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BP神经网络和遗传算法的智能配煤系统开发与应用

针对炼焦煤品种繁多,同一矿点来煤的煤质波动较大,混煤现象严重的问题,宁波钢铁有限公司通过搭建煤焦数据库,开发智能配煤系统,实现全流程监测煤焦数据变化。智能配煤系统结合历史生产数据分析提取影响焦炭质量的关键指标,采用多元线性回归和BP神经网络的建模方法,建立焦炭质量关键指标预测模型。同时,智能配煤系统结合焦炭质量预测模型、配煤专家系统和炼焦单种煤库存信息,采用优化后的遗传算法进行配煤模型的构建,从而实现快速实时调整配比、合理利用炼焦煤资源、稳定焦炭质量并且有效降低炼焦成本的目的。智能配煤系统运行稳定,实现了对炼焦煤资源的合理利用和降本增效的目的。

小波降噪及改进遗传算法的BP神经网络在基坑变形中的组合应用

以某市人民医院基坑工程为例,针对实测数据建立实测数据结合BP神经网络预测模型,小波降噪结合BP神经网络模型和小波降噪结合改进遗传算法优化的BP神经网络模型,并利用误差分析理论对基坑变形数据预测效果评价。结果表明:对比3种模型实际处理、预测数据能力,实测数据结合BP神经网络模型预测精度在1%-4%之间,小波降噪结合BP神经网络模型预测精度1%-2%之间,小波降噪结合改进遗传算法优化的BP神经网络模型预测精度在1%以内,小波降噪结合改进遗传算法优化的BP神经网络模型的预测准确率最高。针对基坑变形监测,小波降噪结合改进遗传算法优化的BP神经网络模型具有更高预测精度,可为类似工程提供实际参考。

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。

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型,模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量,以煤灰流动温度作为输出量,对126组来自中国北部地区的煤灰样数据进行训练与测试,并建立常规BP神经网络模型,研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明:不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力,所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加,虽略微提高模型对训练样本的拟合程度,但也导致验证时过拟合现象的发生,模型对新样本的拟合优度下降。采用SiO_(2),Al_(2)O_(3),Fe_(2)O_(3),CaO,MgO和Na_(2)O+K_(2)O的质量分数6个参数作为输入变量的GA-BP模型最为适合,其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。

基于CGA-BP神经网络的好氧堆肥曝气供氧量预测模型

为提高好氧堆肥曝气供氧量的曝气效率以及预测精度,该研究利用遗传算法(genetic algorithm,GA)对标准反向传播(back propagation,BP)神经网络的初始权值和阈值进行优化,再利用克隆选择算法(clonal genetic algorithm,CGA)优化遗传算法中的变异算子并复制算子,加快获取最优参数的速度,构建基于CGA-BP神经网络的曝气供氧量预测模型。为验证CGA-BP模型的有效性,与BP模型、GA-BP模型预测结果进行对比。试验结果表明:克隆遗传算法优化BP神经网络能加快获得最优解,效率相比BP模型和GA-BP模型分别提高了75.36%、51.30%;在曝气供氧量预测模型中,CGA-BP模型具有更准确的预测效果,预测精度为99.65%,而BP模型与GA-BP模型预测精度分别为96.99%、99.26%;CGA-BP模型评价指标的均方误差、平均绝对误差、平均绝对百分误差分别为0.0034、0.0389和0.3506,均小于BP神经网络和GA-BP神经网络模型评价指标的误差;利用CGA-BP好氧堆肥曝气供氧量预测模型对好氧堆肥发酵过程进行精准曝气,提高了3.22%的曝气控制效率。由此可知CGA-BP神经网络模型有更好的预测效果,可满足好氧堆肥在发酵过程中曝气供氧量的需求,提高曝气效率,为精准控制曝气提供更直接有效的方法。

