基于MIV-PSO-BPNN的掘进面风温预测方法

目的为防治矿井热害,解决矿井掘进面风温预测问题,方法提出一种MIV算法优化的PSO-BPNN预测模型。通过利用MIV算法确定模型的输入变量,以BP网络建模,使用粒子群优化算法结合BP神经网络实现掘进工作面风流温度的预测,得到预测结果并与BPNN模型、PSO-BPNN模型、SVR模型相比较。结果结果表明:MIV-PSO-BPNN预测模型的相对误差为-0.47%~1.81%,分别优于PSO-BPNN、BPNN、SVR预测模型的-3.96%~1.93%,-5.54%~2.98%,-2.16%~2.95%,预测模型的误差为-0.1~0.5℃,表明预测值与实测值基本一致;与BPNN预测模型、PSO-BPNN预测模型、SVR预测模型相比,MIV-PSO-BPNN预测模型的预测结果平均绝对误差分别减少65%,54%,50%,均方误差分别减少88%,78%,69%,表明该预测模型的预测效果优于其他3种模型。结论所提模型适用于矿井掘进工作面风温的预测。

基于LSTM⁃MIV神经网络的SF_(6)断路器触头电寿命预测

文中基于LW30⁃40.5型SF_(6)断路器全寿命烧蚀试验数据,采用归一化异常指数F反映断路器触头剩余电寿命,0表示电寿命完备,1表示电寿命耗尽。根据断路器分闸动态电阻—行程曲线,提出了将动态电阻—行程曲线上行程大于8 mm且电阻值大于500μΩ的第一个峰值点作为断路器主触头接触阶段与弧触头接触阶段分界点。据此得到反映断路器触头异常指数F的5个特征参数,采用皮尔逊相关系数法对特征参数进行独立性分析。通过LSTM神经网络建立了基于特征参数与异常指数F之间的回归预测模型,F回归预测均方差和绝对平均误差分别为0.014921和0.013053,采用MIV方法确定了各特征参数对异常指数F影响权重。

基于BP-MIV的地铁磁感应电压影响因素贡献度分析

地铁牵引电流在列车运行中动态变化,导致周边电网回路中产生磁感应电压,由此产生的感应电流是致使变压器发生直流偏磁的关键因素之一。磁感应电压的产生受多种因素影响,为定量分析不同影响因素对其贡献度的大小,首先利用磁感应电压公式推导出地铁磁感应电压的主要影响因素,其次建立“地铁线路-输电线”磁耦合边界元模型,仿真分析关键因素对感应电压的影响,在列车平稳运行阶段,感应电压受影响很小,在1 000 m处,感应电压已衰减了90%,继而构建了产生磁感应电压的反向(back propagation,BP)神经网络,并采用平均影响值(mean impact value,MIV)解析各个影响因素对磁感应电压的贡献度。结果表明,等效回路中磁感应电压更易被等效回路长度影响,其贡献度为44.38%,相对距离的贡献度最小,仅为21.31%。因此,电力系统构成等效回路的面积是影响最终在闭合回路中产生磁感应电压值的最重要因素。

成员动机、组织环境视角下项目型组织成员知识转移效果——基于SVM-MIV方法兼与BPNNs-MIV、LR的对比分析

采用BP神经网络、支持向量机方法研究项目型组织成员知识转移动机、组织情景对其知识转移效果的影响,避免条件假设所带来的人工误差。研究证实组织目标一致性、组织凝聚力、组织支持感等组织情境因素对组织成员知识转移动机的差异化影响,为促进项目型组织知识转移的实现提供理论借鉴,并为今后社会科学问题的实证研究方法提供新的思路。

基于BP神经网络和MIV算法的高价值专利预测与影响因素分析

通过设计专利价值的多维评估指标,筛选出已公认的高价值专利作为预测目标向量,构建训练集和测试集,运用BP神经网络模型进行潜在高价值专利的自动预测,同时借助MIV算法分析专利价值各维度指标对模型预测结果的贡献和影响程度。研究发现:(1)BP神经网络模型的预测性能较优,预测准确率全部达到89%以上,其中“专利家族规模”评估出高价值专利为预测目标向量的BP神经网络模型表现最优,而“专利家族规模”与“专利被引频次”组合指标评估出高价值专利为预测目标向量的识别模型表现相对较差。(2)MIV绝对值能够有效反映专利价值各维度指标对模型预测结果的影响和贡献程度,其中技术价值维度指标对高价值专利预测结果的影响最为显著。从单个指标的MIV绝对值和总占比来看,专利IPC4分类数、首次被引速度、权利要求数和专利被引频次对各模型高价值专利预测结果的影响程度较大。

基于MIV-GA-BP模型的农产品冷链物流需求预测

生鲜农产品冷链物流受到大众的关注与政策的支持,面对行业统计工作滞后,影响需求预测的因素众多等问题,提出一种MIV-GA-BP模型的农产品冷链物流需求预测方法。使用MIV算法筛选出对需求预测结果有较大影响的指标,实现提高模型预测精度的目标。研究结果表明:建立的农产品冷链物流需求预测模型具有较高的精确度和较好的拟合能力,能够有效地反映需求的波动与变化趋势,为农产品冷链物流研究提供预测参考。

