应用遗传算法-主成分分析-反向传播神经网络的近红外光谱识别树种效果

以风车木(Conbretum imberbe)和非洲小叶紫檀(Pterocarpus tinctorius Welw)为研究对象,应用LabSpec光谱仪采集光谱样本进行主成分分析(PCA),并运用遗传算法(GA)对主成分进行寻优,分别以未经GA寻优的主成分和经GA寻优的主成分作为反向传播(BP)神经网络输入量,测试了BP神经网络识别两种树种的效果。结果表明:寻优前,获得高识别率的主成分区间较窄,仅有5种情况识别效果理想,此种情况不利于主成分数的恰当选择;寻优后,获得高识别率的主成分区间较宽,从前6到前17有12种情况可供选择,此种情况更利于主成分的合理选择;寻优后的识别率比寻优前高,且稳定性较好。利用近红外光谱,依据GA-PCA-BP神经网络方法识别树种是一种理想的方法。

紫外可见吸收光谱结合主成分-反向传播人工神经网络鉴别真假蜂蜜

研究紫外-可见吸收光谱技术结合化学计量学方法鉴别真假蜂蜜。根据蜂蜜中果糖和葡萄糖的典型质量比1.2:1.0,配制与真蜂蜜相近的掺假溶液,并以5%～20%的比例掺入真蜂蜜中。获取纯正蜂蜜和掺假蜂蜜的紫外-可见吸收光谱,选择最佳敏感波段250～400 nm的吸光度值进行主成分分析(PCA),优选主成分作为反向传播人工神经网络(BPANN)的输入向量。输出结果显示,校准集和预测集的准确鉴别率均为100%;对应的均方根误差分别为8.523×10-3和8.961×10-3。研究结果表明,基于PCA-BPANN的紫外-可见吸收光谱技术能够方便、快速、准确地鉴别真假蜂蜜,为食品质量的快速检测提供可靠参考。

基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的应用研究

为实现地质样品中元素含量的准确预测,提出了基于主成分分析(PCA)的改进型BP神经网络模型。采用X荧光光谱法,对新疆西天山地质样品中Fe,Ti,V,Pb和Zn等元素进行测量,将得到的X荧光计数作为输入变量,应用该模型对未知地质样品中Fe和Ti元素进行定量预测。结果表明:主成分分析与改进型BP神经网络模型取得了较好的预测效果,预测结果与化学分析值的相对误差小于3%,为地质样品元素含量预测提供了一种新型有效的方法。

基于层次分析法-熵权法结合遗传算法-反向传播神经网络优化金蒲橘泡腾片提取工艺

目的:采用正交试验及层次分析法(analytic hierarchy process,AHP)-熵权法结合遗传算法(genetic algorithm,GA)-反向传播(back propagation,BP)神经网络优选金蒲橘泡腾片提取工艺。方法:以绿原酸、木犀草苷、菊苣酸提取量和出膏率为指标,采用AHP-熵权法确定各指标的复合权重系数,根据L9(34)正交实验对加水倍数、提取时间、提取次数进行考察,并结合GA-BP模型进一步优选金蒲橘泡腾片提取工艺。采用高效液相法测定绿原酸、木犀草苷、菊苣酸含量,以Agilent ZORBAX SB-Aq(5μm,4.6 mm×250 mm)为色谱柱,以乙腈-4 mL/L磷酸水溶液为流动相梯度洗脱,柱温25℃,流速为1.0 mL/min,检测波长为350 nm,进样量为10μL。结果:绿原酸、木犀草苷和菊苣酸分别在24.6~787.2 mg/L、0.9~14.4 mg/L和5.4~172.8mg/L范围内线性关系良好,平均加样回收率分别为101.58%、99.60%、105.31%,RSD分别为1.87%、1.99%、1.15%。正交试验筛选出最优提取工艺为加12倍水,提取2次,每次0.5 h,综合评分为95.59分;GA-BP模型优选的最优提取工艺为加12倍水,提取2次,每次1 h,综合评分为96.86分。工艺验证表明,正交试验所得最优工艺RSD为3.15%,GA-BP模型所得最优工艺的RSD为2.75%,与预测值相对误差仅有0.14%。结论:GA-BP模型结合AHP-熵权法优选的金蒲橘泡腾片提取工艺稳定,有较好的预测性,可为其制剂工艺研究提供新的思路。

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型。采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型。为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性。

基于近红外光谱结合主成分分析和BP神经网络的常用塑料快速鉴别

为了实现塑料的分类回收,需要对塑料进行快速准确的鉴别。收集了丙烯腈-丁二烯-苯乙烯(ABS)、聚丙烯(PP)、聚乙烯(PE)、聚对苯二甲酸乙二醇酯(PET)、聚苯乙烯(PS)、聚氯乙烯(PVC)、聚碳酸酯(PC)等7种常用的塑料,利用近红外光谱仪分别测得其反射光谱,应用主成分分析和反向传播(BP)神经网络建立模型进行鉴别。首先利用主成分分析提取光谱的特征信息,前8个主成分的累计贡献率达到94.367%,包含了原始光谱的主要信息,将这8个主成分作为BP神经网络的输入,7种塑料的种类作为输出,建立三层BP神经网络模型。每种塑料各30个样本共210个用来训练神经网络模型,各10个共70个用来预测,预测结果准确率达98.571%,能够有效鉴别常用塑料。

