基于麻雀搜索算法优化BP人工神经网络的短期湍流预报模型研究

提出了一种基于麻雀搜索算法优化BP人工神经网络(SSA-BP)的湍流预报模式。首先,采用BP人工神经网络作为湍流预报模型的基础框架。通过对温度、湿度、风速等气象因素的采集和处理,将其作为输入层的特征。然后,利用麻雀搜索算法对BP人工神经网络的权重和偏置进行优化。为了验证该方法的有效性,采用了来自地面气象站的大气湍流数据及气象数据进行实验。实验结果表明,SSA-BP人工神经网络能够成功预测大气湍流的发展趋势,并具有较高的预测精度和稳定性,能够充分利用大气湍流数据中的非线性特征,为湍流预测研究和实际应用提供了有力支持。

基于BP人工神经网络与遗传算法的航速优化

为了进一步提高船舶能耗效率,本文提出一种基于BP人工神经网络与遗传算法的航速优化技术路线。首先,介绍常见油耗模型的构建方法;其次,利用BP人工神经网络建立目标船舶的油耗模型。模型预测的平均绝对误差为2.3%,准确度和泛化能力基本满足工程应用要求。最后,利用遗传算法,并基于历史气象数据对目标船舶的航线做分段航速优化。计算结果表明,航速优化后目标船舶的航行时长不仅能减少1.35天,燃油损耗还可节省10.1%,由此说明对航行船舶做分段航速优化是一种可行方案。

基于GA-BP人工神经网络的农宅供热负荷预测技术研究

农宅实际供热负荷的预测对农宅供暖系统优化和新型供暖系统的应用具有重要意义。本文基于对华北地区农宅室内外13个参数的长期监测和相关性分析,研究了经遗传算法优化的BP人工神经网络模型(GA-BPANN)应用于农宅供热负荷预测的可行性和可靠性。结果表明,当GA-BPANN输入变量为按与供热负荷相关性强度排序的前6个参数(室内温度、室外温度、室内TVOC(总挥发性有机化合物)浓度、室内相对湿度、室外相对湿度和光照强度)时可以得到高精度的预测结果,为合理确定预测方案和农宅供热负荷提供了借鉴。

人工神经网络在治疗药物监测中的应用

人工神经网络(ANN)是对生物神经网络的一种模拟,通过相互连接而构成的自适应非线性动态网络系统,ANN的优势在于优化容易、建模简便、结果准确。该文根据文献资料对ANN在免疫抑制剂、抗菌药物、抗癫痫药物等治疗药物监测中的应用进展进行阐述,阐明ANN模型的优缺点以及未来的发展方向,希望为未来的研究者提供有价值的参考信息。ANN用于治疗药物监测有着巨大的潜在前景,有希望成为实现患者个体化用药的有效手段。

高校人文社科“项目制”的绩效评估及逻辑反思——基于联立方程与BP人工神经网络

中国的人文社科研究目前以项目制为主,对于项目制的绩效问题更多集中在微观层面,缺乏宏观实证研究。文章构建一种全新的分析框架,基于中国“双一流”建设高校的科研数据,综合应用联立方程、BP人工神经网络和贝叶斯向量自回归等多种方法分析科研项目、科研人员和科研经费等变量之间的互动关系。实证结果表明,中国人文社科项目制的总体绩效不高;科研经费的绩效有待提高;科研人员的绩效水平总体较高;科研人员、科研经费对科研项目的影响显著,学术论文对科研项目的正向反馈明显。最后指出,人文社科项目制需要进行反思和改进,要努力提高科研经费的分配体制,全方位调动广大人文社科工作者的积极性。