基于MIV-PSO-BPNN的光伏出力短期预测分析

阐述应用MIV-PSO-BPNN模型进行光伏出力短期预测,结果表明,在雨天和晴天以及多云条件下,MIV-PSO-BPNN预测模型的预测效果与光伏电站实际出力曲线最为接近。在不同的天气条件下,MIV-PSO-BPNN预测模型在选择输入量时,探讨可以筛选出具有较强相关性的影响因素,并对模型网络的权值与阈值进行优化处理。

基于MIV-BP型网络实验的房地产项目风险识别研究

为了更准确更客观地识别房地产项目中的风险,为房地产项目投资决策提供科学依据和参考,有效地规避风险,本研究在BP神经网络(Back-Propagation Neural Network)建模的基础上,采取MIV(Mean Impact Value)算法对BP神经网络模型进行变量筛选的网络优化和改良,从而形成新的优化后的MIV-BP(Mean Impact ValueBack-Propagation Neural Network)神经网络,并以此用于评价房地产项目中的风险度以及各因素在风险度中的影响作用大小;同时选取目前相关的房地产项目数据进行仿真实证分析和验证。验证实验结果表明,MIV-BP型神经网络对于房地产项目风险度识别具有良好的适应性和准确性,实验结果客观,达到专家评价的要求,并在风险因素作用度分析上具有良好的应用价值。

基于MIV的BP神经网络磷酸铁锂电池寿命预测

针对锂离子电池循环寿命衰减问题,为了能更加准确地对锂离子电池的循环寿命进行预测,对磷酸铁锂电池全生命周期进行循环充放电测试,获得其相关性能参数,提出基于BP神经网络分析方法建立寿命预测模型。在预测模型基础上,运用平均影响值(MIV)算法筛选模型的输入参数。结果表明,所建立的电池循环寿命预测模型具有较高的精度,符合电池的实际运行特性,对解决电池寿命评估周期长和成本高等问题具有重要意义。

基于MIV和BRBP神经网络的电路板红外诊断方法

针对BP神经网络对于海量数据训练及多维数据训练收敛困难的问题,在使用增加动力项、自适应学习速率等方法的基础上,引入均值影响度算法(MIV)构造了贝叶斯正则化反向传播(BRBP)神经网络,以此提高电子线路板红外故障诊断算法的效率。利用红外测温方式,获取了不同室温及运行状态下电路板中21个元器件温度数据。将此21个参数作为故障诊断模型的初始输入变量,经过MIV算法简约为12个参数输入至BRBP神经网络,进行故障评估和诊断。结果表明:相对于传统的BRBP神经网络,本文设计的基于MIV和BRBP神经网络模型诊断方法极大简化了数据训练的数据量并解决了数据收敛的困难,因此效率更高,用时更省。

基于MIV-BP型的喀斯特地区水资源安全影响因素分析

[目的]分析喀斯特地区水资源安全的影响因素及其影响趋势,提出促进喀斯特地区水资源安全的措施与建议。[方法]采用贵州省近10a的数据,建立BP型网络模型计算平均影响值(mean impact value,MIV),对其影响因素进行实证分析。[结果]地下水供水比例、工业用水率、水资源利用率、人均粮食产量以及产水模数是水资源安全的阻碍因素。其中产水模数的影响程度呈现波动中逐年递减趋势,其余4个阻碍因素影响程度均显示逐年增强;工业固废综合利用率、工业废水排放达标率、中度以上石漠化面积比、单位GDP需水量以及地下水开发利用程度共同构成了水资源安全的驱动因素。从时间顺序来看,单位GDP需水量和地下水开发利用程度的影响趋于稳定,中度以上石漠化面积比因子对水资源安全影响越来越显著。工业废水排放达标率的影响逐年减弱,而工业固废综合利用率的影响情况波动比较大。[结论]模型计算表明,MIV-BP模型在喀斯特地区水资源安全影响因素研究方面具有一定的现实可行性。

基于MIV-改进RBF神经网络的大坝变形监测模型

针对常规径向基函数(RBF)神经网络模型无法选择显著预报因子和易陷入局部最优解的问题,建立一种融合平均影响值(MIV)、改进果蝇算法(FOA)和RBF神经网络的大坝变形监测模型.通过引入MIV对水压、温度、时效三类预报因子进行筛选,并利用改进FOA算法获得RBF神经网络模型中最佳的spread值,以提高模型的稳定性和预报精度.为验证模型的有效性,以某混凝土重力坝位移监测数据为例,分别建立多元线性回归模型、常规RBF模型、MIV-RBF模型和MIV-改进RBF模型.研究结果表明MIV-改进RBF神经网络大坝变形监测模型预测稳定、精度高,预报效果好.

基于MIV特征筛选和BP神经网络的三维人体参数转换

在BP神经网络建模技术的基础上,提出引入平均影响值(MIV)算法筛选采集的变量参数,构建三层前馈神经网络求解三维人体建模参数的方法.结果表明,通过逐步删除后10%序位的参数变量,所建模型的最大误差为0.23,平均误差为0.058 667,训练精度为4E-3,预测精度为94.2%,可用于实际三维试衣时的参数计算.

