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。

基于遗传算法-反向传播神经网络及响应面法优化香薷漱口水配方工艺

目的:研制一种具有抑菌作用的新型复方中药漱口水。方法:以药食同源中药香薷为主要原料,以乙醇、甘油、柠檬酸-木糖醇的用量为考察因素,感官评分(色泽、香味、滋味)作为评价指标,在单因素试验和响应面试验的基础上,采用反向传播神经网络建立预测模型,结合遗传算法优选漱口水的配方工艺;采用梯度稀释法测定漱口水的最小抑菌浓度。结果:该中药漱口水的最佳配方为:乙醇3.8%,甘油10.4%,柠檬酸-木糖醇0.31%;抑菌试验表明漱口水对大肠杆菌抑制作用较强,对金黄色葡萄球菌具有一定的抑制作用,其MIC分别为0.0741 g/mL和0.1481 g/mL。结论:该中药漱口水制备方法简单,具有一定的抑菌作用,可为药食同源中药的开发利用提供参考。

基于帝国竞争反向传播神经网络的断块油田开发顺序优化

明确断块油田群中断块的开发顺序是进行开发方案设计的前提条件。断块油田数量较少时,可以进行技术经济的组合对比,但是断块数量较多时会形成海量的组合,耗费时间也长。断块油田开发顺序评价的现有方法有权重评价法、层次分析法、综合模糊评判法等,这些方法在选择评价指标和指标权重上带有较强的主观性,无法做到完全客观的评价。因此本文提出一种基于帝国竞争算法改进的反向传播神经网络模型,首先采用Spearman相关系数法确定影响断块油田开发的主控因素,其次使用分段三次Hermite插值方法实现断块油田群开发数据库的扩充,最后在扩充后的大量数据库训练样本的基础上,基于帝国竞争算法改进的反向传播神经网络模型可以确定影响开发效果参数的权重并预测断块油田群中各断块油田的净现值,根据净现值大小可以确定每个断块的开发顺序。该方法以实际断块油田群的地质油藏数据库作为评价依据,断块油田的开发顺序更加的科学合理,项目整体的净现值也明显高于依靠传统方法确定的开发顺序组合,避免了人为主观性,也节省了数值模拟和经济评价的工作量,克服了现有方法的局限性,对于提高断块油田群开发综合效益具有重要意义。

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。

基于反向传播神经网络PID的高功率微波炉温度控制

针对现有10 kW高功率工业微波炉,采用继电器作为控制执行器,在使用传统控制方法加热时,温度存在较大超调和明显振荡,系统温度稳定性较低,为解决上述问题将反向传播神经网络PID(BPNNPID)控制引入到该装置微波加热温度控制中,并以自来水为加热对象进行仿真对比与实验验证。首先,利用现有输入输出实验数据,建立工业微波炉温度控制模型;其次,运用MATLAB/SIMULINK搭建高功率工业微波炉温度控制系统并进行仿真对比实验;最后,实验验证BPNNPID控制方法在加热5 kg自来水时工业微波炉的温度控制性能,实验结果表明,较常规PID、模糊PID控制,该方法在微波加热过程中对媒质温度控制超调更小且未发生明显温度振荡,有效改善了高功率工业微波炉工作时的系统温度稳定性,有助于提高产品质量和安全性能。

基于脉冲序列标识的深度脉冲神经网络时空反向传播算法

尖峰放电的脉冲神经网络(SNN)具有接近大脑皮层的信号处理模式,被认为是实现大脑启发计算的重要途径。但是,目前对于深度脉冲神经网络的学习仍缺乏有效的监督学习算法。受尖峰放电速率标识的时空反向传播算法的启发,该文提出一种面向深度脉冲神经网络训练的基于时间脉冲序列标识的监督学习算法,通过定义突触后电位和膜电位反传迭代因子分别分析脉冲神经元的空间和时间依赖关系,使用替代梯度的方法解决反传过程中不连续可微的问题。不同于现有基于尖峰放电速率标识的学习算法,该算法能够充分反映脉冲神经网络输出的时间脉冲序列的动态特性。因此,所提算法非常适合应用于需要较长时间序列标识的计算任务,例如行为的时间脉冲序列控制。该文在静态图像数据集CIFAR10和神经形态数据集NMNIST上验证了所提算法的有效性,在所有这些数据集上都显示出良好的性能,这有助于进一步研究基于时间脉冲序列应用的大脑启发计算。

