企业生存风险状态的各指标权重,但是众多影响因素间不存在确定的函数关系表达式,并且各指标权重的确定也相当复杂。人工神经网络(ANN)基于并行处理机制从结构上对人类的思维过程进行模拟,从而能实现人类思维的某些功能。人工神经网络可以实现任意形式的映射,这就为企业生存风险识别提供了一种新的思路。基于人工神经网络(ANN)的电子商务信用风险模式识别,能够充分利用样本电子商务信用风险的有关信息,通过高度的非线性映射,揭示感知信用风险与其相关影响因素即主要诱因的内在作用机理,从而从根本上克服了感知信用风险测度或识别中建模及其求解的困难。

基于BP-ANN与RBF-ANN的钢筋与混凝土黏结强度预测模型研究

为研究神经网络对钢筋与混凝土黏结强度的预测能力以及神经网络的输出性能,基于大量的试验数据,提出一种基于改进神经网络的变形钢筋与混凝土黏结强度预测模型,对混凝土结构的研究与实际工程应用均有着重要的意义。收集290组黏结锚固试验数据,引入基于反向传播人工神经网络(BP-ANN)与径向基函数神经网络(RBF-ANN)算法,揭示混凝土强度、保护层厚度、钢筋直径、锚固长度及配箍率对变形钢筋与混凝土黏结性能的影响规律,建立基于改进神经网络算法的钢筋与混凝土黏结强度预测模型。对比分析不同数据预处理方法和训练神经元个数对建议模型预测结果的影响,评估各经典模型与建议模型的预测精度和离散性,提出临界锚固长度计算公式。结果表明:BP-ANN预测值与试验值比值的均值、标准差及变异系数分别为1.009、0.188、0.86,其预测精度略高于RBF-ANN;建议模型能够更准确、更稳定地预测钢筋与混凝土的黏结强度,该方法为解决钢筋与混凝土黏结问题提供了新思路。

基于激光诱导击穿光谱的瞬态温度测量方法

温度是影响材料力学性能的重要因素之一,准确测量器件温度是认识材料在应力作用下其力学性能演变以及评估设备健康状态和寿命的重要方式。面向功率器件开关过程中焊接界面快速温变测量的需求,传统方法存在时间分辨能力不足、难以测量瞬态温度的问题。文中基于激光诱导元素特征谱线强度与温度的密切相关性,提出了一种微秒量级时间分辨能力的表面温度测量方法,并建立了样品表面温度与光谱特性之间的定量关系。研究结果表明,物质表面温度提升导致激光诱导等离子体光谱强度和信噪比增强,且增强效果受到光谱采集延时和门宽影响。采用反向传播-人工神经网络(back propagation-artificial neural network,BP-ANN)和偏最小二乘(partial least squares,PLS)法对表面温度与光谱特性关系定量拟合并校准,拟合模型线性相关性拟合度指标均大于0.99。BP-ANN拟合模型的拟合偏差更小,其均方根误差(root mean squared error,RMSE)为2.582,正确率为98.3%。该方法为物体瞬态温度测量提供了一种有效手段,对功率器件焊接界面健康状态的评估给予了有力支撑。

基于SERS的苹果树腐烂病原菌早期侵染检测

为了早期诊断由黑腐皮壳真菌(Valsa mali Miyabe et Yamada)引起的苹果树腐烂病,该研究基于表面增强拉曼光谱(surface-enhanced Raman scattering,SERS)技术,以腐烂病菌丝、病原菌丝侵染的苹果树和健康的苹果树枝作为研究对象,结合S-G平滑和迭代自适应加权惩罚最小二乘法进行拉曼光谱预处理,经解析发现病原菌丝与染菌样本在1 598、1 595 cm^(-1)和2 930、2 925 cm^(-1)附近敏感谱峰明显区别于健康样本。重复试验分析发现,病原菌侵染可致寄主特征谱峰偏移以及谱峰强度改变:健康样本在1 286 cm^(-1)附近的特征峰随病原菌的侵染偏移至1 365 cm^(-1)附近;健康样本在1 286与1 587 cm^(-1)附近的谱峰强度比值小于0.5,染菌样本在1 365与1 595 cm^(-1)附近的谱峰强度比值大于0.5,而菌丝在1 327与1 598 cm^(-1)附近的谱峰强度比值大于1.0;1 595 cm^(-1)附近谱峰强度因染病而增强。构建BP神经网络模型进行早期染病样本的快速判别,识别率达90%以上。研究表明SERS技术结合BP神经网络可以准确识别苹果树腐烂病原菌丝,从而进行苹果树枝腐烂病的早期诊断,为植物病害的早期快速诊断和病害发生预警提供了研究思路和有效手段。