基于PCA-BP神经网络的古代玻璃分类模型

为了有效地鉴别古代玻璃并分析其主要成分,提出了一种预测古文物玻璃制品类型的方法。根据现有数据测量得到13种主要化学成分含量,基于主成分分析(PCA),将所得主成分作为反向传播算法(BP)神经网络的输入,构造一种基于PCA-BP神经网络的古代玻璃分类模型。实验中,选择80%的数据作为训练集与测试集,选择20%的数据作为验证集。结果表明:对玻璃文物样品提取的主成分有显著贡献的化学成分为SiO 2、K 2O、PbO和BaO;改进后的模型与传统神经网络模型相比,对样品预测平均相对误差率小于4%,迭代时间缩短,对未知的古玻璃文物样品的预测估计更精确;提出的玻璃分类模型在不同地区的不同数据集上有可靠的精确度,并相较于Logistics模型有较好的预测效果。

基于反向传播神经网络的区域水资源需求量预测——以金华市为例

为推广反向传播(BP)神经网络在区域水资源需求量预测方面的实际应用,以金华市为例,通过主成分分析法得到金华市水资源需求量的3类主要影响因子——经济发展因素、水资源开发利用因素和水环境破坏因素;运用BP神经网络预报模型对该区域水资源总需求量进行预测,得出金华市2010年总需水量为21.935 280×108m3,其结果可为与水资源相协调区域的发展规划提供参考.

基于PCA-BP神经网络的跨境农产品供应链数字化转型风险预测

数字经济正在成为重组全球农业要素资源、重塑全球农业经济结构、改变全球农业竞争格局的关键力量。对于跨境农产品供应链(Cross-border Agri-food Supply Chains,CASCs),由于农产品自身具有易损易耗、季节性和周期性等特点,使得跨境农产品的链式结构相比其他供应链存在更大的脆弱性。推动跨境农产品供应链数字化转型,关键是有效识别和预测数字化转型过程中的风险因素。基于TOE框架归纳了企业数字化转型风险中的3个表现层面,在对跨境农产品供应链核心企业及其成员企业调研基础上,运用主成分分析(PCA)减少原始数据的维度,在此基础上构建反向传播神经网络(BPNN)用于预测CASCs数字化转型中的风险。结果表明,所选择的4个主成分是合理的,评价指标体系是有价值的。研究结果为跨境农产品供应链发展提供了新的思路。

基于核主成分分析与改进神经网络的电力负荷中期预测模型

为了提高电力负荷中期预测水平,提出了1种核主成分分析(KPCA)和粒子群优化反向传播神经网络(PSO-BPNN)相结合的电力负荷中期预测模型。引入KPCA对原始输入空间降维重构,将降维后的数据集输入PSO算法优化的BPNN模型中,提出了月平均最大预测负荷修正日预测负荷的方法,输出待预测日的最大预测负荷。采用欧洲智能技术网络提供的负荷数据进行验证,实验结果的平均绝对百分误差为1.39%。

基于主成分分析法优化神经网络的滆湖组黏性土抗剪强度预测

为了研究苏锡常地区滆湖组黏性土抗剪强度特性,建立抗剪强度参数预测模型;以研究区711组滆湖组黏性土物理力学试验数据为载体,运用主成分分析(principal component analysis,PCA)方法,从样本11个指标中提取影响目标变量的主成分;将其作为反向传播神经网络(back propagation neural network,BPNN)模型的输入层,建立基于PCA-BPNN算法的滆湖组黏性土抗剪强度预测模型。结果表明:当主成分数量为3时,主成分累计贡献率达93.4%;第一、二主成分贡献率分别为52.1%和36.6%;PCA算法即保留了样本大部分信息,又实现了对多维变量的降维。第一主成分可归纳为土体孔隙特性,与黏聚力和内摩擦角均呈负相关关系;第二主成分可归纳为土体水稳性,与黏聚力和内摩擦角均呈正相关关系;土体孔隙特性越显著,水稳性越弱,抗剪强度越低。建立了滆湖组黏性土抗剪强度参数PCA-BPNN预测模型,模型抗剪强度拟合优度为0.85,内摩擦角拟合优度为0.72;模型可靠性总体较高。可见PCA-BPNN预测模型即可降低解释变量间的多重共线性,简化了模型,又能够提升模型的泛化能力;为运用数学方法研究土体工程地质参数提供了参考。

基于PCA-BP神经网络的煤与瓦斯突出预测研究

为提高煤与瓦斯突出预测的效率和准确率,将主成分分析(PCA)法与神经网络相结合,对煤与瓦斯突出进行预测。以平顶山八矿为研究对象,基于地质动力区划方法,搜集影响煤与瓦斯突出的因素的相关数据。通过PCA法提取影响因素的主成分,选取贡献率大于80%的3个主成分,代替原有的9个影响因素,将其作为反向传播(BP)神经网络的3个输入参数。将突出强度划分为4个等级,建立PCA-BP煤与瓦斯突出预测模型。选取典型的突出样本对PCA-BP神经网络进行训练,用检验样本检验训练好的网络,结果表明预测符合实际情况。

