基于动态模糊神经网络模型预测水稻受砷胁迫下叶绿素的含量变化

为探讨利用动态模糊神经网络模型评价水稻受重金属砷污染胁迫状况,研究了水稻农田在自然生长环境下重金属砷污染对水稻叶片中叶绿素含量的影响,并做出对叶绿素含量变化敏感的植被指数与叶绿素之间的相关性分析,通过多元逐步回归找到与叶绿素含量变化敏感的植被指数NDVI、MNDVI、MTCI、MSR、GNDVI作为动态模糊神经网络的输入参数,水稻叶片中叶绿素含量值作为模型的输出参数建立能够判断水稻污染等级的动态模糊神经网络模型。结果表明,预测的叶绿素含量值与实测的叶绿素含量值拟合度高(R2 = 0.905)。说明可以用动态模糊神经网络模型预测农田的污染等级情况,为大面积监测水稻农田污染提供借鉴的依据。

基于BP神经网络构建简化翼结构动态代理模型

建立精确且可信度高的代理模型是数字孪生技术中的关键环节之一。为了研究航天结构动力学中动态代理模型的构建方法,选择简化翼结构作为研究对象,分别利用单点正弦定频激励及全场加速度扫频激励获得结构在瞬态动力学分析下的位移和加速度响应;将时间和部分节点响应结果作为输入,将希望关注的节点处的响应值作为输出,利用BP神经网络构建动态代理模型,当所建立的代理模型精度达标后即构建了翼结构瞬态动力学的动态代理模型。该法构建的模型不仅可用于快速预测多个节点的位移和加速度响应,亦可为后续构建航天复杂结构动力学数字孪生体奠定基础。

基于模糊神经网络的无人机数据传输时延控制模型

传输信道状态若是处于拥塞状态,会使得无人机数据传输时延大幅度增加,所以构建基于模糊神经网络的无人机数据传输时延控制模型;考虑直射、散射和反射等现象确定无人机数据传输信道,计算无人机数据传输信道传输时延,综合能量消耗、时延等因素判断无人机数据传输信道是否处于拥塞状态;利用基于模糊神经网络的时延控制模型生成时延控制指令,通过扩频调制、拥塞调度和队列管理等步骤,实现无人机数据传输时延控制;实验结果表明,在该模型控制下无人机数据传输时延达到预期水平,控制误差约为0.03 s,且未对数据传输进程产生明显不利影响,控制效果更好。

基于改进深度动态模糊神经网络的信息综合分析算法

针对传统人力资源评价算法的主观性强,难以反映员工真实能力的问题,提出了一种结合深度动态模糊神经网络和粒子群优化的算法。该算法对传统模糊神经网络进行了改进,并使用动态结构来增强原模型训练能力,通过对隶属函数层的优化,使模型具备了处理广域数据的能力。为了提高算法的运行效率,还采用误差下降法对模型的规则权重进行排序并完成剪枝操作,同时利用粒子群算法实现对模型参数的优化。实验测试结果表明,所提算法的训练时间仅需7.8 s,性能与效率指标则均优于对比算法,且与人工评价法得到的指标大致相同,可以作为电力人才评价的辅助数据参考。

基于BP神经网络的土壤墒情动态系统预测模型研究与应用

BP神经网络模型构成了有效的非线性建模,其在研究环境变动如何影响土壤含水量并准确预报水资源状况方面表现出色,从而提升水资源的整合利用效率。通过整理分析土壤含水量信息,建立了一个以反向传播神经网络为基础的预报模型,并对该系统进行了实地训练和精确性测试,实验结果显示,该模型在预估精确性和稳定性方面表现卓越,从而为农作物的生产和水资源的分发提供了有力的数据支持,帮助决策制定过程。

基于GWO算法和NARX神经网络训练方法的高精度热电偶动态补偿模型构建与实践研究

为提升热电偶测量精度和准确度,本文基于GWO算法和NARX神经网络训练方法,构建高精度的热电偶动态补偿模型,并进行实践研究。结果表明:该模型具有较高的精度和准确性,能有效预测和补偿热电偶的温度数据,对提高热电偶测量系统的性能和稳定性具有重要意义,可广泛用于工业自动化和环境监测等领域。

