反向传播-人工神经网络在辐照黑椒牛肉品质预测中的应用

为探究不同辐照处理对贮藏过程中黑椒牛肉品质变化的影响,建立基于理化指标的多种品质预测模型。3~4 kGy的辐照剂量能够有效延缓黑椒牛肉在贮藏过程中的汁液流失、脂质氧化和蛋白质降解,保持其硬度和微观结构,在一定程度上增加呈鲜味(Asp)和甜味(Gly、Ala、Ser)游离氨基酸的含量。以辐照黑椒牛肉的汁液流失率、硫代巴比妥酸反应产物值、总挥发性盐基氮值、原肌球蛋白条带强度比率、肌球蛋白重链条带强度比率和总游离氨基酸含量为输入变量,优化了反向传播-人工神经网络(backpropagation-artificial neural network,BP-ANN)模型。训练函数为ReLU函数,隐藏层神经元个数为14个,迭代次数100次。结果表明,6-14-6 BP-ANN模型可以较好地预测辐照黑椒牛肉的品质变化,该模型在预测辐照肉制品的多种品质方面具有很大潜力。

基于深度神经网络的杉木树高-胸径模型研建

利用深度神经网络(DNN)模型建立杉木的树高-胸径模型,寻求一种更加高效的杉木树高预测方法。以贵州省清镇市国有林场49块样地中杉木的胸径、树高数据为研究对象,分成不同比例的训练集和测试集,训练集占比分别为20%,30%,40%,50%,60%,70%,80%;对应的测试集占比分别为80%,70%,60%,50%,40%,30%,20%。利用DNN构建树高-胸径模型,并将其与11个传统基础模型进行比较,通过R^(2)、RMSE和MAE对比选出预测效果最好的模型,并根据最优模型添加林木胸径与优势木平均胸径比(DDH),以提高模型的预测精度。利用DNN模型建立的树高-胸径模型在训练集占比为20%的情况下,加入DDH因子后其预测精度R^(2)达到0.89。利用DNN构建杉木树高-胸径模型对杉木树高进行预测,在使用较小数据量的前提下加入DDH因子能够提高对杉木树高的预测效果。

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

基于人工免疫--神经网络算法预测未来我国的人口数量

中国是一个人口大国,人口问题与我国的发展息息相关,预测未来人口的变化趋势对我国的发展是十分重要的.本文先通过相关文献搜集到前几年我国的人口数据,通过建立神经网络模型,并利用人工神经网络作为隐含层以提高精度,最后得到2016-2030年我国的人口数量.

基于神经网络的高寒地区CF_(4)和SF_(6)/CF_(4)检测

高寒地区须携带多台仪器以满足3种不同量级SF_(6)气体中CF_(4)气体浓度的检测需求,现场运维效率低且仪器购置成本高。为此,首先设计了一种基于热释电检测技术的SF_(6)气体中CF_(4)气体浓度检测仪器,可自动选择不同的放大电阻以实现多量程切换。然后提出了BP和PSO-BP2种神经网络温度-压力协同补偿模型,并通过搭建高效模拟实验平台为模型预测提供数据支撑,预测结果表明,PSO-BP神经网络优于BP神经网络。最后将PSO-BP神经网络温度-压力协同补偿模型内置于多量程检测仪器CF_(4)气体浓度检测仪器。模拟实验结果表明,该检测仪器在不同温度和压力下,小量程和大量程检测误差和重复性分别不超过±2%和1.6%,混合比量程下误差和重复性分别不超过±0.5%和0.2%,对高寒地区电网运维检修具有重要作用。

人工神经网络用于地下水挥发性有机物定量结构-色谱保留模型的研究

利用人工神经网络模型(artificial neural network,ANN)以分子电性距离适量和保留时间分别作为输入和输出,建立了地下水26个挥发性有机物的定量结构-色谱保留相关关系模型(quantitative structure-retention relationship,QSRR),所构建网络模型的相关系数为0.998 5,留一交叉检验应用于训练集,其相关系数为0.998 3,该模型应用于外部预测集,其相关系数为0.979 5;而多元线性回归(Multiple Linear regression,MLR)法模型的相关系数为0.949 2,留一交叉检验相关系数为0.897 8。结果表明,ANN模型具有较准确的预测能力,并获得了较好的拟合效果。