基于反向传播神经网络的卤水蒸发速率预测模型

卤水的蒸发速率是盐田生产管理中的一个重要技术参数,通过搭建室外卤水蒸发实验装置,分析了辐照强度、风速、环境温度、相对湿度、卤水温度、卤水浓度与卤水蒸发速率的关系。利用反向传播(BP)神经网络,训练构建了卤水蒸发速率预测模型,并与传统的应用回归方法构建的模型进行比较。结果表明,BP神经网络模型和非线性回归模型的决定系数R2分别为0.902和0.884,预测平均相对误差分别为15.723%和18.943%,BP神经网络模型的拟合效果和预测能力均优于非线性回归模型。说明应用BP神经网络构建卤水蒸发速率预测模型是可行的,能够实现蒸发速率的快速估测。

基于遗传算法-反向传播神经网络优化高压-超声-酶解法提取羊皮胶原蛋白工艺

采用高压-超声-酶解法提取羊皮胶原蛋白,对比遗传算法-反向传播(genetic algorithm-back propagation,GA-BP)神经网络模型和响应面模型的优化效果,确定最佳工艺参数。结果表明:GA-BP神经网络在模型拟合和预测方面表现优于响应面模型;最佳提取参数为高压时间23 min、超声时间22 min、酶添加量3.2%、酶解时间222 min,羊皮胶原蛋白提取率达到(80.5±1.6)%,较传统的木瓜蛋白酶法提高40%;紫外-可见吸收光谱和傅里叶变换红外光谱结果显示,此条件下提取的羊皮胶原蛋白结构完整,高压-超声-酶解法对胶原蛋白的破坏较小。

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的比较反向传播神经网络(backpropagation algorithm neural network,BPNN)模型与偏最小二乘回归(partial least squares regression,PLSR)模型在预测芒果可溶性固形物含量(soluble solids content,SSC)方面的性能。方法使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据,建立两种预测模型,采用多元散射校正(multiplicative scatter correction,MSC)进行光谱预处理,利用遗传算法(genetic algorithm,GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms,IVISSA)和变量组合群体分析算法(variable combination population analysis,VCPA)提取特征波长变量,通过比较不同特征波长提取方法进一步优化对比预测模型。结果与PLSR模型相比,BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳,预测集判定系数R_(p)^(2)、均方根误差(root mean square error of prediction,RMSEP)、残差预测偏差(residual prediction deviation,RPD)分别为0.8641、0.3924和2.7127。结论该模型可快速、准确地检测芒果的SSC,并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC,为开发在线芒果SSC无损检测系统奠定基础。

大容积电烤箱内传热过程的反向传播神经网络控制算法

大容积电烤箱内存在严重加热不均匀问题,限制其在商业和家用领域的广泛应用,传统比例-积分-微分(PID)控制算法存在弛豫时间长、温控精度差等问题,导致被加热目标无法维持在最佳烹饪热环境。通过自编程构建了一种反向传播神经网络(BPNN)控制策略,以改善大容积电烤箱的加热速率、温控精度及热均匀性为目标,通过局部速度、温度分布与美拉德反应可视化实验测试,探究了风扇转速、对流与辐射加热功率和排气流量等因素的影响。实验结果表明:在提升算法鲁棒性后,BPNN算法对烤箱内温度预测误差显著降低;相比PID控制方法,采用BPNN算法的被加热目标过热度最多降至6℃,温控精度显著提高;被加热目标表面温度的相对极差从54%降至36%,速度相对极差从71.4%下降至39%,均匀性显著增强;电烤箱的加热弛豫时间从230 s降至100 s。BPNN算法能够实现大容积电烤箱更精确、更快速、更均匀的温度控制。

多特征反向传播-人工神经网络微钻阻力年轮识别方法

峰谷年轮识别算法仅使用峰谷差值这一个特征进行年轮识别,因此该算法的误判率和漏判率较高。为了进一步提高微钻阻力年轮识别精度,提出了一种基于多个波峰特征的反向传播-人工神经网络(BP-ANN)年轮识别方法。首先使用峰谷年轮算法识别有效波峰,然后使用波峰阻力值、波峰与前波谷和后波谷的阻力差值、波峰与前波谷和后波谷的距离、前波谷与后波谷的距离等6个参数描述波峰特征;然后根据阻力图与圆盘图像确定有效波峰的类型,如果该波峰是一个年轮信号,则标记为“1”,否则标记为“0”;最后使用BP-ANN算法构建有效波峰分类模型。结果显示,BP-ANN模型的准确率比峰谷年轮识别算法提高了1.26个百分点,误判率和漏判率比峰谷年轮识别算法分别减少了1.06和1.38个百分点。结果表明:基于多个波峰特征的BP-ANN模型的年轮识别方法可行;与传统的峰谷年轮识别算法相比,该方法可有效提高年轮识别精度,有效降低年轮误判率和漏判率.

