基于LDA-BP神经网络的高校思政课教师数据驱动决策力评价研究

数据驱动决策力为高校思政课教师提供科学合理的教学判断,对数据驱动决策力进行评价研究,有助于提高高校思政课教师的数据决策水平,进而提升思想政治教育教学质量。鉴于传统评测方法缺乏客观性与可重复性,运用LDA-BP神经网络技术构建高校思政课数据驱动决策力的指标体系与评价模型。首先,运用LDA方法对高校思想政治教育相关的政策文本与研究文献进行主题提取,并将主题信息作为指标构建基础;其次,通过研读文献与政策文本,并结合主题分析结果构建高校思政课教师数据驱动决策力评价指标体系;最后,通过对BP神经网络的训练及测试来生成高校思政课教师数据驱动决策力的评价模型。研究表明,高校思政课教师的专业知识、教学水平以及数据分析与解读能力是影响数据驱动决策能力的关键因素,据此,理应从素养提升、文化培育、管理革新、政府支持等方面入手增强数据驱动决策力。

基于GWO-BP神经网络及粮食压缩实验对粮食孔隙率的预测

孔隙率是影响粮堆内热湿传递的关键参数,为探究粮仓中散装粮堆孔隙率的分布规律,通过开展粮食压缩实验来获取不同的粮食种类在不同水分含量和竖向压力条件下的孔隙率。提出了一种基于灰狼算法优化BP(GWO-BP)神经网络的粮食单元体孔隙率预测模型,并将该模型与BP神经网络模型、随机森林模型的孔隙率预测结果进行对比,最后利用粮食单元箱实验对该模型的泛化能力进行验证。结果表明,GWO-BP神经网络模型的孔隙率预测性能最佳,该模型的评价指标R2为0.960 5、RMSE为0.013 7及MAE为0.0131,均在允许的范围内。本研究为粮食孔隙率的确定提供了一种神经网络预测的方法,为深入开展粮堆多场耦合分析提供了重要基础,为安全储粮提供了理论支持。

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明:所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致;该预测模型充分挖掘了混凝土拌和站生产实时监控数据的价值,实现了传统混凝土抗压试验结果提前化,对提高工程建设质量水平具有重要意义。

基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于BP神经网络的集中供热二次网回水温度预测控制研究

针对集中供热系统二次管网存在的水力失调问题,设计了二次网水力平衡调节及回水温度预测模型,并实施智能控制策略,以实现二次网回水温度的精准控制。首先,构建BP神经网络预测模型,将此模型的输出视为二次网回水温度给定值;其次,在整个系统控制中,实施BP神经网络与PID控制器相结合的策略,进行二次网回水温度的控制。以高邑县某小区换热站数据为基础,通过阶跃响应曲线法建立二次网回水温度控制系统的数学模型,并通过BP-PID控制进行仿真实验。实验结果表明,与传统PID控制器相比,BP-PID控制器具有调节时间短、超调量小的优点,能够快速达到平稳状态。

基于最小二乘法和BP神经网络的磁流变阻尼器H-B模型参数辨识方法

针对Bingham模型磁流变阻尼器由于剪切稀化效应带来的阻尼力计算误差,在理论和仿真分析的基础上,提出一种最小二乘法和BP神经网络相结合的方法,对磁流变阻尼器H-B模型进行参数辨识,获得各参数与电流的关系,从而对磁流变阻尼器的阻尼力进行准确计算。最后通过磁流变阻尼器实验对理论方法进行验证。结果表明:借助于磁流变阻尼器的仿真分析,最小二乘法和BP神经网络相结合的磁流变阻尼器H-B模型参数辨识方法精确度高、吻合性好,验证了参数辨识结果的通用性及准确性。

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BP神经网络的儿童乘员头部损伤预测模型及评估参数研究

智能座舱与虚拟测评规程的推广,给乘员损伤评价带来新挑战,损伤机理与损伤风险评估参数更加多样化。本文基于图斯特6岁儿童乘员损伤仿生模型与BP神经网络算法构建正面100%重叠刚性壁障工况中乘员坐姿角度与头部损伤指标相关性预测模型,探究不同坐姿下头部损伤风险以及不同评价指标之间的相关性与差异性。结果表明,构建的相关性损伤预测模型具有良好的可信度(R2>0.90),可以用于损伤预测与分析。现有头部损伤评价指标在小角度坐姿范围内(95°~108°)对头损伤评估及预测具有良好的一致性,但是对于大角度坐姿乘员,不同损伤评价指标对头部损伤风险的评估存在显著差异。因此,目前实施的头部损伤评价参数具有局限性,未来虚拟测评中应综合运动学和生物力学参数对头部损伤风险进行更加全面的评估。该研究结果可以为儿童约束系统的改善、虚拟测评以及大角度坐姿乘员头部损伤评价参数的选取提供数据与理论支撑。