基于微波辐射测量和GA-BP神经网络的电缆内部温度反演

目的针对现有电缆监测系统无法实现无损式测量电缆内部温度的问题,方法提出一种基于微波辐射测量的电缆内部温度反演方法。首先,使用非相干方法构建多层微波辐射传输模型,利用指数函数进行分层,通过无限元仿真得到微波辐射计测量的亮温数据集,应用十折交叉验证划分数据集,为模拟实际测量中微波辐射计测得的亮温值易受环境噪声影响的情况,本文将测试集仿真值混合信噪比10~50 dB的高斯白噪声作为微波辐射计的实测值;然后采用遗传算法(genetic algorithm,GA)优化BP神经网络的权值和阈值,以此构建GA-BP神经网络模型,再向构建好的网络中输入样本,训练网络模型;最后利用实测值验证经过训练的GABP神经网络模型在反演电缆内部温度方面的能力。结果实验结果表明:相较于仅使用BP神经网络,使用遗传算法优化后的BP神经网络在反演电缆内部温度方面表现更优异;网络的反演效果和实测值添加的噪声信噪比呈正相关,噪声信噪比越大,神经网络的反演效果越好;当测试集中添加的噪声信噪比大于36 dB时,R^(2)>0.627,RMSE<5.55,反演效果较好;当混合噪声信噪比为50 dB时,反演效果最优,决定系数可达0.985。结论结果证明了GA-BP神经网络在电缆内部温度反演的有效性,为电缆内部温度反演提供了新思路。

基于遗传算法BP神经网络芒果成熟度判别模型的构建与优化

【目的】基于遗传算法,构建及优化BP神经网络芒果成熟度判别模型。【方法】以小台芒为试验材料,测定不同成熟度芒果的硬度、糖度以及拍摄RGB图像,分析芒果硬度、糖度及图像特征变量(R、G、B、H、S、V分量)与芒果成熟度之间的相关性;利用遗传算法得到最优网络权值及阈值,构建BP神经网络芒果成熟度判别模型,并对其进行优化。【结果】随着芒果成熟度的增加,糖度表现出较明显的增长趋势、硬度表现出较明显的下降趋势;图像的特征分量(R、G、B、H、S分量)在不同成熟度阶段呈显著性差异(P<0.05);基于遗传算法优化BP神经网络的芒果成熟度判别模型经过预测后,分类准确率为96.3%。【结论】基于遗传算法优化BP神经网络的芒果成熟度判别模型能较为准确地判断不同成熟度的芒果。

基于神经网络算法的无线网络安全模型设计

为实现对无线网络的有效保护,文章运用BP神经网络和GA遗传算法,完成对无线网络安全模型设计。首先,将BP神经网络与GA遗传算法进行有效的融合,提出一种GABP神经网络算法。其次,针对无线网络安全问题,运用该算法,从无线网络拓扑结构设计、无线网络入侵检测单位模型构建入手,完成对无线网络安全模型的设计。最后,对该模型进行仿真分析。结果表明:将BP神经网络与GA遗传算法应用到无线网络攻击类型中从而提高识别率,降低了误报率,确保了无线网络的安全性和可靠性。笔者希望该研究可以为相关人员提供有效的借鉴和参考。

基于Spark和优化BP神经网络的出租车需求预测模型

【目的】出租车调度问题作为影响我国交通发展的重要问题,一直受到学者们的广泛关注。针对实际生活中出租车空驶时间长、人车匹配效率低以及供不应求等问题,研究一个基于Spark和优化BP神经网络的出租车需求预测模型,对城市内某个区域未来一天内的出租总需求量进行预测。其中核心的预测算法是优化的BP神经网络。【方法】针对传统BP神经网络面对大数据集会出现收敛慢并且训练不理想的情况,利用灰色关联分析和遗传算法对模型进行优化。提前使用灰色关联分析对数据集进行处理并将结果作用于BP神经网络内部从而优化网络的收敛速度以及训练效果,并使用遗传算法再次对模型参数进行优化,将最终模型通过Spark实现从而加速模型的训练速度。【结果】通过模型对来自于TLC(纽约市出租车和轿车委员会)的出租车数据集的训练以及预测的实验结果可知:和原始BP神经网络、遗传算法优化的BP神经网络、模拟退火算法结合遗传算法优化的BP神经网络以及粒子群算法优化的BP神经网络相比,本文提出的优化模型的预测精度分别提升了25%、11.1%、6.9%、12.4%,训练时长分别缩短了32.9h、30.1h、36.2h、33.5h,并且收敛速度明显加快。最后将模型在我国的成都出租车数据集上进行训练和预测也证明了模型的泛用性以及对我国城市出租车需求量预测的有效性。【结论】优化模型可以很好地完成出租车需求量预测的任务,为决策者们进行出租车调度提供了有效参考,从而缓解目前存在的出租车调度问题。【局限】但是模型仍有改进空间如预测范围以及选取参数等。