改进BP神经网络的混凝土构件承载力预测仿真

受到多种因素的影响,大直径混凝土受弯构件在使用期间其承载力将发生变化,为此提出大直径混凝土受弯构件承载力预测方法。确定影响大直径混凝土受弯构件承载力的五大因素,将影响因素作为输入建立用于大直径混凝土受弯构件承载力预测的BP神经网络模型,通过模拟退火-粒子群混合算法优化BP神经网络模型参数,并使用优化后BP神经网络模型完成大直径混凝土受弯构件承载力预测。实验结果表明,所提方法的大直径混凝土受弯构件承载力预测精度和效率更高,整体应用效果更好。

基于“分段-组合”残差神经网络的超声速氢气零维点火计算方法

受限于发动机燃烧数值模拟需要长时间超级计算机运行的问题,发展了一种基于“分段-组合”残差神经网络的氢气零维点火计算方法。以氢气零维点火算例为基础,基于自主研发的高超声速内外流耦合数值模拟软件AHL3D构建数据集。数据集中输入变量为超声速工况下的温度、压强及8种组分质量分数的初始状态值,输出变量为3000个时刻点的温度、压强及8种组分质量分数状态值。构建了一种“分段”训练、“组合”预测的残差神经网络框架。算法首先将高维输入数据进行降维训练,再将“分段”模型预测后的参数冻结形成“组合”模型。与氢燃料直接计算相比,实验结果表明“分段-组合”残差神经网络可显著提升计算效率,对于11组分29反应的反应动力学模型可获得9.13倍的计算加速比,均方根误差降到了7.85×10^(-5),氢燃料参数的预测精度都高于98%,计算效率及精度优于现有的神经网络燃烧计算方法。

融合图神经网络模型与强化学习的综合能源系统优化调度

随着人工智能技术特别是强化学习在能源优化调度领域的深入研究,将系统状态表示为向量用于学习的模式,其训练效率与信息利用率较低。针对这一问题,提出了一种融合图神经网络模型与强化学习的综合能源系统优化调度方法。首先,将电-热-气综合能源系统建模为图结构数据,充分利用系统的拓扑信息。其次,提出了基于图神经网络架构的强化学习模型,使其可以充分利用图结构信息实现更快的训练速度,获得更大的探索空间。最后,将表示系统状态的图结构信息送入该模型进行训练,算例仿真验证了该方法的训练效率与探索能力。

喀斯特流域降雨-径流人工神经网络模型结构分析及模拟

喀斯特流域降雨-径流响应是一个非线性过程,分析确定地下河流量过程的主要影响因子对喀斯特流域水文过程模拟具有重要意义。本文利用普定后寨河流域实测降雨、径流系列资料,采用神经网络权重分析法确定该流域的人工神经网络模型结构为两个隐含层、三个输入变量,该人工神经网络模型结构可以保持降雨-径流模拟的稳定性。模型经交叉训练与验证,训练期效率系数(N SC)达0.9以上,验证期N SC达0.88以上。说明神经网络权重分析法能够较好地确立预报因子与预报对象的关系,为喀斯特流域降雨-径流模拟提供一种有效的分析手段。

基于迁移学习和Bi-LSTM神经网络的桥梁温度-应变映射建模方法

为快速构建并准确预测温度作用引起的斜拉桥主梁应变用于结构状态评估,基于某大跨度斜拉桥主梁超过1年的温度和应变监测数据,提出了一种基于迁移学习和双向长短时记忆(bi-directional long short-term memory,Bi-LSTM)神经网络的斜拉桥温度-应变映射模型建立方法。首先,利用解析模态分解(analytical mode decomposition,AMD)去噪应变数据,得到仅由温度引起的应变响应;其次,选择温度和某一测点应变数据构成数据集,采用Bi-LSTM神经网络训练该数据集,并通过网络结构和超参数优化建立温度-应变Bi-LSTM基准模型;最后,利用迁移学习方法,将已训练好的基准模型中部分参数迁移到其他温度-应变数据集,建立相应的温度-应变映射被迁移模型,并与未采用迁移学习的神经网络训练方法进行对比。研究结果表明,相比直接建立的温度-应变Bi-LSTM神经网络映射模型,采用迁移学习方法建立的被迁移模型,其拟合精度均高于所用的基准模型,且训练时间短,预测误差小。

BP神经网络优化参数的螺杆点胶阀无模型自适应控制技术

螺杆点胶阀因点胶效率高、精度高、胶点均匀性高等优点,广泛应用于微电子封装等领域,而电机转速的控制性能是决定螺杆点胶阀点胶质量的重要因素。针对点胶阀在外部干扰和负载扰动情况下,PID速度控制效果不理想,参数难以整定的问题,采用BP神经网络-无模型自适应控制(BP-MFAC)算法,通过BP神经网络在线整定无模型自适应控制器参数来实现对电机速度的自适应控制,无需人工整定参数。仿真和实验对比结果表明,该算法相较于PID控制算法,在电机速度控制上具有更小的超调量和稳态误差,更短的调节时间;在外部干扰和负载扰动的情况下,具有更好的抗扰动能力。