基于灰色GM-BP神经网络组合模型的中国镍原矿多情景需求预测

2016年我国颁布《全国矿产资源规划(2016—2020年)》,首次将镍列为战略性矿产资源。我国是全球最大的镍消费国,但镍资源储量少,对外依存度高,科学预测镍原矿需求量对保障镍矿产业链与供应链安全具有重要的现实意义。从需求侧出发,利用灰色关联度法选取中国不锈钢产量、人均GDP、电镀行业市场规模、城镇化率、产业结构、新能源汽车产量作为镍原矿需求情景预测的驱动变量,再在灰色GM(1,1)模型预测基础上,与BP神经网络算法相结合,构建基于残差优化的GM-BP组合模型,对2025—2035年中国镍原矿需求展开多情景预测。研究结果表明:组合模型实现了对小样本非线性时间序列数据的有效预测,且比GM(1,1)模型拟合误差更小,预测精度更高;根据组合模型,2025年、2030年、2035年我国镍原矿多情景需求均值分别为182.22万t、272.08万t、395.17万t,“十四五”“十五五”“十六五”期间需求年均增长4.26%、10.54%、9.78%。镍原矿需求呈稳定上升态势,镍矿供需矛盾将进一步加剧,我国必须提高镍供应能力,降低对进口镍的依赖程度。对此,提出如下政策建议:1)推进国内不锈钢产业的转型升级,优化生产工艺和产品结构,推广新型合金材料的应用;2)加大对镍矿勘探和开发的支持力度,如鼓励矿业企业技术创新,提高勘探效率和精度,同时积极推动国际合作,吸引国外先进技术、设备进入国内市场;3)促进进口多元化,与多个供应国建立合作关系,鼓励国内企业参与海外镍矿项目。

日光温室环境因子预测模型及应用——基于BP神经网络

为探讨北方日光温室内空气温湿度的变化规律,预测其变化趋势,进而确定合理的调控措施,采用L-M算法建立BP神经网络预测模型;选择S型函数作为网络激活函数,建立一种适用于北方日光温室空气温湿度环境因子的模拟预测模型。选取正常生产的日光温室为试验基地进行数据采集,采用皮尔逊相关系数确定模拟预测模型的输入因子,从1个月1440组实测数据中选取前29天的数据进行训练,对最后一天预测出的数据进行验证。研究结果表明:分段预测的预测值与实测值的符合度值大于全天预测,且分段预测的符合度大于0.99,均方根误差小于0.4,模型可用于模拟和预测北方日光温室大棚内空气温度与湿度的变化趋势,具有良好效果。

基于BP神经网络的学术论文评价模型研究

[目的/意义]学术论文是学者科研水平与学术贡献的重要佐证和标志。构建科学的学术论文评价模型,对人才评价、科研经费分配、评奖评优、晋升及招聘等都具有重要指导意义。[方法/过程]文章选择Web of Science数据库中“Information Science and Library Science”学科类别下发表于2010年的论文作为研究对象。首先,基于论文多方面的关联特征构建模型特征空间;然后,采用机器学习中被广泛用于预测任务的有监督学习算法——BP神经网络训练模型,并进行十折交叉验证确保模型稳定性;最后,通过计算模型的校正决定系数(R_(adjusted)^(2))和均方根误差(RMSE),选择出最优模型。[结果/结论]本研究构建的最优BP神经网络模型的校正决定系数(R_(adjusted)^(2))达0.91,均方根误差(RMSE)约19.8,评价性能较好。

基于BP神经网络的UHT纯牛奶包装货架期预测

为探究初始蛋白质与脂肪含量、贮藏温度对UHT纯牛奶包装货架期的影响,以三种UHT纯牛奶为研究对象,试验测定23、30和37℃贮藏过程中样品褐变指数、蛋白水解度指标。将数据集整合,根据其在预测集上的表现确定具体的输入参数,开展基于BP神经网络的UHT纯牛奶包装货架期预测。结果表明,BP神经网络模型对UHT牛奶褐变指数、蛋白水解度指标的拟合度为0.9412、0.9527,相较于传统多元线性回归模型的0.8799和0.9211,经优化隐含层神经元数的BP神经网络模型对UHT纯牛奶贮藏期间的特征指标变化预测精度更高,为不同配方UHT纯牛奶货架期的快速准确预测提供技术支持。