基于信息熵理论的BP-ANN结合CCD-RSM优化黄连-黄柏提取工艺研究

目的基于熵权法结合星点设计-效应面法(CCD-RSM)和误差反向传播人工神经网络(BP-ANN)建模优化黄连-黄柏的提取工艺。方法采用HPLC测定表小檗碱、黄连碱、巴马汀、小檗碱的含量,应用UV测定总生物碱的含量,并计算提取量。采用信息熵理论对上述5个指标的的提取量与干膏得率进行综合评分,以CCD-RSM的13组数据作为训练数据,采用BP-ANN进行建模及分析,以综合评分作为考察指标,仿真模拟预测黄连-黄柏最佳提取工艺参数。结果最佳提取工艺为加11倍量水煎煮2次,每次煎煮95 min,此时综合评分达到最大值106.41。结论BP-ANN建立的数学模型具有良好的预测性,优化的提取工艺高效、稳定、可行。

含Ⅰ型边缘裂纹离心叶轮的应力强度因子预测方法

离心叶轮叶片在高速旋转时容易因裂纹扩展出现断裂破坏。由于叶片几何形状和载荷均很复杂,采用公式法计算I型裂纹的应力强度因子不可避免地存在着误差。扩展有限元法分析应力强度因子虽精度较好,但一般要花费大量的计算时间且有时收敛困难。首先基于ABAQUS软件扩展有限元法模块,仿真分析了不同的裂纹起始位置和裂纹长度下的叶片裂纹尖端应力强度因子,得到其与裂纹长度和起始位置的关系。接下来,基于断裂力学理论知识,检验了公式法估算应力强度因子的准确度。最后,以扩展有限元法的仿真结果为训练数据,以叶片裂纹位置和裂纹长度为输入参数,建立了裂纹尖端应力强度因子的多层反向传播人工神经网络(back propagation artificial neural network, BP-ANN)。算例表明,BP-ANN的预测精度优于公式法,并可有效减少扩展有限元法的仿真次数,推进断裂力学在离心叶轮可靠性设计中的应用。

基于矿物组分的岩石抗钻特性评价及应用

PL区块沧浪铺组地层岩石非均质性强,钻井提速困难,严重制约了油气勘探开发进度。因此,精确评价地层岩石的抗钻特性对优选钻头、提高钻井时效具有重要意义。本文采用BP-ANN模型建立了基于矿物组分含量的地层抗钻参数预测模型,首先基于实验数据进行皮尔逊相关性分析,筛选模型输入变量;其次利用Leave-One-Out-Cross-Validation(LOOCV)数据集划分方法,以均方误差(MSE)、决定系数(R 2)和批次(Epochs)三种指标对BP-ANN模型进行训练并评估其性能;最后使用训练后的BP-ANN模型对该区域沧浪铺组地层岩石进行抗钻特性评价,在已有钻头的基础上,依据岩石抗钻参数优化钻头设计并应用于现场。研究表明:①训练后的BP-ANN模型可以准确预测PL区块PT101井沧浪铺组地层岩石的抗钻参数,预测精度大于90%;②基于地层岩石抗钻特性的钻头优化方案在PT101井取得了良好的应用效果,相较于邻井同层位钻头,平均机械钻速提高约110%,单个钻头进尺超过200 m,现场提速效果明显。文章研究结果可以准确评价地层岩石的抗钻特性,为钻头选型、优化提供理论依据。

大豆叶绿素含量高光谱反演模型研究

叶绿素是植物体进行光合作用、进行第一性生产的重要物质,能够间接反映植被的健康状况与光合能力,同时也能反映植被受环境胁迫后的生理状态。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。该研究实测了不同水肥耦合作用下,大豆冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;采用特定叶绿素敏感波段建立了植被指数叶绿素估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行了叶绿素含量的估算。经对比发现叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致,在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R2>0.736),但是人工神经网络模型可以大大提高大豆叶绿素含量的估算水平,当隐藏层节点数为4时,R2大于0.94,随着隐藏层节点数的增加,R2可高达0.99,表明神经网络模型可以大大提升高光谱反演大豆叶绿素含量的能力。

