双重BP神经网络组合模型在实时数据预测中的应用

在回归和延时神经网络的基础上,利用非线性组合预测方法的优点,提出一种新的预测模型——双重BP神经网络组合模型模型,选用某660MW机组的主蒸汽流量数据进行学习训练,实例计算结果表明双重BP神经网络组合模型可提高单项预测模型的精度,校核样本的平均相对误差为1.5%,而单独采用回归神经网络和延时神经网络进行预测的平均相对误差分别为2.7%和1.9%,证明双重BP神经网络组合模型具有很高的预测精度,可应用于火电厂实时数据的有效性验证。

融合双重BP神经网络组合模型的Python解析计算机网络上传数据算法

针对手工提取网络上传数据过程烦琐、工作量大的问题,提出一种融合双重BP神经网络组合模型(A combination model of dual BP neural network,CMDBPNN)的Python解析计算机网络上传数据算法.该算法对BP神经网络组合模型的空间实施网络化处理,且对于网络单元中的信息也可以借助相似的方法来进行记录,依据优化之后的金字塔时间结构对其中潜藏的网格单元来实施有效的存储,以实现Python解析计算机网络上传的数据算法.最后,利用真实数据集与仿真数据集进行实验.结果表明:该算法具有良好的适用性和有效性.

基于热传递原理的高温工作服研究与优化

本文针对高温作业专用服装的设计问题,在建立系统热传递温度变化模型的基础上,利用分离变量法和有限差分法,得出人体皮肤外侧温度分布。在求得温度分布的离散解的基础上,运用BP神经网络进行深入计算。在目标优化模型中,采用GA_PSO算法进行求解,得到相应约束条件下的厚度值,提出最优方案。