正交实验结合AHP和GA-BP神经网络优化益黄散醇提工艺

目的 优化益黄散的醇提工艺。方法 采用回流提取法,以乙醇体积分数、液料比、提取时间为考察因素设计正交实验,以橙皮苷、川陈皮素、橘皮素、没食子酸、诃黎勒酸、诃子酸、甘草苷、甘草酸、丁香酚含量和干浸膏得率为指标,采用层次分析法(AHP)进行赋权并计算综合评分。通过验证正交实验和遗传算法(GA)-反向传播神经网络(BP神经网络)所预测的结果确定益黄散最佳醇提工艺参数。结果 正交实验优选的最佳醇提工艺参数为乙醇体积分数60%、液料比14∶1(mL/g)、提取时间90 min、提取2次,验证所得综合评分为79.19分;GA-BP神经网络优选的最佳醇提工艺参数为乙醇体积分数65%、液料比14∶1(mL/g)、提取时间60 min、提取2次,验证所得综合评分为85.30分,高于正交实验所得结果。结论 采用正交实验结合GA-BP神经网络的寻优方法较传统的正交实验寻优方法效果更佳,其优选出的益黄散最佳醇提工艺稳定可靠。

基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

基于DBO-BP的工业机器人定位误差补偿方法

为提高工业机器人绝对定位精度,提出一种基于DBO-BP与离线前馈校正相结合的方法。该方法适用于工业机器人定位误差补偿研究。通过使用拉丁超立方抽样法获取工业机器人的位姿样本,并利用BP神经网络建立误差预测模型,应用DBO优化算法改善了局部最优现象,从而提高了模型的收敛性和鲁棒性。经过离线前馈补偿处理后,降低了工业机器人定位误差,大幅提高了机器人绝对定位精度。这种方法能够有效提高机器人的精度和稳定性,并为工业机器人的精准定位问题提供了可行的解决方案。

基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明:CSSA-BPNN模型的平均相对误差为4.11%,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.395 0 MPa,平均绝对误差为0.359 2 MPa,决定系数为0.995 2,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。

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IPSO-BP的船舶航迹预测研究

目的面对复杂的海上交通及密集的物流交通流,及时有效地对船舶航迹进行跟踪预测显得尤为重要,针对传统船舶航迹预测方法精确度低且效率低下的问题,提出一种改进方法。方法在船舶自动识别系统(Automatic Identification System,AIS)数据的基础上,建立改进粒子群算法(IPSO)与BP神经网络相结合的船舶轨迹预测模型,利用船舶历史航行轨迹数据,实现对未来船舶运动的预测。选取宁波舟山港的船舶历史轨迹数据进行实验,并将IPSO-BP模型的实验结果与其他模型进行比较。结果不同模型航迹预测对比结果表明,IPSO-BP模型的性能较好,其预测精度较高,适用于船舶轨迹预测。结论使用IPSO-BP模型能够更加精准地预测船舶航迹,在船舶危险预警、船舶异常监测等方面具有重要的指导作用。

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K-means聚类和BP神经网络的电梯能耗实时监测方法

针对现有方法在对电梯能耗进行监测时,存在监测精度低、用时长、监测结果不理想的问题,该文提出一种基于K-means聚类算法和BP神经网络相结合的电梯能耗实时监测方法 .在经过清洗的能耗数据中提取影响建筑能耗实时监测的主要因素特征值,利用相似系数法进行相似度计算,获取相似系数.对相似电梯能耗数据进行小波分解获取高低频序列,分别采用LSSVM-GSA检测方法和均方加权处理方法对低频和高频部分进行处理,将两个结果进行重构,得到最终的实时监测结果 .仿真实验结果表明:所提方法能够获取高精度、低耗时、高稳定性的监测结果 .

基于改进PSO-BP神经网络的热采管柱应力预测

稠油热采过程中,油套管柱由于在温度、地层等多重载荷作用下发生塑性形变进而导致断裂或失效。文中根据热采管柱高温服役工况,引入异步变化学习因子和自适应权重建立输入参数为注汽温度、井深、非均匀系数和水泥环温度,输出参数为套管应力的改进PSO-BP模型。文中以N80热采套管为例,选取260、280、300、320、340℃5种温度工况下有限元模拟结果作为训练数据,对比BP模型、GA-BP模型、MEA-BP模型、PSO-BP模型和改进PSO-BP模型在300℃工况温度下井深200、300、400、500、600、700 m处套管应力的预测值和试验值、有限元计算值。结果表明:改进PSO-BP模型预测的应力与试验值最接近,最大和最小误差分别为2.69%和0.06%。最后从训练数据、预测误差、计算时间等方面对建立的改进PSO-BP模型进行了评价,为热采管柱服役过程中的强度安全分析提供智能高效的模型。

