双隐含层BP神经网络模型在老哈河水质预测中的应用

为了快速准确预测老哈河水质,采用老哈河2011-2015年水质监测数据,运用拉格朗日插值法补充缺失值,分别对化学需氧量、生化需氧量、高锰酸盐指数和总磷浓度建立Levenberg-Marquardt优化的双隐含层BP神经网络模型,利用2011-2014的数据建立训练网络,以2015年的数据进行验证与测试。结果表明:五日生化需氧量预测模型,第一隐含层节点数为4,第二隐含层节点数为12时,决定系数0.751 6(P=0.000 3),平均相对误差25.73%;化学需氧量预测模型,第一隐含层节点数为12,第二隐含层节点数为10时,决定系数0.887 5(P<0.000 1),平均相对误差27.69%;高锰酸盐预测模型,第一隐含层节点数为6,第二隐含层节点数为3时,决定系数0.854 7(P<0.000 1),平均相对误差28.90%;总磷预测模型,第一隐含层节点数为12,第二隐含层节点数为12时,决定系数0.889 2(P<0.000 1),平均相对误差17.94%。应用拉格朗日插值法对缺失数据进行补充后建立的双隐含层BP神经网络模型相对误差均小于28.90%,模型的预测效果较好,其中总磷浓度预测效果最好。通过拉格朗日插值,可以建立老哈河赤峰段甸子点位污染指标的双隐含层人工神经网络模型进行水质预测。

清漂无人船船体轻量化研究

以清漂无人船质量最轻为设计目标,将船舶设计规范要求的板厚尺寸及最大等效应力、剪应力作为约束条件,通过灵敏度分析筛选确定设计变量。将设计变量进行正交试验,得到神经网络训练和测试样本。构建双隐含层的BP神经网络模型替代耗时的有限元模型,确定应力与设计变量之间的关系,并与不同隐含层的神经网络进行比较,得出双隐含层BP神经网络模型性能更好的结论,从而用其对清漂无人船进行轻量化优化。优化后的船体质量降低10.3%。优化后的船体经有限元分析,满足船舶设计规范要求,说明双隐含层BP神经网络模型在船舶结构设计优化上具有可行性。