基于MIV与RBF神经网络的滚珠丝杠故障诊断

滚珠丝杠故障特征值引入平均影响值(MIV)的特征值筛选方法,剔出冗余特征值,减少了特征向量数;设计了径向基(RBF)神经网络,并建立了基于MIV与RBF神经网络的滚珠丝杠故障识别模型。经试验,对"未筛选-BP"、"未筛选-RBF"和"MIV-RBF"三种诊断模型进行对比分析研究,结果表明:"MIV-RBF"训练步数少、收敛快、诊断精度高,是一种较为理想的滚珠丝杠故障诊断方法。

基于MIV-BP神经网络的公交场站污染物暴露水平测评

为了研究城市居民在公交场站污染物暴露水平下的影响程度,分析交通、公交场站、气象条件及周边环境对污染物浓度的影响,通过测量早晚高峰以及平峰期间的PM2.5浓度、CO浓度、风速、温度、车流量等10个因素,采用平均影响值(MIV)与BP(back propagation)神经网络相结合的方法,确定公交场站污染物暴露水平的主要影响因素,并在此基础上建立MIV-BP神经网络测评模型。评估结果表明:公交场站PM2.5的暴露浓度与公交停靠站类型、车流量、小车流量、大车流量、风速、湿度、降雨量有关;CO的暴露浓度与瞬时停靠车辆数、公交停靠站类型、湿度、风速、温度、车流量有关;改进后的MIV-BP神经网络模型较BP神经网络具有更高的预测精度和准确度,可有效对公交场站污染物暴露水平进行测评。

基于BP-MIV的风电调峰受阻电量影响因素贡献度分析

随着风电装机容量的不断增长,弃风电量也随之增加,研究弃风电量的影响因素势在必行。为此,提出了一种风电调峰受阻电量影响因素贡献度计算方法。以影响因素为输入,风电调峰受阻电量为输出,构建了反向(back propagation,BP)神经网络模型;应用平均影响值(mean impact value,MIV)算法,计算各影响因素的贡献度;利用我国西北某电网2018年运行数据进行案例分析。结果表明,本文所提方法能对风电调峰受阻电量影响因素进行量化分析,明确影响因素的重要程度,为促进风电消纳提供理论基础。

农用拖拉机不同工况下排放特性

正确解析拖拉机不同工况排放特性是编制排放清单以及分析和控制区域污染物排放的基础。基于实测数据对不同工况下CO、HC、NOX和PM四种污染物排放特征进行分析。同时分析单一工况参数与污染物排放之间的关联性,并基于BP-MIV模型定量分析不同工况转速、油耗流量以及速度对不同污染物排放的影响。结果表明:CO、HC、NOX和PM四种污染物耕作模式下的瞬时排放速率分别为0.0416 g/s、0.0132 g/s、0.088 g/s、0.0116 g/s,高于行走和怠速模式;4种污染物基于油耗的CO、HC和NOX的排放因子表现为旋耕工况下最低。分析单一工况参数与污染物排放之间的关联性,发现发动机转速对污染物排放速率的影响最大。对转速、油耗流量以及速度对瞬时排放速率的影响进行量化,怠速工况下油耗流量对4种污染物的影响最大,而在耕作工况下3种影响因素对于4种污染物的影响程度则各不相同。针对新疆农用拖拉机不同工况下污染物排放的研究有助于厘清农机污染物排放特征,为区域性大气污染联防联控提供数据保障。

基于支持向量机MIV值的水路运输货运量影响因素识别

客观识别水路运输主要影响因素是科学预测水路运输货运量的先行工作,传统的统计学、计量经济学研究方法具有严格的统计假设,在一定程度上限制了分析方法的使用。文中把MIV值引入到支持向量机回归模型,以福建省水路运输货运量影响因素识别为实证研究,并利用识别的影响因素对水路运输货运量进行模拟预测,结果表明,总体的相对误差为2.85%,精度较高,该方法有助于识别水路运输货运量的主要影响因素,对于识别此类经济变量的主要影响因素具有借鉴意义。

基于平衡记分卡的环保企业价值评估体系构建

近年来,环保企业在经济中的地位愈发重要。然而,现有的价值评估体系未能充分反映其独特的经营特征和需求,过于注重财务指标。为了对环保企业的价值评估更加全面、清晰,从平衡计分卡的视角出发,初步选取110家A股上市环保公司的价值评估指标,并在其财务维度补充经济增加值(EVA)指标,随后进行灰色关联分析及平均影响值(MIV)分析做指标约简处理,构建了4个层次共17个指标的环保企业价值评估体系。分析结果表明:非财务指标的相对贡献率达33.23%,反映了非财务因素在环保企业价值评估的重要性。侧面验证了平衡记分卡视角下构建的环保企业价值评估体系,能够提供比传统方法更全面和科学的评价。

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(MIV)算法对预测模型的输入变量进行了分析和筛选。在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差。测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优。