基于BP神经网络的堆积状不同品种茶叶识别研究

提出了一种对于堆积状不同品种茶叶的快速无损检测方法.所检测茶叶为自然颗粒堆积状,通过彩色相机拍摄茶叶彩色图像,经过图像预处理和灰度共生矩阵分析,获得茶叶纹理特征,经主成分分析后,得到3个特征参量作为BP神经网络模型的输入,建立模式识别模型.结果表明,该方法对于未知32个预测样本的识别率达到93.8%,实现了茶叶品种的无损快速检测,提高了茶叶在生产、加工、贸易过程中品种识别的准确性.

基于BP神经网络的高校学生成绩预警方法的研究

大学生的学习成绩与其学习行为具有相关性,通过学生的学习行为预测学生未来成绩,对提高教学质量有重大意义。“互联网+教育”教育模式的推广,更多教师借助在线教学平台辅助教学。通过借助超星在线教育平台获取学生的学习行为相关数据,构建基于BP神经网络的高校学生成绩预测模型,对学生期末考试成绩预测,实验证明该方法能有效地对学生成绩进行预测。

基于修正组合模型的包头市用水量预测分析

【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。

铜陵凤凰山铜矿区多源信息综合集成成矿预测模型探讨

在研究凤凰山铜矿区成矿地质背景和成矿作用过程的基础上,运用历史分析和动力分析的综合分析方法,结合现代成矿预测理论,提取了本区多元地学信息综合集成的成矿预测信息,并利用具有较强的非线性拟合功能的BP人工神经网络模型,探讨建立了本区多元信息综合集成的成矿预测模型。

污水处理过程COD指标集成软测量模型

针对污水处理过程中水质参数COD指标难以在线检测的问题,提出一种基于分布式改进BP神经网络和灰色预测的COD指标集成软测量模型。为反映污水处理过程的不同工况,采用满意聚类算法对数据样本进行聚类处理,将数据样本划分为若干个子样本集,利用改进BP神经网络方法分别为每个子样本集建立预测模型,计算当前输入数据与各个聚类中心的欧式距离,将欧式距离较小的部分预测模型的输出进行综合,得到分布式神经网络的COD指标预估值;为反映COD指标的时间相关性,基于COD指标历史数据采用改进灰色预测建模方法计算得到当前时刻COD指标的预估值;采用动态加权方法将获得两个COD指标预估值进行加权集成。仿真实验表明,集成软测量模型具有较好的预测性能,可以满足污水处理过程COD指标实时检测的精度要求。

建筑电能耗无线监测平台设计

提出了一种基于Wi-Fi技术的楼宇无线监测与管理系统。通过改进Levenberg-Marquardt训练算法的BP神经网络对建筑电能耗进行建模,采用LabVIEW开发平台,设计良好的人机交换界面,实时监测楼宇电能四项分类能耗,同时通过能耗模型对电能耗进行预测,为楼宇的运行管理提供用能定额方案和科学依据。通过测试及分析,结果显示能耗模型预测精度高、稳定,整个系统运行良好、实时性强。

核桃不饱和脂肪酸总量预测线性与非线性模型

为研究核桃的外观形状变化与内部营养成分累积的规律,以35个核桃品种的果实为试验材料,分析测定其脂肪、蛋白质、糖分、粗纤维、水分含量及外观指标,采用多元线性回归分析、主成分分析、BP神经网络等数学方法,建立核桃不饱和脂肪酸的预测模型。结果表明,基于16项常规理化及外观测定数据建立的线性模型(LM)和非线性模型(NLM)对核桃不饱和脂肪酸(UFA)总量、多不饱和脂肪酸(PUFA)和单不饱和脂肪酸(MUFA)预测的可靠性存在差异;NLM的可靠性优于LM,即RNLM>RLM;全因素的BP神经网络模型可用于MUFA的预测,预测的平均相对误差为0.59%,基于主成分的BP神经网络模型可用于UFA总量的预测,预测的平均相对误差为4.58%。本研究结果为核桃加工利用过程中原料选择、品质评价、质量控制等环节提供了相关的理论依据。

基于GA-SVM的矿区采空塌陷预测模型

论文提出了用遗传算法(GA)优化支持向量机(SVM)来预测矿区采空塌陷的方法。结合某矿区的实际塌陷情况,选取了17组采空塌陷数据作为训练样本,以覆盖层类型、覆盖层厚度、地质构造复杂程度、矿区倾角、采空体积率、采空区距地表的垂深和采空区空间叠置层数7个指标作为模型输入,采空区稳定程度作为模型输出,构建GA-SVM矿区采空塌陷的预测模型。然后利用该模型对工区5组采空塌陷数据进行预测,其预测结果与实际情况相符。为了验证提出的模型的优越性能,将得到的结果与BP神经网络模型和常规SVM预测的结果进行对比了结果表明GA-SVM预测模型比BP神经网络和常规SVM具有更高的精度,进一步验证了该模型的有效性和可靠性。