改进型LM-BP神经网络在水质评价中的应用

为了克服传统BP神经网络在水质评价中的不足,利用双极性S型函数输出可为正或负的特性以及LM算法具有梯度下降法的全局特性和高斯-牛顿的局部特性,对BP神经网络法进行改进,提出了基于双极性S型函数的改进型LM-BP神经网络模型的水质评价方法。应用结果表明,将此网络模型应用于水质评价是有效的、可行的。与其他评价方法相比,评价结果更加客观、合理。改进后的算法收敛速度较快,预测精度很高,为水质评价提供了一种新方法。

一种改进型BP算法

标准BP算法是一种应用广泛的神经网络学习算法,但它具有收敛速度较慢、易陷入局部最小值的缺点。针对上述缺点,本文提出了一种基于双极性S型函数和动量项的改进型BP学习算法。经验证,该算法有效加快了收敛过程,同时避免权重值陷入局部最小。

PSO+:基于粒子群结合其他迭代算法非线性拟合热对流聚合酶连锁反应的荧光数据

热对流聚合酶连锁反应(CCPCR)利用热对流的原理,让试剂在试管内流动,通过试管上下部分的温度差来达到扩增目的。为了实时检测扩增效果,我们在试剂体系中加入了荧光基团,通过荧光的强弱实时反映扩增的情况。实验结果显示荧光变化曲线符合扩增曲线的S型趋势,但是由于热对流的不稳定性而存在一定的抖动情况,不利于扩增循环阈值(CT值)的计算。为了解决这个问题,本文采用动力学方法,利用双S型函数模型来拟合曲线,使荧光曲线平滑,从而能更好地根据曲线来推断核酸初始浓度,达到定量的目的。同时采用PSO+算法求解双S型函数参数,即用粒子群优化(PSO)算法结合Levenberg-Marquardt、Newton-CG等算法进行曲线拟合,有效克服PSO随机性太强和传统算法Levenberg-Marquardt、Newton-CG等容易陷入局部最优解的缺点,数据拟合结果的R2能够达到0.999 8。此研究对以后的实时荧光热对流扩增的定量检测研究有指导性意义。