灰色-神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项,建立灰色-神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测,证明该模型的有效性及可行性。

基于人工免疫优化神经网络的输变电工程造价评估

提出了基于人工免疫优化神经网络的输变电工程造价评估模型,该模型以输变电工程造价影响因素为输入变量,造价评估值为输出值,利用人工神经网络在小样本学习领域的优越性,结合人工免疫全局参数优化算法,实现稳定有效的输变电工程造价评估,用以对工程造价管理进行指导。

基于图神经网络的电-热联合能源系统优化调度研究

电-热联合能源系统的优化调度对实现多能互补、节能减排具有重要意义。在使用强化学习方法实现能源系统优化调度工作中,将系统状态作为向量用来学习训练,忽略了系统设备间的连接关系。基于此,提出了基于图神经网络架构的值分布最大熵Actor-Critic算法的强化学习模型。将电-热联合能源系统建模为图结构数据,并输入提出的强化学习模型中,利用图神经网络模型提取系统状态并输出调度策略。所提模型可以充分利用系统的拓扑结构信息,实现更为有效地探索学习。算例仿真验证了所提方法的有效性。

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。

基于烟草中致香成分的人工神经网络分类模型

从烟叶化学成分和结合评吸结果确定的烟叶品质的关系入手,用遗传BP神经网络建立了基于烟草中致香物质含量的烟草模式识别模型.分析结果表明,使用该方法能全局优化基于烟草致香成分的神经网络结构,较之梯度下降法的神经网络的训练效率更高,得到的识别结果也更加准确.它可以作为一种新的判别烟草香味特征的识别手段.

TiB_2-Cu复合材料SHS工艺的人工神经网络优化

利用3×5×1的3层BP神经网络模型对SHS法制备TiB2-Cu基复合材料过程中的工艺参数进行优化.将SHS工艺的3个主要参数———延迟时间、高压压力和高温保压时间作为人工神经网络的输入,合成产物的相对密度作为网络的输出,利用单参数动态搜索算法对SHS工艺参数进行了优化.结果表明训练样本和检验样本的网络实际输出值与相应的试验值均非常接近,TiB2-Cu基复合材料的SHS最佳工艺参数是延迟时间为6 8s,高压压力为360MPa,高温保压时间为9 2s.

灰色-进化神经网络模型在深埋隧道围岩变形预测中的应用

由于深埋隧道围岩的变形受到构造、应力场、地下水、开挖方式等复杂因素的综合影响,具有位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将隧道围岩位移量分解成具有确定性的趋势项和具有不确定性的随机项。建立灰色–进化神经网络模型对趋势项和随机项进行预测,既结合GM(1,1)模型较好预测序列增长趋势的特点,又结合神经网络利用自适应实现网络总体误差最小的特点,进而解决了单一利用GM(1,1)模型时预测值的随机偏离量较大的问题,保证了预测的精度。将该模型应用于基于实测位移资料的堡镇隧道围岩水平收敛位移短期预测,较好地揭示了隧道围岩收敛位移演化的规律,为合理选取二次衬砌时机提供了参考。

基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型

[目的]以吉林省汪清林业局金沟岭林场12块天然云冷杉针阔混交林样地为对象,基于12 953对实测树高-胸径数据,结合林分优势高分树种(组)建立基于BP神经网络的标准树高模型。[方法]在确定隐层节点数后经过反复训练得到各树种(组)的适宜模型结构,使用相同的建模数据(8块样地)求解两个传统的树高方程,再利用未参与建模的4块样地分别验证模型。[结果]表明:落叶松、云杉的适宜模型结构(输入层节点数:隐藏层节点数:输出层节点数)为2:5:1;红松、中阔(白桦、大青杨、榆树和杂木)的适宜模型结构为2:4:1;冷杉的适宜模型结构为2:8:1;慢阔(色木、水曲柳、黄檗、紫椴和枫桦)的适宜模型结构为2:7:1。[结论]与传统方法相比,BP模型不依赖现存函数,不需要筛选模型形式,而且BP模型各树种R^2高于传统模型,平均绝对误差、均方根误差均小于传统模型,其拟合精度和预测效果均优于传统方程,可以有效地预测树高。