ANFIS在植被叶绿素含量高光谱反演中的应用

利用ASD便携式野外光谱仪和SPAD-502叶绿素计实测了落叶阔叶树法国梧桐、毛白杨叶片的高光谱反射率与叶片绿度,建立了10个常见植被指数叶绿素含量估算模型,并采用相关系数较大波段作为BP人工神经网络模型(ANN-BP)的输入变量进行了叶绿素含量的估算,将自适应神经模糊推理系统(ANFIS)应用到植被叶绿素含量高光谱反演中。结果表明:10个常见植被指数中归一化植被指数可以较为精确反演叶绿素含量,法国梧桐、毛白杨归一化植被指数回归模型确定性系数R2分别为0.795 7和0.754 6,法国梧桐、毛白杨ANN-BP预测值与实测值之间的线性回归的确定性系数R2分别为0.935 2和0.917 1,ANFIS可以大大提高反演精度,法国梧桐、毛白杨预测值与实测值之间的线性回归的确定性系数R2分别为0.9998和0.995 6,是一种良好的植被叶绿素含量高光谱反演模式。

融雪期积雪深度高光谱反演方法研究

积雪在干旱区的水分平衡中发挥着极为重要的作用,积雪深度的监测主要依靠地面站点观测和遥感反演等技术,高光谱遥感为快速、大面积监测积雪的物理特性提供了可能。通过对融雪期不同厚度积雪表面的反射光谱以及积雪深度数据的观测,进而对二者进行相关性分析;采用相关性较高同时也是特征吸收谷的波段数据建立单波段雪深回归模型;采用呈显著相关的波段进行逐步回归,选用贡献率最高的波段作为神经网络模型的输入变量进行积雪深度的反演研究。结果表明:在天山北坡中段的军塘湖流域地区,1 022,1 241和1 492nm附近是积雪的特征吸收谷;相比单波段反演雪深模型的估算精度(R2=0.53),BP神经网络模型具有更高的雪深反演水平,当隐含层节点数为4时,R2为0.86,RMSE为0.67,表明神经网络模型可以显著提高高光谱数据反演积雪深度的能力。

基于人均GDP差异的生活用水量模拟及增长潜力分析

【目的】分析城市居民人均生活用水量的增长潜力,为保障城市用水安全提供决策依据。【方法】以2009-2011年858个中国城市用水及相关数据为研究对象,应用线性回归模型、幂函数模型、对数函数模型和ANNBP模型,基于人均GDP的差异分别建立人均生活用水量模型,进行人均生活用水量的增长潜力分析。【结果】在不同的人均GDP水平下,模型对于高收入的数据样本最为敏感;线性回归模型、幂函数模型和ANN-BP模型的模拟效果较为接近,对数函数模型的误差最大。人均生活用水量增长潜力最大的是年人均GDP低于3万元的城市,增长潜力最小的为年人均GDP〉3~≤10万元的城市。【结论】基于人均GDP差异可以进行生活用水量的模拟与预测,人均GDP小于3万元的城市将成为人均生活用水量增加的主要来源。

基于人工神经网络的大豆叶面积高光谱反演研究

目的探索不同高光谱模型监测大豆叶面积指数LAI的精度。方法实测不同水肥耦合作用下,大豆冠层的高光谱反射率与叶面积指数(LeafAreaIndex)数据,对二者进行相关分析;采用敏感波段(801nm,670nm)构建RVI,NDVI,SAVI,OSAVI和MTVI2植被指数,建立大豆LAI估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。结果大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正;微分光谱在三边处与大豆LAI关系密切,在红边处取得最大回归确定性系数(R2=0.86)。植被指数可以较为精确反演大豆LAI,确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平,当隐藏层节点数为2时,R2为0.92,随着隐藏层节点数的增加,R2可高达0.96;在没有黄熟期数据干扰的情况下,神经网络可以进一步提高大豆LAI的反演精度,R2可高达0.99。结论与基于植被指数建立的模型相比,神经网络模型可以有效避免因LAI过高而出现的过饱和现象,大大提高了LAI的反演精度。

近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究

为探究无损鉴别转基因大豆的可行性,利用近红外光谱分析仪对大豆扫描得到反射光谱,应用主成分分析结合BP神经网络方法进行分析鉴别。首先应用主成分分析法,得到包含大豆99.03%的光谱信息的6个主成分,再将其作为BP神经网络的输入,对应的大豆种类作为输出,建立一个三层BP神经网络模型。该模型对于转基因大豆的正确识别率为100%,说明近红外光谱结合主成分分析和BP神经网络的方法能无损快速准确地鉴别转基因大豆。