基于反向传播神经网络的电化学强化厌氧膜生物反应器膜污染预测模型

厌氧膜生物反应器(AnMBR)在高效处理污水的同时能够捕获污水中的能量,产生清洁能源甲烷,对实现“碳中和”目标具有重要意义。膜污染问题是制约AnMBR在市政污水中大规模工程应用的首要挑战。基于电化学调控的AnMBR是实现膜污染控制耦合高效产能的一种潜在途径。本文构建了电化学强化AnMBR反应体系,收集反应器连续运行试验数据,基于反向传播神经网络(BPNN)理论,建立单层多节点隐含层的BPNN模型。采用两种不同方式分割数据集,经过多次训练实现模型性能的优化,可将已有水质时间序列数据作为输入,对未来的膜污染时间序列进行预测。结果表明,跨膜压差(TMP)与pH值、氧化还原电位(ORP)未呈现出显性关联,但其本身表现出典型的时间序列数据特性。所构建的BPNN膜污染预测模型误差能够达到1e-10以下,预测精确度接近100%,可为电化学强化AnMBR系统的运行管理提供有力的支持。

基于反向传播神经网络和支持向量机融合模型的农产品价格预测技术

在当今农业科技快速发展的过程中,农产品种植的种类和规划方式也越来越丰富,不同的农产品规划能带来不同的农作物种植收益。为了提高农产品种植规划的质量,提出了一种基于融合模型的方法。过程中建立包含三层结构的反向传播神经网络,使用粒子群算法通过逐渐逼近的方式进行数据寻优,使用支持向量机回归技术对短时间农产品价格进行预测。实验结果表明,研究方法在对蔬菜进行预测时,在输入数据条数为200条时的计算时间为153 ms;在产品单价预测结果中,研究方法在对水果进行预测时的预测结果误差保持在0.003元每千克以内。研究方法能够有效完成农产品的单价预测,且具有良好的效率。

跨脉冲传播的深度脉冲神经网络训练方法

基于反向传播的脉冲神经网络(SNNs)的训练方法仍面临着诸多问题与挑战,包括脉冲发放过程不可微分、脉冲神经元具有复杂的时空动力过程等。此外,SNNs反向传播训练方法往往没有考虑误差信号在相邻脉冲间的关系,大大降低了网络模型的准确性。为此,提出一种跨脉冲误差传播的深度脉冲神经网络训练方法(cross-spike error backpropagation,CSBP),将神经元的误差反向传播分成脉冲发放时间随突触后膜电位变化关系和相邻脉冲发放时刻点间的依赖关系两种依赖关系。其中,通过前者解决了脉冲不可微分的问题,通过后者明确了脉冲间的依赖关系,使得误差信号能跨脉冲传播,提升了生物合理性。此外,并对早期脉冲残差网络架构存在的模型表示能力不足问题进行研究,通过修改脉冲残余块的结构顺序,进一步提高了网络性能。实验结果表明,所提方法比基于脉冲时间的最优训练算法有着明显的提升,相同架构下,在CIFAR10数据集上提升2.98%,在DVS-CIFAR10数据集上提升2.26%。

基于IHHO-BP神经网络的模拟电路故障诊断

针对模拟电路故障类型多、故障状态不稳定以及故障数据冗余,使得模拟电路故障诊断困难的问题,提出利用改进哈里斯鹰算法(improved Harris Hawks optimization, IHHO)优化反向传播(back propagation, BP)神经网络,实现模拟电路故障特征选择与诊断。首先,将非线性自适应因子、柯西变异和随机差分扰动引入哈里斯鹰算法,实现收敛速度和精度的提升;其次,采用IHHO对模拟电路的单一故障和组合故障仿真数据进行特征选择,完成数据预处理;最后,采用IHHO-BP算法,对预处理后的故障数据进行训练和测试,实现模拟电路故障诊断。诊断结果表明,所提方法的诊断精度相较于其他算法提升了5.5%。

