基于L-M贝叶斯正则化方法的BP神经网络在潜艇声纳部位自噪声预报中的应用

基于L-M贝叶斯正则化方法使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高。文中将BP神经网络和L-M贝叶斯正则化算法相结合用于潜艇声纳部位自噪声预报。分析了影响声纳部位自噪声的各种参数。利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳部位自噪声进行精确预报。

Bayesian正规化BP神经网络及其在医学预测中的应用

目的提高BP神经网络的推广能力。方法采用正规化方法,利用MATLAB软件编程。结果实例分析表明Bayesian正规化BP神经网络模型不仅能准确地拟合训练值,而且能更合理地进行预测未知样本,具有较好的泛化能力。结论Bayesian正规化方法建立的BP神经网络可以提高其泛化能力,在小样本情况下更具应用价值。

滚动轴承转速-振动深度学习模型的算法对比研究

轴承健康状况直接影响着机械设备的稳定性和安全性,对轴承的运行状态进行故障诊断尤为重要。基于此,在健康、内圈故障和外圈故障3种不同状况下,选择莱文贝格-马夸特(Levenberg-Marquardt,LM)算法、贝叶斯正则化(Bayesian Regularization,BR)算法和量化共轭梯度(Quantum Conjugate Gradient,QCG)算法,对在随时间变化的加速条件下滚动轴承振动数据进行训练和测试。在MATLAB R2023b软件中构建不同类型的深度学习模型,对比分析深度学习模型的均方误差值、回归R值、训练时长和训练轮数等多种指标。经过分析得出,在追求精度和准确性、内存资源和时间充足的情况下,应选用贝叶斯正则化法算法来训练深度学习网络模型。

基于Bayesian正则化算法的非线性函数拟合

为克服常规BP算法在解决非线性函数拟合时泛化能力不强的问题,本文研究了用贝叶斯正则化算法来提高网络泛化能力的问题,结果表明在相同网络规模或误差条件下,Bayesian正则化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快,拟合效果好。

L-M贝叶斯正则化BP神经网络在红外CO_2传感器的应用

针对温度会影响红外CO_2传感器的输出电压,造成对CO_2的浓度检测误差较大的问题,提出了一种基于L-M贝叶斯正则化BP神经网络的温度补偿方法。实验中将传感器输出电压比和温度作为神经网络的输入,CO_2浓度作为神经网络的输出,并通过L-M算法和贝叶斯正则化对神经网络进行优化。经过实验仿真证明,在温度补偿后红外CO_2传感器测量输出的浓度值最大相对误差为4.557 8%,具有较高的精确度。因此L-M贝叶斯正则化BP神经网络能对红外CO_2传感器进行有效的温度补偿,可为相关红外传感器仪器的改进提供参考。

基于GA-BP的煤矿瓦斯监控系统“大数干扰”信号辨识

针对瓦斯传感器数据传输过程受到强电磁信号干扰而产生误报警的问题,在实验模拟“大数”干扰的条件下,提出了基于遗传算法(GA)优化BP神经网络的煤矿瓦斯监控系统大数干扰信号辨识方法。首先根据大数干扰信号幅值变换较快的特点,确定BP神经网络的输入与输出,然后利用贝叶斯正则化的方法提高网络的泛化能力,结合遗传算法的全局搜索能力,优化网络的权值和阈值,最后建立了GA优化BP神经网络的大数干扰信号辨识模型。实验结果表明,遗传算法能够有效降低BP神经网络的训练误差,GA优化BP神经网络辨识模型和未被优化的BP神经网络相比,优化后的网络测试信号相对误差由10.003降低到6.096,且辨识后不会影响瓦斯突出信号的正常输出,能够解决煤矿井下因大数干扰信号造成传感器误报警的问题。

改进型BP神经网络对电容称重传感器的非线性校正

针对电容称重传感器电容检测电路的输出电压与载荷质量之间的非线性特性问题,基于贝叶斯正则化的L-M算法建立BP神经网络改进模型,实现了电容称重传感器的非线性特性的校正,并与传统的梯度下降算法建立的BP神经网络模型的校正结果进行了仿真对比。仿真结果表明:改进型BP神经网络具有较快的收敛速度、较高的精度和较好的推广能力,有利于准确实现电容称重传感器非线性特性的有效校正。

基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。

基于改进流形正则化极限学习机的短期电力负荷预测

为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。

基于贝叶斯神经网络遗传算法的锅炉燃烧优化

神经网络与遗传算法相结合在锅炉燃烧优化问题上的应用非常广泛,但是传统的反向传播(BP,Back Propagation)神经网络泛化能力较弱,而贝叶斯正则化方法能有效提高神经网络的泛化能力。应用贝叶斯正则化BP神经网络与遗传算法相结合的方法,对锅炉燃烧多目标优化问题进行研究。通过利用锅炉热态实验数据进行仿真,结果表明:贝叶斯神经网络模型可以很好地预测锅炉的热效率和NOx浓度,结合遗传算法可以对锅炉燃烧实现有效的多目标寻优,为电站的经济环保运行提供理论指导。

桥梁断面静力三分力系数的人工神经网络识别

通过风洞模型试验得到了足够的样本,在此基础上利用MATLAB神经网络工具箱构造了2个BP人工神经网络;采用BR(Bayesianregularization)算法,比较了不同坐标系下的静力三分力系数的训练结果,得出4层网络比较有效且具有较高精度的结论.最后,提出了应用人工神经网络需要注意的问题.