基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na^(+)+K^(+)浓度、Ca^(2+)浓度、Mg^(2+)浓度、HCO_(3)^(-)浓度、SO_(4)^(2-)浓度、Cl^(-)浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果。研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6%,在测试集上的识别准确率达100%。②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高。③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分。

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GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明:采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验,通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法,将零序电流信号的各种特征量进行提取,经过故障测度函数计算得到故障测度数据,将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试,讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异,输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明,综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法,且其选线速度与精度优于单一BP神经网络,能够更快速、有效地进行故障选线,满足配电网故障选线要求。

基于布谷鸟—BP神经网络的页岩脆性指数预测研究

页岩储层具有低孔隙度、低渗透率的物理性质,因此在页岩气开采中往往需要对其储层进行压裂处理,而页岩储层的可压裂性可用脆性指数来评价。目前应用最广泛的岩石脆性指数计算方法是基于矿物组分法。基于矿物组分法计算获得岩心页岩脆性指数(BI),利用BP神经网络的自我学习能力,探寻测井参数与页岩脆性指数(BI)之间的非线性关系,再结合布谷鸟(CS)算法的全局优化能力和稳定性来提升BP神经网络的预测精度和稳定性,从而建立基于CS—BP神经网络的页岩脆性指数预测模型。使用CS—BP预测模型对研究区Y1井和Y2井两口井进行了页岩BI值预测,其预测结果显示:CS—BP预测值与岩心BI值的变化趋势基本一致;CS—BP预测值总体预测效果较好。研究结果表明:基于布谷鸟(CS)—BP神经网络,利用测井资料快速计算页岩脆性指数的方法在研究区具有一定的实用价值。

基于5参数GA-BP模型的出水水质预测——以宁夏某水厂为例

为解决饮用水处理过程中关键水质参数浊度取样检测时滞性大和精度低的问题,提出了基于遗传算法优化BP神经网络(GA-BP)的出水浊度预测模型。利用2019—2021年银川市某水厂的实测出水浊度及相关水质数据,采用灰色关联度分析对影响出水浊度的输入指标进行筛选,结合Q型聚类分析将样本数据划分为具有不同特征的3类,构建了基于GA-BP神经网络的机器学习模型对出水浊度进行预测,并与传统BP和未分类的预测结果进行对比。结果表明:与未分类相比,利用Q型聚类分析后预测模型的误差评价指标决定系数(R2)和均方根误差(RMSE)分别优化了2.9%和22%;与传统BP神经网络相比,经遗传算法优化后的预测模型误差评价指标R2和RMSE分别优化了2.4%和12%。研究表明,Q型聚类分析和遗传算法均能提高BP神经网络预测模型的泛化能力,减小误差。

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。

基于BP人工神经网络与遗传算法的航速优化

为了进一步提高船舶能耗效率,本文提出一种基于BP人工神经网络与遗传算法的航速优化技术路线。首先,介绍常见油耗模型的构建方法;其次,利用BP人工神经网络建立目标船舶的油耗模型。模型预测的平均绝对误差为2.3%,准确度和泛化能力基本满足工程应用要求。最后,利用遗传算法,并基于历史气象数据对目标船舶的航线做分段航速优化。计算结果表明,航速优化后目标船舶的航行时长不仅能减少1.35天,燃油损耗还可节省10.1%,由此说明对航行船舶做分段航速优化是一种可行方案。

基于BP神经网络的电动汽车动力电池产热估计

电池的产热情况是电池热管理的重要指标之一,准确估计电池产热功率对构建高效运行的电池热管理系统以确保电动汽车安全行驶至关重要。然而,目前大多采用基于模型的方法进行电池产热估计,但此方法存在耗费时间长和仅应用于某种特定电池状况产热估计等缺点,无法解决电动汽车电池实时产热估计的问题。对此,本文提出了一种基于人工智能算法的精准电池产热功率估计方法,即基于BP(back propagation,BP)神经网络的电动汽车动力电池产热估计模型。该模型利用贝叶斯优化算法(Bayesian optimization,BO)对BP神经网络进行超参数选取,采用Adam(adaptive momentum estimation,Adam)优化算法加快收敛速度,提高了模型的准确度和稳定性。研究对比了不同放电倍率和不同环境温度下恒流放电实验的电池产热功率,结果表明模型的估计平均误差为5.01%,最大误差仅为5.53W,R2拟合指标最高可达99.98%,证明了所提出的电池产热估计模型取得了较高的估计精度和较强的鲁棒性,为电动汽车电池实时产热估计提供了一个范式结构。

地表沉陷预测的改进BP神经网络模型

为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。