基于神经网络算法的等离子体负载动态参数模型

等离子体负载电学模型大多基于固定参数模型,忽略了负载等效参数变化对模型的影响,容易产生较大误差。为了改善因等效参数变化带来的误差,首先探究了等效电容、等效电阻等负载参数随外加电压幅值、频率的变化情况,据此训练了BP神经网络参数调整模块,建立了等离子体负载动态参数模型,实现了外施激励变化下负载等效参数的更新。结果表明,采用神经网络动态参数模型仿真精度为95.70%,而采用固定参数模型仿真精度为82.89%,仿真精度提高了15.45%。对简化实验工作量、指导等离子体反应器设计有着重要意义。

基于动态神经网络NARX时间序列的双排桩基坑变形预测

针对目前基于含基本假设或经验公式的传统土力学计算方法,不能有效地反映具有多因素交叉性以及时空性的基坑变形规律,而监测数据时间序列能够真实地表现基坑土体变形的演变,以南宁市亭洪路72号河南水厂住宅小区危旧房改造项目双排桩基坑工程为依托,考虑开挖深度和土体暴露时间这2个因素对监测时间序列的影响,提出一种带有外部输入的非线性自回归(NARX)动态神经网络时间序列模型,多方位预测关键断面重要测点的竖向位移和水平位移。结果表明:预测值和实际监测数据的变化趋势具有较好的一致性,且竖向位移预测值与实际监测值的预测残差小于1.0 mm,水平位移预测残差小于0.3 mm。该模型预测效果良好,同时验证了此模型应用于双排桩基坑变形动态分析的可行性。

基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法

现行方法在火电厂锅炉主蒸汽温度控制中应用效果不理想,阶跃响应性能较差,而且超调量较高,因此本文提出基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法。利用线性化分布参数建模方法建立火电厂锅炉主蒸汽温度参数数学模型,利用模糊神经网络进行锅炉主蒸汽温度误差补偿控制,实现基于模糊神经网络的火电厂锅炉主蒸汽温度控制。经试验证明,本文方法阶跃响应时间较短,超调量在1℃以内,在工业控制领域具有良好的应用前景。

一种基于最大频繁子图基因的模糊图神经网络检测模型

针对恶意软件检测的准确性和时间效率问题,提出一种基于最大频繁子图基因的模糊图神经网络检测模型。首先利用SFFSM-SPIN-MGM方法挖掘恶意软件函数调用图的最大频繁子图,然后利用模糊图神经网络完成恶意软件同源性检测。实验结果表明,该方法具有较强的泛化能力,能够有效地检测现有恶意软件的变种测试集,平均准确率92.1%,平均误报率4.3%、平均漏报率1.4%。

基于模糊神经网络的SCR脱硝效率预测模型研究

针对火电厂选择性催化还原(SCR)系统存在变量多、耦合性强等特点,造成脱硝效率难以准确实时监测的问题,提出利用Takagi-Sugno(T-S)模糊神经网络算法,建立多输入单输出预测模型,以研究未来时间脱硝效率的变化。将模糊C均值(FCM)聚类算法用于结构辨识、模糊神经网络的混合学习算法用于参数辨识,构造T-S模糊预测模型。在分布式控制系统(DSC)上采集连续48 h实时数据,并利用MATLAB进行模型训练与检验。试验结果显示:训练集98%点的相对误差在±1.5%之间,最大误差小于2%,检测集99%点的相对误差在±0.5%之间,最大误差小于2.5%。该模型能够较好地反映SCR烟气脱硝效率,可以为脱硝效率的控制优化提供依据。

基于参数动态调整的动态模糊神经网络的软件可靠性增长模型

利用遗传算法对动态模糊神经网络的自身参数进行动态调整(GA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。在对动态模糊神经网络进行训练的过程中,用遗传算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。利用3组软件缺陷数据,对用GA-DFNN建立的SRGM和模糊神经网络(FNN)以及BP神经网络(BPN)建立的SRGM的预测能力进行了比较,仿真结果证实,根据GA-DFNN建立的SRGM的短期预测能力稳定,短期预测误差小,且具有一定的通用性。

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。

一种基于动态模糊神经网络的飞行数据模型辨识方法

针对飞行数据的特点,提出了一种基于动态模糊神经网络(DFNN)的飞行数据模型辨识方法。该方法采用在线学习方式,通过动态增加和删除神经元节点的策略实现网络结构学习,采用递推最小二乘法实现网络权值的在线调整,以最终得到一个结构简单、泛化能力强的神经网络。以某特定时间段的飞参数据为仿真样本,将该DFNN用于参数关联模型的辨识,实验结果表明该辨识方法收敛速度快、泛化能力强。