基于贝叶斯神经网络的船用惯导定位修正方法

船用惯性导航系统(inertial navigation system, INS)通常采用与全球卫星导航系统(global navigation satellite system, GNSS)组合导航的方式提高其长时间工作的定位精度。当GNSS失效时,其定位误差将随时间迅速发散。针对这一问题,设计了采用反向传播神经网络(back propagate neural network, BPNN)、根据INS原始输出数据拟合修正经纬度的定位修正方案,提出了基于Bayesian算法更新网络权重系数的方法,结合理论分析和试验研究确定了神经元个数与训练数据集的分配方案。实船试验结果表明,当GNSS失效时,在后续2 h,通过24 h历史数据训练得到的神经网络修正INS位置,相比INS独立工作时的定位误差,修正后误差均值下降了63%,误差最大值下降约50%,最小值下降至0。

基于多模型神经网络的湿度廓线反演研究

为提升微波辐射计对大气廓线探测的精度,利用ARM大气观测站提供的地基微波辐射计、毫米波测云雷达以及探空数据,构建了两种添加不同云信息的反向传播神经网络(back propagation neural network,BPNN)模型(添加入云和出云高度的C-BPNN模型与添加雷达反射率因子的Z-BPNN模型)与一种未添加云信息的BPNN模型(记为BPNN0),并对反演结果进行了对比,结果表明:C-BPNN模型和Z-BPNN模型在任何天气下(有云或无云),得到的反演误差都小于BPNN0模型;C-BPNN相较于另外两种模型反演结果具有更高的稳定性。对3种模型各自反演结果最好的个例分析发现,C-BPNN与Z-BPNN模型主要的误差存在于高空无云但是相对湿度却出现跃变的情况,说明神经网络模型对初始权值与阈值较为敏感,因此通过遗传算法(genetic algorithms,GA)对BPNN模型进行优化。经GA优化后的反演结果表明:BPNN0模型与C-BPNN模型具有明显优化效果,而Z-BPNN模型优化效果则不明显。

基于遗传算法优化BP神经网络的GNSS干扰源定位技术

全球导航卫星系统(GNSS)应用已全面深入到国家安全和国民经济当中,但由于GNSS信号到达地面后信号强度很弱,极易受到无意或有意的人为干扰。当出现压制干扰时会影响接收机正常工作,从而导致某一区域导航定位效果受到影响,因此对干扰源的排查和消除十分重要。针对上述压制干扰,通过在监测区域分布一定数量低成本接收机,利用其接收的载噪比数据特征实现干扰源的位置估计。考虑到信号传播过程中的衰减模型是非线性的,提出了基于遗传算法(Genetic Algorithm,GA)优化反向传播(Back Propagation,BP)神经网络的干扰源定位方法,通过神经网络学习得到监测区域载噪比特征的复杂非线性关系,GA对神经网络的初始权值和阈值进行优化,最终在监测区域通过梯度下降法搜索出干扰源位置。结果表明,GA优化后的网络预测误差更小,能够初步定位干扰源位置且平均定位误差率(Average Localization Error Rate,ALER)约为0.23%,验证了模型的合理性和有效性。

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络(BPNN)的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测(SQP-ACO-BPNN)方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化(ACO)算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。

基于随机森林和反向传播神经网络机器学习方法的区域ZTD建模精度分析

针对常用的GPT2w和UNB3m两种区域(经验)对流层天顶总延迟(ZTD)模型精度不高的问题,探讨基于机器学习方法进行区域ZTD建模的可行性。以GAMIT软件解算的美国加州13个IGS测站2021年连续31 d的ZTD数据(ZTD_GAMIT)为例,构建以经度、纬度、大地高、年积日、每日小时数、GPT2w或UNB3m经验ZTD模型估计的ZTD值(ZTD_GPT或ZTD_UNB)为输入,以ZTD_GAMIT为输出的随机森林(RF)和反向传播神经网络(BPNN)区域ZTD改进模型。实验结果表明,相较于GPT2w和UNB3m模型,两种基于机器学习方法的区域ZTD改进模型的预测精度均有所提高,能有效改善系统偏差。以ZTD_UNB为输入的BPNN和RF改进模型的预测均方根误差(RMSE)分别为15.14 mm和19.48 mm,以ZTD_GPT为输入的BPNN和RF改进模型的RMSE分别为15.32 mm和20.74 mm。BPNN模型的预测精度总体上优于RF模型,具有较高的可靠性。