人工神经网络筛选类风湿关节炎的特征基因及免疫细胞浸润分析

目的:运用人工神经网络确定类风湿关节炎(RA)的特征基因,并分析免疫细胞在RA相关微环境中的作用。方法:GSE1919和GSE77298芯片均来自GEO数据库。运用R语言将两芯片进行合并与批次矫正,得到一个新数据集,并进行差异分析。对差异表达基因(DEGs)进行Metascape富集分析和GO、KEGG富集分析。运用R软件“randomForest”包在随机森林(RF)算法下筛选RA特征基因,并依据基因评分构建人工神经网络模型。提取排名前4的基因(HubGene)进行后续分析。应用单样本基因集富集分析(ssGSEA)计算样品中免疫细胞丰度并进行相关性分析。结果:人工神经网络模型筛选出排名前15的基因作为RA特征基因:STAT1、RUNX3、AR、CDH11、LMO4、TIMP1、PLXNC1、CAP2、PRKAA2、VDR、SPP1、HCK、EPHB2、KCNAB1、ITGB7,其中STAT1、RUNX3、CDH11在RA滑膜组织中均上调,AR在RA滑膜组织中下调。免疫细胞浸润结果显示,RA与活化CD4 T细胞相关性最显著。与RUNX3存在显著相关性的免疫细胞最多。RUNX3与活化B细胞、活化CD4 T细胞、活化CD8 T细胞、中央记忆CD4+T细胞、效应性记忆CD8 T细胞、调节性T细胞、γδT细胞和巨噬细胞呈显著正相关,但与NK细胞呈显著负相关。结论:通过人工神经网络确定了与RA相关的15个特征基因,其中排名前4的基因为STAT1、RUNX3、AR、CDH11。强调了活化CD4 T细胞、调节性T细胞、γδT细胞、巨噬细胞、NK细胞、活化B细胞等免疫细胞在RA发病机制中的重要性,为RA诊断和免疫细胞分子机制研究提供了新见解。

采用遗传-反向传播人工神经网络法构建新疆地区癫痫患儿拉考沙胺血药浓度预测模型

目的:利用遗传-反向传播(GA-BP)人工神经网络法构建新疆地区癫痫患儿拉考沙胺(LCM)血药浓度的预测模型。方法:采用超高效液相色谱法测定400例癫痫患儿的LCM稳态血药浓度,收集患儿临床资料,提取相关数据,采用GA-BP人工神经网络法构建LCM血药浓度的预测模型。结果:模型验证结果显示,80例预测浓度的平均预测误差(MPE)绝对值均<10%,预测误差(PE)绝对值<20%的比例是100%,PE绝对值<10%的比例是92.50%,平均预测绝对误差(MAE)为2.28%,提示GA-BP模型预测的准确度和精密度均较好,预测浓度和实测浓度的相关系数为0.998,预测结果较理想。结论:应用GA-BP人工神经网络法预测LCM血药浓度是可行的,可应用于LCM个体化给药研究,促进临床合理用药。

基于人工神经网络的甲烷富氧燃烧机理优化

采用带误差传播的直接关系图法、全物种敏感性分析和人工神经网络(ANN)联合方法,以点火延迟时间和CO摩尔分数为优化目标,通过对甲烷富氧燃烧详细机理USC mech2.0的简化和优化,提出了基于人工神经网络的甲烷富氧燃烧优化机理(ANN-OMOC)。甲烷富氧燃烧模拟计算和对比分析的结果表明:相比于甲烷富氧燃烧简化机理FSSA的预测误差,优化机理ANN-OMOC对点火延迟时间、层流火焰速度的预测误差分别从2.53%、24.38%降到0.50%、14.41%;与甲烷富氧燃烧的简化机理DRGEP和FSSA相比,优化机理ANN-OMOC对点火延迟时间、OH摩尔分数峰值和CO摩尔分数峰值的预测结果最佳,其相对误差均在10%以下。

研讨法在《人工神经网络》教学中的应用与探索——培养学生创新与探索精神

近年深度学习发展日新月异,新的人工神经网络模型层出不穷,为培养紧跟科技前沿的高水平研究生,不仅教学内容需要不断更新,教学方法也必须针对性的改进,采用研讨法开展《人工神经网络》的教学探索与实践,秉持启发性原则、循序渐进原则及和谐性原则,让学生占据课堂教学的主体地位,发掘他们的创造潜力。经过一段时间的教学实践,结果表明该教学方法不仅让学生们掌握了科技研究方法,而且使学生们具备了独立研讨问题的心理准备和心理负载能力,较好的启发了学生们的创新意识与科研探索精神。

基于BP人工神经网络的简支梁桥结构振动响应预测

针对有限元模型存在工作量大、计算耗时、无法实现结构响应的快速预测等问题,提出了基于BP神经网络算法的简支梁桥结构应力与位移预测模型。以某简支梁桥为工程背景,通过Midas/Civil有限元软件建立三维杆系有限元模型,并在考虑参数不确定性的基础上使用有限元模型得到完善的训练与测试样本数据集,建立了基于人工神经网络的桥梁结构响应预测模型。研究结果表明,构建的人工神经网络预测模型可在满足预测精度的基础上实现结构响应的快速预测,荷载试验实测值与模型预测值的最大误差在12.46%以内,且拟合优度均在0.9以上。该预测模型后期可与桥梁健康监测系统相结合,实现简支梁桥结构响应的实时分析,可应用于简支梁的结构响应评估工作。