基于BP神经网络和路径分析模型的生态园林城市——以郑州为例

生态园林城市绿化规模的预测是生态园林城市发展中的一个核心问题,其与经济指标、社会指标、环境指标存在着复杂的非线性关系。BP神经网络由于具有良好的非线性拟合性能,而被应用于各种预测领域。首先,采用文献分析法梳理出固定资产投资额、GDP等26个影响生态园林城市绿化建设的因素。其次,以2019年被命名为国家生态园林城市的郑州市为研究对象,基于BP神经网络理论训练了生态园林城市绿化规模的预测模型,并对训练集、测试集的预测值和真实值进行对比分析。最后,通过构建路径分析模型梳理出26个影响因素中复杂的因果关系,包括直接间接影响、正负反馈、路径系数等。研究发现:训练的“26-7-1”网络结构的BP神经网络能够准确预测出生态园林城市的绿化规模,进而可为生态园林城市发展中,如何科学、合理地预测适应城市发展的绿化规模提供依据;构建的路径分析模型,可以反映城市发展中各影响因素以何种方式和强度影响生态园林城市绿化建设。

基于BP-DEMATEL的山西省冬小麦水足迹影响因素识别

针对山西省冬小麦水足迹历史演变及关键影响因素识别问题,分析了1993—2021年山西省冬小麦水足迹历史演变规律,利用BP神经网络-决策实验室(BP-DEMATEL)模型对冬小麦水足迹演变的关键影响因素进行识别,将其分为驱动型因素及特征型因素,并揭示了影响因素之间的作用机制。结果表明:1993—2021年山西省冬小麦水足迹及单位水足迹均呈下降趋势;2021年山西省冬小麦总水足迹为27亿m^(3)(蓝水占比57%),单位水足迹为1 122 m^(3)/t,与前期高点相比分别下降38%(较1994年)和21%(较1993年);气温、相对湿度和灌溉面积为冬小麦水足迹演变的关键驱动型因素,化肥施用量和农业机械总动力为关键特征型因素。

基于SARIMA-BP组合模型的家具订单需求量预测方法研究

对定制家具的生产需求进行精准预测,有助于家具企业进行有效的决策,包括提前制定生产计划、提前规划生产资源等,以期合理分配现有的生产资源并根据预测结果合理储备资源。本文以A企业家具的产品订单需求量为研究对象,分析其需求影响因素,在建立SARIMA模型及BP神经网络预测模型的基础上,建立SARIMABP组合算法的需求预测模型,并选用实际数据,验证所构建的需求预测模型的有效性,结果表明本文提出的预测模型与方法对企业精准预测订单需求量具有较大的应用价值。

基于GA-BPANN的钻井机械钻速预测模型

在钻井过程中,优化钻井技术可以降低钻井成本和减少施工事故,而钻速预测是优化钻井的基础。为了提高机械钻速(ROP)预测模型的准确性,开发了一种遗传算法优化的BP人工神经网络(GA-BPANN)的ROP预测模型。首先,采用最大信息系数(MIC)方法进行特征选择降低模型冗余,并将数据进行标准化处理。其次,利用遗传算法(GA)对BPANN的初始权重和偏置进行优化,建立ROP预测新模型。最后,将新模型与BPANN、支持向量回归(SVR)模型进行对比分析。研究结果表明,GA-BPANN模型具有较高的预测精度,同时为钻井过程中提高ROP提供科学依据。

基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

PCA-BP模型下皖北城市群PM_(2.5)浓度分析

为探究皖北城市群大气污染物在不同地域、不同时间下的分布规律以及影响空气中PM_(2.5)浓度的相关变量,结合2018—2021年安徽省生态环境厅统计数据及相关地域资料,采用主成分分析(principal component analysis, PCA)法按时间段长短及季节性变化分别选取月度数据与年度数据对空气质量的影响因子做相关性分析,对比分析不同季节下空气污染物PM_(2.5)、PM_(10)的浓度及其他空气污染物浓度的变化,构建基于PCA算法的反向传播神经网络(back-propagation, BP),建立PCA-BP模型并采用交叉-验证法提高模型精度,对大气污染物PM_(2.5)的浓度做短期预测。实验结果表明:PM_(2.5)浓度的主要影响因子为PM_(10)、CO、NO_(2)、SO_(2);皖北地区PM_(2.5)含量整体在冬季偏高;预测模型的精度在夏季与秋季较高,冬季较低,四季的预测精度R2分别达到0.924、0.958、0.935、0.794。