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R^2=0.61,RMSEP=0.128 mg?g^(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R^2=0.73,RMSEP=0.343 mg?g^(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。

基于混沌蚁群神经网络的浮选过程经济技术指标预测

以选矿中的浮选生产过程为研究对象,提出一种基于混沌蚁群神经网络算法预测浮选过程经济技术指标的测量模型.采用主元分析进行输入数据集降维,应用混沌蚁群算法与最小二乘法相结合的混合算法调整前提参数和目标值,以取代二次规划求解优化问题,并达到求解速度快、仿真精度高的效果;同时,采用混沌蚁群算法训练神经网络,在随机扰动或测量噪声存在的情况下仍可以达到较好的训练目的,并提高了网络参数辨识的收敛速度.同时,以某实际选矿浮选生产过程的生产数据作为建模和预测数据进行仿真分析,并与初始的主元分析-反向传播(BP)神经网络模型预测结果加以对比.结果表明,所提出的模型能够实现浮选过程经济技术指标的全局预测,与优化前的模型相比其预测误差明显较低,预测精度提高了1.8%,满足优化浮选药剂添加的计算要求.

基于PCA-LVQ神经网络的化工过程故障诊断

提出将学习矢量量化(LVQ)神经网络应用于化工过程的故障诊断中。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法,其网络结构简单,适用于故障诊断。当网络输入数据过大时,会导致计算复杂,计算速度缓慢,因此,采用主元分析法(PCA)对数据进行降维处理,将得到的数据作为网络的输入,再用LVQ算法对田纳西-伊斯曼(TE)过程进行故障诊断。最后,将诊断识别率与LVQ算法以及BP算法进行比较,仿真表明,采用PCA降维处理的LVQ算法在识别率上有了较大的提高。

基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。

基于BP神经网络的模塑封材料疲劳寿命预测

根据模塑封材料(EMC)疲劳实验,针对BP神经网络[反向传播神经网络(BPNN)]拟合误差与预测误差关系不稳定的应用问题,结合主成分分析法,"主动"改善网络结构,建立了基于BP神经网络的EMC材料疲劳寿命预测模型,进行了分析,并与一般的BP神经网络模型作了比较。结果表明,该方法得到的BP神经网络经过训练后能稳定表征EMC材料的各种参数与疲劳寿命间的内在关系。当网络拓扑结构为2-4-1时,预测结果稳定,预测误差平方和(SSE)为0.5623～0.0271,拟合误差(MSE)为0.0906～0.0278,具有实用性。

LAPS型电子舌神经网络味觉识别

根据光寻址电位传感器(LAPS)原理,提出一种结合主成分分析和反向传播(BP)神经网络识别溶液味觉的方法。对LAPS电子舌采集的味觉数据主成分进行提取,将该主成分作为BP神经网络的训练样本,通过训练和学习构建味觉数据与味觉类别之间的联系,用训练后的BP网络对溶液进行味觉识别。对浓度分别为20 ppm、100 ppm、300 ppm和500 ppm的酸、甜、苦、咸、鲜5种味觉溶液进行识别验证,准确率达96.6%,结果表明该方法能够在不同浓度下正确识别出溶液的味觉。

基于神经网络的人造板装饰纸表面色泽特征分类研究

通过测定人造板专用装饰纸表面的色泽参数(色度学参数和光泽度),对装饰纸表面色泽特征进行量化分析,并利用色泽参数的特征信息结合误差反向传播神经网络(BP神经网络)对装饰纸进行建模分类,探讨利用装饰纸表面的色泽参数进行装饰纸表面色泽特征分类。以色泽参数数据作为神经网络的输入变量,装饰纸类型作为神经网络的输出变量,建立三层BP神经网络模型,其中,隐含层的最佳节点数为9。结果表明:通过对色泽度参数的主成分分析,增加了光泽度参数后,各类装饰纸之间的独特性增强,更利于对装饰纸进行分类。利用色度学参数(明度指数L*,红绿轴色品指数a*和黄蓝轴色品指数b*)对装饰纸进行建模分类时,判别的总正确率为80.9%,引入光泽度参数之后判别的总正确率提高至92.9%,说明利用色度学与光泽度参数结合BP神经网络可以用于装饰纸表面视觉特征的量化分析以及快速识别分类。

基于PCA与BP混合神经网络算法的电子鼻系统

为了对食物品质进行非接触式评价,基于6种费加罗金属氧化物气体传感器阵列,通过由数据采集模块和微处理器模块组成的硬件设计方案,设计并研制了可对被测食物进行实时、无损检测的电子鼻系统。在软件设计方案上,该系统采用主成分分析(PCA)和反向传播(BP)混合神经网络模式,通过LabVIEW对气体"指纹信息"数据库进行分析。实验结果表明:该设计的电子鼻系统可以很好地区分不同种类的食醋,并提供了一种对食醋品质评价的便利方法。