基于BP-SA混合学习策略优化的舰载消磁系统在役考核评估方法

装备在役考核是验证装备服役后的作战与保障效能,促进装备迭代升级的重要手段。针对舰载消磁系统在役考核工作特点和常规考核评估方法的不足,从作战效能、适用性、可靠性、维修性以及测试性等5个方面建立了舰载消磁系统在役考核指标体系。在传统BP神经网络的基础上,引入模拟退火策略随机寻找更优解,提高了神经网络的收敛性和稳定性。评估模型经过70组舰载消磁系统数据样本的训练、测试和验证,最终得到剩余预测残差RPD为9.3093的实验结果,表明了该模型不仅克服了传统BP神经网络算法局部极小、拟合效果差等问题,且对于舰载消磁系统在役考核结果具有很好的预测与评估能力。

基于BP神经网络的PHEV油耗与排放研究

文章以P1+P3结构PHEV为研究对象,设计了基于BP神经网络算法的动力匹配控制来提高PHEV的输出功率、降低排放及优化燃油经济性。结果表明:在山路、城市、高速和郊区四种路况下进行实车测试,嵌入算法后P1+P3结构PHEV的百公里油耗平均降低了0.61L,CO、CO_(2)、HC、NO_(X)排放分别降低了0.28g/km、0.198g/km、0.813g/km、0.021g/km,排放和燃油经济性均得到改善。

AGA-BP神经网络用于变压器超高频局部放电模式识别

结合自适应遗传算法(AGA)和BP算法各自的优点,本文构造了AGA BP混合算法作为神经网络的学习算法。分别采用BP、AGA和AGA BP神经网络对实验室中变压器超高频局部放电自动识别系统检测到的五种放电类型进行了模式识别。实验结果表明,AGA BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又提高了AGA神经网络的收敛速度、稳定性和求解质量,具有较高的识别率和较强的推广能力。

基于MIC筛选规则和BP神经网络的变换装置建模及产品预测

在石化企业数字工厂建设中,装置的数字智能化建设十分重要。本文针对某石化企业变换装置数字化建设的需要,结合装置特点,建立了基于最大信息系数方法(MIC)的装置实时数据筛选规则和基于BP神经网络的装置产品质量预测模型。结果表明,利用实时数据筛选规则对采集到的44天共1041组装置实际运行数据进行分析,将161个变量参数删减到23个变量参数,有效降低了数据的维度,数据简化率达到85.63%;进一步采用Levenberg-Marquardt方法,用3层隐含层的网络结构建立装置的产品质量预测模型,模拟得到的装置出口变换气CO摩尔含量值与实际生产偏差很小(平均偏差1.193%),说明本文所建模型可以很好地预测装置产品组成。以上建立的模型可为装置生产优化提供支撑,并可集成到工厂信息物理系统(CPS)中,支撑装置数字化和智能化建设需要。本文所提出的建模方法同样可用于其他类似装置的建模参考。

集成GASA混合学习策略的BP神经网络优化研究

针对BP算法易于陷入局部极小值且收敛速度慢的缺陷,在BP神经网络训练过程中集合GA并行化群体搜索的特点和SA在局部极小处发生概率突跳的特性.基于GASA混合学习策略对BP神经网络进行优化.优化后的BP神经网络被应用在农作物虫情预测中,实验结果表明能够较大幅度提高网络学习的收敛性能和收敛速度,并一定程度上减少了算法的复杂性.

基于最优小波包与SOM-BP融合的柴油机故障诊断

柴油机振动信号具有非平稳性,用最优小波包将不同故障的振动信号分解到不同频段。提取各频段的能量组成特征向量输入SOM-BP神经网络,通过神经网络输出结果判别柴油机的故障类型。与BP网络的训练结果相比较,证明将最优小波包分解与SOM-BP神经网络相结合的方法可以得到更好的分类结果,有一定的工程实用性。

基于粒子群BP网络混合算法的边坡稳定性评价

边坡稳定性评价与预测具有高度非线性和不确定性特征,难以用准确的数学模型表达。选取多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、黏聚力、坡角、坡高、孔隙压力比6个主要影响因素作为土坡稳定性的评价判别指标;然后采用粒子群算法优化BP神经网络模型,实现混合算法,在保持BP网络算法误差反向传播修正权值特点的同时,将网络权值和阈值粒子化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而加快收敛速度和提高收敛精度,避免传统粒子群结合BP网络算法的"早熟"现象;通过与其他算法进行边坡稳定性评价的比较分析,表明了本文研究算法的可行性与合理性。

CFA6470HEV发动机燃油经济性的BP神经网络建模及优化

对MATLAB软件中的BP神经网络及数值分析方法进行了研究,并将其应用于CFA6470HEV发动机特性的建模,在对模型的结构参数优化的基础上,获得了合适的发动机特性模型。应用数值分析方法确定了发动机的最优经济性运行区间以及与之对应的发动机节气门开启角与转矩和转速之间的关系,利用此关系,可通过对发动机节气门的调节实现对发动机最佳燃油经济性的控制。

基于BP-HGA的起重机刚性支腿动态优化设计

针对门式起重机刚性支腿结构动态特性的复杂性和非线性,利用参数化有限元模型和BP神经网络,建立刚性支腿设计变量和最大动应力、弯曲动刚度及顶部最大动位移之间的映射关系.对于建立的神经网络模型,采用混合遗传算法(HGA)构造基于模糊动态罚函数的适应度函数引导遗传算法的搜索方向,寻求刚性支腿隔板、侧板的布置及尺寸最优化,并满足低应力、高固有频率及轻量化的要求.开发了某型号门式起重机刚性支腿多目标动态优化设计系统.应用结果表明,采用该优化方法能够有效地实现起重机刚性支腿的动态结构优化,显著提高了设计质量和效率.