遗传算法-贝叶斯正则化BP神经网络拟合滴定糖蜜中有机酸

分别用常规BP神经网络、贝叶斯正则化BP神经网络及遗传算法-贝叶斯正则化BP神经网络,对多组分有机酸的滴定数据进行主成分非线性拟合。结果显示,贝叶斯正则化能限制网络权值,避免过拟合;遗传算法则使网络的全局优化能力和稳健性提高。对26个测试样本中的乙酸、乳酸、草酸、琥珀酸、柠檬酸和乌头酸6种组分,以及柠檬酸和乌头酸的总量进行了15次拟合预测,平均预测相对误差(RSE)分别为10.02%,9.34%,10.66%,12.18%,29.81%,31.94%和3.80%;性质相似的柠檬酸和乌头酸的拟合预测能力较差,但其总量可得较好的预测结果。应用本法对两种糖蜜中有机酸进行了分析,并与离子色谱分析结果进行了对比。

短期负荷预测神经网络方法比较

以某地区购网有功功率的负荷数据为背景,建立了三个BP神经网络负荷预测模型——SDBP、LMBP及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部最小点的缺点,采用具有较快收敛速度及稳定性的L-M优化算法进行预测,使平均相对误差有了很大改善,具有良好的应用前景。而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力,使平均相对误差和每日峰值相对误差降低,但收敛速度过慢(慢于SDBP模型),不适于在实际应用中采用。

基于IGSO优化LM网络的变压器故障诊断方法

针对现今电力变压器故障诊断方法中存在编码边界区间过于绝对、准确率不高等一系列问题,提出了一种自适应搜索萤火虫算法(IGSO)优化列文伯格·马夸尔特(LevenbergMaquardt,LM)网络的变压器故障诊断方法。该方法采用萤火虫个体代表神经网络的权值和阈值、LM网络的均方误差函数作为萤火虫个体的适应度函数,利用改进萤火虫算法迭代寻优得到LM网络的最优权值和阈值。同时,运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,不仅有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点。然后,建立基于自适应搜索萤火虫算法优化的神经网络模型,并将典型变压器故障数据代入仿真,通过与贝叶斯正则化神经网络模型以及粒子群模型的仿真结果对比,表明该方法具有较好的分类效果,准确率达到88.57%。

改进的BP算法在表面肌电信号识别中的应用

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析,提取小波系数幅值的最大和最小值构造特征向量,输入BP神经网络可进行模式识别,网络经过学习能够成功地从表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋4种运动模式。比较了标准的BP算法和用贝叶斯正则化与Levenberg-Marquardt算法相结合的改进BP网络训练的结果。实验表明,改进的BP网络在训练速度和识别精度上都比标准的BP算法有了很大提高,这对于肌电假肢的控制具有良好的应用前景。

基于链模型和粒子群的贝叶斯网结构学习算法

为提高学习贝叶斯网络结构的效率,提出一种基于链模型和粒子群的学习算法。利用包含贝叶斯网节点间因果关系信息的规则链模型来衡量拓扑序列的优劣,提高搜索的拓扑序列的质量,为粒子位置可选择的优化算法加上动态权重系数,平衡全局搜索和局部搜索,提高算法的搜索能力。实验结果表明,与I-ACO-B算法相比,该算法不仅能获得更好的解,且收敛速度也有一定的提高。

基于贝叶斯正则化BP神经网络的股票指数预测

提出了利用贝叶斯正则化BP神经网络对股票指数进行预测。通过对比实验表明,贝叶斯正则化的BP神经网络比相同条件下采用其他改进算法有较好的泛化能力,对股票指数预测有很好的效果。

软测量技术在铁矿石表面温度检测中的应用

针对进行熔滴试验来分析铁矿石的高温性能中铁矿石表面温度很难直接获得的困难,提出了运用软测量技术实现在线检测铁矿石的表面温度,以取代原有的拉格朗日插值法进行表面温度离线估算。该方法采用L-M优化算法,通过建立神经网络软测量模型,并结合神经网络的离线学习,建立输入变量和目标变量的对应关系,实现试样试验中铁矿石表面温度的在线检测。仿真结果和对比实验比较结果均表明该方法是合理可行的。

基于改进神经网络的疲劳裂纹扩展速率预测

裂纹的萌生与扩展是一个复杂的非线性动力学过程,裂纹扩展速率具有非线性动力学系统的混沌现象和自组织特征。将BP神经网络和L-M贝叶斯正则化算法相结合,可使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高。文章利用16MnR钢CT试样实测数据进行网络训练,训练好的神经网络可以对该材料的疲劳裂纹扩展速率进行较为精确的预测。

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法。神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度。结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果。