关于多重复制定义的优化传播算法

多重复制定义(MRD)虽然是数据库复制发展的一个新趋势,但是它会引起传播开销的增大.提出了关于MRD的3个优化传播算法:D-M,ILS和LIS算法.其中D-M算法通过拆分复制对象和合并传播对象获得最小的单次传播开销.在此基础上,ILS算法在链式结构下使总传播开销最小.而LIS算法在更普遍条件下通过分解传播任务得到优化的总传播开销.理论和实验分别验证了它们的正确性和有效性.

基于GABP-NSGA-Ⅱ的开关磁阻电机系统级多目标优化设计

为提升开关磁阻电机(SRM)的系统驱动性能,提出一种基于遗传算法(GA)优化反向传播(BP)神经网络和非支配排序遗传算法(NSGA-II)相结合的多目标优化设计方法,旨在降低其转矩脉动、提高其平均转矩和效率。通过灵敏度分析,选择对开关磁阻电机优化目标影响较大的3个本体参数(匝数、转子极弧系数、气隙)和两个控制参数(开通角、关断角)作为决策变量,采用有限元分析、GA-BP法建模和NSGA-II算法进行多目标寻优,得到最优解。仿真结果表明,运用GA-BP-NSGA-II优化设计方法对提升开关磁阻电机的系统驱动性能有显著效果。

基于MFO-BPNN的螺旋钻机钻速预测研究

针对利用现有经验公式所建立的螺旋钻机钻速预测模型存在准确度不足的问题,提出了一种基于飞蛾扑火算法(MFO)的反向传播神经网络(BPNN)钻速预测模型。首先,对MFO算法的基本原理进行了研究,构建了MFO算法优化BPNN的具体流程;接着,采集了江苏无锡某施工现场钻探数据,并分析了钻速影响因素,运用小波阈值降噪、归一化和灰色关联度分析等系列方法对采集数据进行了预处理,得到了训练和测试集;然后,将MFO算法运用于神经网络的权值和阈值训练,以代替原有梯度下降法,建立了MFO-BPNN钻速预测模型;最后,对上述预测模型与BPNN模型、遗传算法优化反向传播神经网络(GA-BPNN)模型以及粒子群优化算法优化反向传播神经网络(PSO-BPNN)模型的预测结果和评价指标进行了详细的对比分析。研究结果表明:运用MFO-BPNN建立的钻速预测模型,其可靠性达到了91.65%,其决定系数(R 2)优于其他3种预测模型,3项误差指标也是其中最低的,说明该模型的预测精度良好,适合于桩基础工程的实际应用,可为复杂因素影响下的钻速预测提供一种新思路。

IPSO-BP算法在半主动悬架控制中的应用

为了改善半主动悬架的性能,提出采用改进的粒子群优化(improved particle swarm optimization,IPSO)-向后传播(back propagation,BP)算法作为半主动悬架自适应控制,该算法将标准粒子群算法进行改进,用以改善粒子群全局收敛性和收敛速度,并将改进后的IPSO算法作为BP神经网络的学习算法,用于半主动悬架的自适应控制.自适应控制器采用了双神经网络单元结构,一个作为输入端的控制器,根据路面输入调节半主动悬架阻尼值,另一个作为半主动悬架的辨识器,并进行在线识别.通过该控制器进行半主动悬架自适应控制数值仿真,结果表明,基于该算法的控制器明显改善了汽车的舒适性和平顺性,使得车身的垂向加速度比粒子群优化(particle swarm optimization,PSO)-BP半主动悬架的降低了21.73%,提高了汽车悬架的性能.

基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉(Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR)和粒子群优化-反向传播(Particle Swarm Optimization-Back Propagation,PSO-BP)神经网络算法的矿区地表沉降监测及预测模型.首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性.实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低.与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析(PCA)、无信息变量消除(UVE)和无信息变量消除后结合连续投影(UVE-SPA)3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归(PLSR)模型、最小二乘-支持向量机(LS-SVM)、反向传播神经网络(BPNN)和遗传算法优化的反向传播神经网络(GA-BPNN)模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数(R2)、均方根误差(RMSEp)和相对偏差(RPD)分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。

基于高维空间几何的PSO-BP神经网络图像复原

针对退化图像复原问题,提出了一种基于高维空间几何理论(HDSG)的PSO-BP神经网络图像复原方法。高维空间几何理论中的同胚映射和同源连续性原理,把图像映射为高维空间中的一个点,通过回归原模糊图像和由此图像衍生出的几幅更加模糊的图像对应在空间中几个点的分布曲线,得到清晰的复原图像。在该理论基础上,用PSO-BP神经网络来确定高维空间中各点的关系,通过对训练样本的学习训练,在三幅退化图像与原始清晰图像之间建立映射关系,然后用训练好的网络对测试样本进行复原。对比实验表明,该方法在主观视觉和定量分析上都获得了较好的效果。

精芪化浊方提取工艺的优选

目的优选精芪化浊方的最佳提取工艺。方法采用正交试验设计,以药液比、提取时间、提取次数为考察因素,以黄芪甲苷、毛蕊异黄酮葡萄糖苷、大黄素、虎杖苷、积雪草苷、羟基积雪草苷的含量和干浸膏得率为考察指标,运用层次分析法-CRITIC综合加权法进行综合评分;通过对比正交试验和BP神经网络分析的结果,选取最优提取工艺。结果最优提取工艺为每次加入10倍量水提取(0.5h×3),该工艺条件的综合评分为92.01。结论优选出的精芪化浊方最优水提工艺稳定可行,可用于实际生产。

荧光光谱法和PSO-BP神经网络在山梨酸钾浓度检测中的应用

山梨酸钾是一种常用防腐剂,应用非常广泛,但食用过量会严重危害人体健康。研究了山梨酸钾在水溶液和橙汁中的荧光特性,山梨酸钾水溶液荧光特征峰为λex/λem=375 nm/485 nm,山梨酸钾和橙汁的混合溶液除了存在此荧光特征峰,还有一个侧峰λex/λem=470 nm/540 nm。在混合溶液中,橙汁和山梨酸钾的荧光特性相互干扰,加大了山梨酸钾浓度检测的难度。为准确测定混合溶液中山梨酸钾的浓度,采用微粒群算法优化的误差逆向传播（PSO-BP）神经网络对其进行检测。3组预测样本的平均回收率为98.97%,PSO-BP神经网络能够精确测定混合溶液中山梨酸钾的质量浓度范围为0.1~2.0 g/L。预测结果表明荧光光谱法和PSO-BP神经网络相结合的方法能有效地检测山梨酸钾在橙汁中的浓度。