一种基于GA-BP混合算法的模糊神经网络控制器

提出一种用于优化模糊神经网络控制器参数的 GA-BP 混合算法,该算法一方面由遗传算法保证学习的全局收敛性,克服梯度法对初始值的依赖性和局部收敛问题;另一方面,与"精确的"梯度学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题,有助于提高它的搜索效率。仿真结果证明了算法的有效性。

基于Fluent-BP神经网络的液体动静压轴承热特性分析

针对液体动静压轴承运转发热复杂的问题,应用Fluent软件对液体动静压轴承进行CFD仿真分析,获得不同输入状态下的油膜温度场分布以及轴承运转时的平均温度和最高温度。并在此基础上通过正交试验将Fluent仿真与BP神经网络相结合,实现对任意输入参数下轴承工作温度的预测,并对转速与供油压力以及供油压力与供油温度的综合作用效果进行分析。结果表明,主轴转速对轴承作用的效果比较显著,当轴承在高转速状态下运行时,需要提供高的供油压力来保证轴承的正常运转;当供油压力下降和供油温度上升同时出现时,轴承运转温度骤升,必须谨慎对待。利用BP神经网络的泛化功能,以少量的样本,可得到均匀全面的网络训练样本点,从而能快捷有效地实现对液体动静压轴承的热特性分析。

基于遗传算法及BP神经网络的混合孤岛检测方法

文章提出一种基于遗传算法及BP神经网络的混合光伏孤岛检测方法,该方法通过遗传算法优化了BP神经网络的初始权值和阈值,有效改进了BP神经网络局部最优的缺点。通过对其检测机理和在Matlab/Simulink实验结果的分析,该方法检测盲区更小,不影响系统电能质量,检测速度更快,误判率低。在DSP中进行了该算法的软硬件实现,实验结果验证了这种方法的正确性和有效性。

基于BP神经网络冗余度TT-VGT机器人力/位置混合控制

提出了一个采用 BP神经网络实现冗余度 TT- VGT机器人力 /位置混合控制方案 ,并定议了混合系数求解的目标函数 ,在此基础上建立了冗余度 TT- VGT机器人力 /位置混合控制模型 ,最后以 TT- VGT机器人力 /位置混合控制为例进行了系统仿真。

基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究

针对无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题;在基于蚁群优化算法的基础上,提出一种BP神经网络的RPROP混合算法;该方法通过在建立系统构架及信息服务点基础上,能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗;仿真结果显示,与普通的蚁群算法相比,该混合算法在训练过程中迭代次数改善明显,解决了BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率;具有一定的实用价值,从而完全能够满足日益增长的无线互联网终端的运行需要。

基于粗糙集和BP神经网络的复合图书馆馆藏质量评价研究

建立了基于粗糙集和BP神经网络的复合图书馆馆藏质量评价模型,首先运用粗糙集模型对评价指标体系中的指标进行约简,消除冗余,然后把约简后得到的评价指标输入到BP神经网络中进行智能训练,最后把待评价的检测样本输入到训练好的BP网络中,得到了馆藏质量实际输出值,实际输出与期望输出结果相吻合,从而证明了评价的可行性和有效性。

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。

基于BP神经网络的Cu-Ce掺杂TiO_2光催化剂性能预测组合模型研究

采用环境测试舱模拟可见光下的室内环境,以甲醛气体的光催化降解为探针反应,评价了Cu-Ce/TiO2光催化剂的光催化活性及对甲醛气体的去除效果。利用指数平滑-神经网络ES-BP组合模型对Cu-Ce/TiO2光催化剂的性能做预测分析。结果表明:经过Cu-Ce/TiO2光催化剂处理后细木工板中甲醛释放浓度明显降低,平均光催化降解甲醛气体效率为42.8%;ES-BP组合预测模型在Cu-Ce/TiO2光催化剂的性能预测中取得了较好的效果,平均绝对误差为-0.00011mg/m3,平均相对误差为-0.317%;ES-BP组合预测模型实现了BP神经网络模型和指数平滑模型的优势互补,提高了对数据长期预测的准确性。

基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。

基于粒子群和BP混合算法的土壤有毒重金属含量预测

利用当前重金属的含量去预测未来有毒重金属的含量,就可以采取有效的措施预防,对人们的健康有着重大意义。该文主要应用粒子群和BP混合算法的神经网络对甘肃某地区的土壤进行了预测,得到的预测数据和实际的基本相符,因此,该预测算法应用到土壤的预测中具有良好的效果,有良好的应用和推广前景。

基于改进BP神经网络的个性化推荐算法研究

个性化推荐是根据用户的喜好向用户推荐个性化的产品、信息或服务等,在大数据时代能有效地解决信息过载的问题。提出基于改进BP神经网络的个性化推荐算法,研究了如何建立混合推荐模型,采用BP神经网络训练提高算法中用户相似度计算的准确性。在真实数据集上的实验结果表明,该算法能有效减小用户相识度计算偏差,提高用户个性化推荐的推荐质量。