PLS-BP法近红外光谱同时检测饲料组分的研究

建立了用偏最小二乘(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对饲料样品同时测定水分、灰分、蛋白质、磷含量的预测校正模型。光谱数据用二阶微分及标准归一化处理(SNV),用PLS法将原始数据压缩提取前10个主成分与2个特征峰值作为12个输入向量,采用单隐层的反向传播人工神经网络(Back-Propagation Network,BP),确定中间层的神经元个数为23,初始训练迭代次数为1000。PLS-BP模型对样品四个组分含量的预测决定系数(r2)分别为:0.9950,0.9980,0.9990和0.9670;样品平行扫描光谱预测值的标准偏差分别为:0.02774,0.04853,0.03292和0.02204。

吉林查干湖水体叶绿素a含量高光谱模型研究

叶绿素a含量能够在一定程度上反映水质状况,高光谱遥感可有效反演叶绿素a含量．该研究通过分析水体叶绿素a浓度与其高光谱反射特征之间的相关关系,采用单波段相关分析、波段比值、微分光谱和神经网络模型等多种算法建立了叶绿素a高光谱定量模型．结果表明:叶绿素a与单波段光谱在蓝、绿波段相关系数较低,而在红光与近红外波段有明显提高,微分光谱也表现出同样的趋势;反射率比值算法模拟效果好于线性回归法;神经元网络模型可以大大提高实测光谱数据的反演能力,确定性系数高达0．95．这为今后利用星载高光谱传感器在查干湖进行叶绿素a浓度大面积遥感反演提供了研究基础．

基于神经网络的公路边坡冲刷量模拟计算

神经网络模拟采用三层前馈网络模型 ,输入层有 3个结点 ,分别代表 3 0min降雨强度、降雨历时和降雨量 ,表示冲刷外因 .输出层只有一个结点 ,代表坡面冲刷量 ;隐层结点数采用 7个 ,即土压实度、坡度坡长、径流流速、径流流量、土颗粒粘聚力、植被指数和人为干扰等 ,为影响冲刷量的主要因素 .为了验证模型 ,在连徐高速公路路堤边坡用SR型人工降雨设施进行冲刷试验 ,得到冲刷量实测资料 ,将通过模型计算的冲刷量值与之比较 ,显示了模型具有较好的模拟预测效果 .

人工神经网络模型在地下水水质评价分类中的应用

人工神经网络(ArtificialNeuralNetwork以下简称ANN)是一种行之有效的数据处理和分析方法,它的应用领域不断扩大并逐渐完善,本文在传统ANN方法基础上进行了进一步的探讨,立足于BP算法,通过调整ANN输出结构,提高其鲁棒性能,从而使其更具有适应性。将改进后的ANN应用于地下水水质评价分类,并和模糊综合评判评价结果进行了比较,分类结果令人满意。

受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型

通过野外实验测试和室内样品化验,获得3个不同污染状况农田样地自然环境下玉米的高光谱反射率、叶片的叶绿素含量、叶片和土壤的重金属含量等数据。对高光谱数据的可见光波段(400～800 nm)进行导数光谱计算和连续统去除处理,得到吸收谷位置、吸收深度、绿峰位置、绿峰处归一化反射值、红边位置、红边处归一化反射率、红肩位置、吸收宽度、光谱不对称度等光谱特征参数。分析上述参数的物理含义并将其和玉米叶绿素含量变化进行相关分析,选择并确定与玉米污染胁迫叶绿素微小变化有一定关系的参数,作为输入因子,建立BP神经网络模型,逐步增强并提取农田污染胁迫状态下玉米叶绿素含量的微小变化信息。

应用实测光谱估算千岛湖夏季叶绿素a浓度

依据2010年8月的实测数据构建了千岛湖水体夏季叶绿素a浓度的实测光谱数据估算模型,并进行了验证.利用ASD FieldSpec3野外光谱仪获取高光谱数据,计算水体离水辐亮度和遥感反射率.通过寻找反演水体叶绿素a浓度的高光谱敏感波段,采用单波段相关分析、波段比值、微分光谱、三波段模型、BP人工神经网络等多种算法进行比较分析,结果表明:叶绿素a浓度与单波段光谱反射率的相关性不大;596 nm和489 nm波长处反射率比值、545 nm处光谱一阶微分与叶绿素a浓度均呈较显著相关,估测模型决定系数R2分别为0.782、0.590,RMSE分别为0.89、1.98μg/L;三波段模型的反演结果优于传统的波段比值和一阶微分法,R2为0.838,RMSE为0.71μg/L;神经网络模型大大提高了叶绿素a浓度的反演精度,R2高达0.942,RMSE为0.63μg/L.本研究为今后在千岛湖水域的夏季相邻月份进行叶绿素a浓度大范围遥感反演研究奠定了基础.