基于广义椭球基函数模糊神经网络的油轮转向动态响应模型(英文)

基于广义椭球基函数模糊神经网络(GEBF-FNN)算法,提出一种新颖的油轮转向动态响应模型.通过事先建立好的一组油轮操纵非线性微分方程获得训练数据,GEBF-FNN算法用于在线辨识Nomoto型油轮转向响应模型的参数K和T.具体地,GEBF-FNN模型从没有任何模糊规则开始,基于规则生长准则和参数估计方法,在线生成模糊规则,从而学习出由一组模糊规则构成的具有高精度和精简系统结构的油轮转向动态响应模型.为验证该动态响应模型的有效性,针对典型的Z形操纵进行仿真研究,并进行广泛的比较研究,仿真结果显示基于GEBF-FNN算法的油轮动态响应模型具有理想的逼近和预测性能.

用于训练神经网络的自适应梯度下降优化算法

由于神经网络规模的扩大,模型训练变得越来越困难.为应对这一问题,提出了一种新的自适应优化算法——Adaboundinject.选取Adam的改进算法Adabound算法,引入动态学习率边界,实现了自适应算法向随机梯度下降(SGD)的平稳过渡.为了避免最小值的超调,减少在最小值附近的振荡,在Adabound的二阶矩中加入一阶矩,利用短期参数更新作为权重,以控制参数更新.为了验证算法性能,在凸环境下,通过理论证明了Adaboundinject具有收敛性.在非凸环境下,进行了多组实验,采用了不同的神经网络模型,通过与其他自适应算法对比,验证了该算法相比其他优化算法具有更好的性能.实验结果表明,Adaboundinject算法在深度学习优化领域具有重要的应用价值,能够有效提高模型训练的效率和精度.

永磁同步电机自构式模糊神经网络控制器设计

针对传统PID控制方法不能对电机在工况状态变化时做出快速反应的问题,结合模糊控制和神经网络的特点提出一种智能控制方法。依据模糊神经网络算法组成新的速度控制器代替传统的PID速度控制器。通过RBF神经网络辨识器给出永磁同步电机的Jacobian信息,传递给模糊神经网络控制器,以此解决算法中转速对网络输出的偏导项无法计算的问题。通过自构式反馈来修正网络的拓扑结构,确定模糊神经网络中隐含层的神经元个数,避免因隐含层神经元个数设定不当引起欠拟合或过拟合。仿真和实验的结果表明,电机在启动时能够快速平稳地达到给定转速,超调量和稳态误差小,转矩脉动小、响应迅速。突加负载时速度变化量小且能快速回归平稳运行,突变转速时能快速稳定在变化后的给定转速。

基于模糊神经网络的模型预测硅单晶直径控制

为了生产大尺寸、高质量、低能耗的直拉单晶硅棒,文中通过在直拉硅单晶生产车间采集的大量数据,通过模糊神经网络(Fuzzy Neural Networks,FNN)和模型预测控制(Model predic-tive control,MPC)进行建模,得到了等径阶段的直径预测模型和直径控制模型.直径预测模型测试结果表明:平均相对误差仅为0.0287%,预测精度极高.通过仿真并与常规PID控制进行对比分析得出,MPC比常规PID控制的调节速度快53.66%,并且MPC的控制过程非常稳定,其超调量基本为0;由加热器功率调控变化过程可知,MPC减少了调节过程的能耗,并提高了热场稳定性及单晶硅棒质量.通过预测模型建立的直径控制模型能提高控制精度并促进硅单晶高质量生产.

基于模糊-神经网络的加速度计动态误差模型辨识

分析了加速度计误差模型,讨论了基于三轴转台测试辨识加速度计误差模型的限制。应用模糊-神经网络进行了加速度计误差模型的辨识,较好地达到了系统辨识的目的。

基于BP神经网络实现小批量物料生产安排

本文以2022年全国大学生数学建模竞赛E题为背景,利用已有历史数据,研究小批量物料生产计划。首先利用模糊综合评价选定数据集,然后结合BP神经网络模型对选定数据集进行预测分析,最后建立生产计划模型实现生产计划合理安排。模型结果表明,预测数据与真实数据的平均绝对误差、均方误差、总方差结果均在合理范围内,且满足平均服务水平大于85%的要求。