人工神经网络课程与深度学习融合的混合式教学改革研究

文章依托人工神经网络研究生课程的讲授经验,分析其特点和现状,着重探讨其教学内容上的时效性与实践性问题,提出神经网络与深度学习融合的线上线下混合式教学改革,提升课程理论和方法的时效性;提出前沿性的实践类研究型专题,提升研究生的实践动手能力;搭建与课程内容配套的线上系统,方便研究生自主学习、互动学习。通过践行“与时俱进、互动评价、专题创新”的教学理念,提高研究生的创新思维与综合素质。

基于人工神经网络的透射水体亚硝酸盐含量模拟估计

亚硝酸盐是水体的重要测试指标,对水体质量的评估有着重要意义。采用透射高光谱结合人工神经网络(ANN)建立水体亚硝酸盐含量估算模型。首先采用试剂配制10种浓度的亚硝酸氮标准溶液(0.02、0.04、0.06、0.08、0.10、0.12、0.14、0.16、0.18和0.20 mg/L),并使用OCEAN-HDX-XR微型光纤光谱仪扫描10次各浓度亚硝酸盐溶液在181.1~1023.1 nm的透射光谱,取平均值作为各浓度亚硝酸盐溶液原始透射光谱,分别使用最大最小均一化(MMN)、标准正态变化(SNV)、多元散射校正(MSC)、以及二阶差分(SOD)四种光谱预处理方法,并结合ANN方法建立水体亚硝酸盐含量估算模型,通过比较模型的精度来选择最优的模型进行水体亚硝酸盐含量的估计。结果显示,基于二阶差分预处理下的BP-ANN神经网络预测模型中的均方根误差RMSE为0.032367,平均绝对误差MAE为0.016895,决定系数R^(2)为0.987403,与二次有理高斯过程回归(QR-GPR)和二次支持向量机(Q-SVM)预测模型相比,该模型的拟合效果更好,精确度更高。提出了反向传播人工神经网络(BP-ANN)高光谱水质亚硝酸盐参数的反演方法,为水质亚硝酸盐参数动态检测提供了新方法。

基于人工神经网络的大地电磁时序分类研究

随着社会的发展,各类干扰日益加剧,高质量的大地电磁采集也变得愈加困难。为了提高数据质量,学者们针对不同类型的噪声提出了很多对应的去噪方法,由于大地电磁数据量都比较大,去噪前不可能对每条数据进行人工判读,急需一种高效率的噪声识别和分类方法。基于此,本文将人工神经网络应用于大地电磁时间序列分类中,为了选取最为合适的大地电磁时间序列分类网络模型,使用模拟方波、工频、脉冲噪声以及实测无噪声数据4类时间序列类型,分别对LSTM、FCN、ResNet、LSTM-FCN及LSTM-ResNet模型进行了噪声分类训练和实测数据分类对比试验。结果表明,FCN及LSTM-FCN在大地电磁时序分类中具有相对较好的效果。其中,FCN模型对实测数据分类准确率最高可达99.84%,每个epoch平均用时9.6 s,LSTM-FCN较FCN具有更高的分类精度,实测数据集最高分类准确率近乎100%,但是其每个epoch平均用时24.6 s,且较FCN也更易过拟合。总体来看,如果数据量较少使用LSTM-FCN可以获取更高的分类精度,数据量较大时需考虑时间成本,使用FCN则更为合适。最后,利用LSTM-FCN分类模型和LSTM去噪模型搭建了大地电磁噪声处理系统,对含有不同类型噪声的大地电磁数据进行了成功处理。

高光谱结合人工神经网络鉴别不同来源的丹参饮片

提出了高光谱结合人工神经网络法(ANN)鉴别不同来源丹参饮片的方法。采集了9种不同来源丹参饮片的高光谱;分别采用最大最小归一化、均值中心化、标准正态变量变换、Savitzky-Golay平滑滤波、多元散射校正等5种光谱预处理方法,结合ANN建立了鉴别这些样品来源的分类模型。测试集验证结果表明,当隐含层节点数设置为17时,对光谱进行均值中心化预处理可建立最佳的ANN模型,分类准确率为98.77%。7种丹参样品判别结果的真正率、命中率和特异度均达到100.00%;其余2种丹参样品的真正率、命中率和特异度也不小于90.00%。