遗传算法优化神经网络整包电池SOC估计模型

针对Back Propagation(BP)神经网络建立的动力电池荷电状态(State of Charge,简称SOC)估计模型存在的精度、稳定性等问题,使用遗传算法(Genetic Algorithm,简称GA),对SOC估计网络模型进行优化。使用以轮盘赌算法配合最佳个体保存法做为遗传算法核心选择算法,避免传统选择算法中最佳个体可能丢失的情况。实验对象选用新能源氢电混动重卡4X2/6X2T FCV的辅助动力电池包。模型考虑了环境温度、放电电压、放电倍率以及直流内阻的影响,对不同隐含层数量对模型估计精度的影响进行了对比分析。测试结果表示,使用遗传算法优化后的神经网络SOC估计模型的精度和稳定性得到大幅提升。

基于GA-灰色BP神经网络船舶备件需求预测模型

船舶维修备件的及时保障是船舶设备正常生产作业的保证,备件需求量的准确预测对于航运公司降低运营成本、提高管理效率起着至关重要的作用。文章从某船设备维修备件的历史数据进行分析,构建一种基于灰色模型的多层前馈(BP)神经网络模型,并采用遗传算法(GA)进行优化。首先对船舶设备备件需求影响因素进行分析,通过灰色模型确定备件需求的关键指标,并将结果作为BP神经网络的输入层,从而输出需求预测值。与灰色模型、GA-BP模型预测值对比发现,基于GA-灰色BP神经网络组合模型对于船舶备件的需求预测精度误差仅为0.147%。结果表明,使用GA优化可以提高灰色BP神经网络的预测精度,为船舶维修备件需求预测提供了一种新思路。

基于BP神经网络模型的机床大件结构动态优化方法及其应用研究

将BP神经网络理论与有限元建模方法相结合 ,提出了采用BP神经网络建立机床整机主要部件的动力学模型 ,并应用大型有限元分析软件ANSYS的APDL进行BP神经网络样本的快速采样的方法 .根据所提出的方法 ,建立了机床双W筋板床身的筋板位置、厚度与床身前 5阶频率之间的BP神经网络模型 ,并以床身第 1阶固有频率最高为目标进行了设计变量的自动搜索寻优计算且获得了满意的结果 。

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。

基于BP神经网络的车辆跟驰模型研究

课题组进行实际道路跟驰实验,利用GPS采集跟车驾驶行为数据。以GPS采集到的车辆行驶轨迹数据为基础,提取前车车速、相对距离、前车对后车的相对速度以及后车车速作为输入,后车下一时刻的车速作为输出,建立BP神经网络跟驰模型,并使用遗传算法(GA)对BP神经网络跟驰模型进行优化。结果表明,GA-BP神经网络模型与BP神经网络模型对比,GA-BP神经网络跟驰模型预测性能的各个评价指标都优于BP神经网络跟驰模型。

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整 BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型 ;即先通过遗传学习算法进行全局训练 ,再用权重调整 BP算法进行精确训练 ,使网络收敛速度加快和避免局部极小 .作为实例 ,以新疆雅马渡站的实测径流资料和相应的前期 4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量 .结果表明 。

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。

基于BP神经网络模型的磨床部件动态灵敏度分析

利用ANSYS的APDL语言建立磨床部件的参数化模型 ,计算出磨床部件的动态特性 ,快速采样得到BP神经网络模型的学习样本 ,建立基于BP神经网络的动态分析模型 ,将磨床部件结构参数与其动态特性之间的关系反映为神经网络模型的网络输入与网络输出之间的数学关系 ,从而方便地、快速地对磨床部件进行了动态灵敏度分析 .结果表明 ,在BP神经网络模型上进行磨床结构优化要比在有限元模型上方便、快速 。