基于人工神经网络的自然语言处理技术研究

文章探讨了基于人工神经网络的自然语言处理技术,首先,阐述了人工神经网络的定义、结构、工作原理,以及与深度学习的关系。其次,详细研究了基于人工神经网络的自然语言处理技术,包括神经网络模型、词嵌入技术、循环神经网络、长短期记忆网络、转换器模型与自注意力机制等,并分析了这些技术面临的挑战。最后,通过实验设计与结果分析验证了所提出方法的有效性。文章研究内容对于推动自然语言处理技术的发展和应用具有重要意义。

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。

响应面法和人工神经网络对亚临界CO_(2)萃取红花籽油的建模与优化

本文旨在寻找有效建模方法以预测亚临界CO_(2)萃取红花籽油的萃取率,优化其萃取工艺条件。以单因素实验为基础,采用Box-Behnken试验设计,研究了萃取压力、分离温度、萃取时间对红花籽油萃取率的影响,并采用响应面法(RSM)和人工神经网络(ANN)两种方法分别对同一实验进行建模分析,通过RSM数值优化、人工神经网络和遗传算法结合(ANN-GA)两种方法优化其工艺条件。结果表明,RSM与ANN两种模型均能较为精准预测,但通过两种模型的决定系数(R^(2))、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)值比较,得出ANN模型(R^(2)=0.9966)的预测效果较优于RSM模型(R^(2)=0.9950)。ANN-GA确定的最佳萃取条件及萃取率分别为:萃取压力19.04 MPa、分离温度55.50℃、萃取时间134.98 min、萃取率23.52%。综上,RSM和ANN两种方法均可用于亚临界CO_(2)萃取带壳红花籽油的建模与优化,但ANN的预测准确度及拟合能力更为优秀。

基于人工神经网络的RC框架结构地震响应预测方法

为了实现钢筋混凝土(Reinforced Concrete,RC)框架结构地震响应的快速预测,提出了一种基于人工神经网络的RC框架结构地震响应预测方法,设计低层、多层和小高层共3个典型RC框架结构作为研究对象,以四川雅安地区为目标场地,基于条件均值谱选取地震动记录作为输入并进行弹塑性时程分析,所得样本数据用于训练人工神经网络。以地震动强度信息和结构信息为输入预测结构响应,同时对模型进行参数敏感性分析。结果表明:建立的人工神经网络模型具有较好的泛化性能,平均谱加速度具有最高的平均影响值,提出的方法为快速预测RC框架结构地震响应提供了方法借鉴。

基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究

本研究利用近红外光谱通过人工神经网络(Artificial neural network, ANN)建立狼尾草属(Pennisetum Rich)牧草水分、粗蛋白、木质素、酸性/中性洗涤纤维及灰分含量的预测模型。结果表明:基于人工神经网络的狼尾草属牧草品质预测模型总体优于全光谱偏最小二乘法(PLS)模型效果。在人工神经网络的方向传播(BP)网络模型中,6项表征牧草品质指标的校正均方根误差(RMSEC)、预测均方根误差(RMSEP)均显著低于PLS模型,同时校正集决定系数(R_(C)^(2))、预测集决定系数(R_(P)^(2))显著提高,除灰分含量预测不理想外,其他预测效果均理想。同时人工神经网络的BP网络对于近红外光谱的非线性数据具有良好的拟合能力,其预测模型对于指导狼尾草属牧草品质预测和分级管理研究具有广阔的应用前景。

基于人工神经网络的共振吸声超材料声学性能快速预测及结构优化设计

针对共振吸声超材料声学性能快速预测及结构优化设计需求,提出了一种基于人工神经网络的共振吸声超材料性能预测方法.首先,建立了由微穿孔板和Helmholtz共振腔组成的多层穿孔型共振吸声超材料的理论模型,并通过仿真与实验验证其正确性;随后,通过理论模型生成数据集,并以此为基础,采用BP(back propagation)神经网络原理,搭建了结构特征参量与声学性能的人工神经网络模型;之后,将训练后的人工神经网络模型与遗传算法相结合,对共振吸声超材料进行声学性能最优化设计.结果表明:训练后的人工神经网络模型可以对目标结构的吸声性能进行准确预测,并且预测效率相较理论模型提高50%以上;人工神经网络模型与优化算法的结合不仅能提高优化效率,优化后的结构也具有良好的低频宽带吸声性能.人工神经网络为大规模结构性能预测计算提供了便利,在超材料等结构设计及优化领域具有广阔的应用前景.