基于遗传算法-反向传播神经网络及响应面法优化香薷漱口水配方工艺

目的:研制一种具有抑菌作用的新型复方中药漱口水。方法:以药食同源中药香薷为主要原料,以乙醇、甘油、柠檬酸-木糖醇的用量为考察因素,感官评分(色泽、香味、滋味)作为评价指标,在单因素试验和响应面试验的基础上,采用反向传播神经网络建立预测模型,结合遗传算法优选漱口水的配方工艺;采用梯度稀释法测定漱口水的最小抑菌浓度。结果:该中药漱口水的最佳配方为:乙醇3.8%,甘油10.4%,柠檬酸-木糖醇0.31%;抑菌试验表明漱口水对大肠杆菌抑制作用较强,对金黄色葡萄球菌具有一定的抑制作用,其MIC分别为0.0741 g/mL和0.1481 g/mL。结论:该中药漱口水制备方法简单,具有一定的抑菌作用,可为药食同源中药的开发利用提供参考。

基于帝国竞争反向传播神经网络的断块油田开发顺序优化

明确断块油田群中断块的开发顺序是进行开发方案设计的前提条件。断块油田数量较少时,可以进行技术经济的组合对比,但是断块数量较多时会形成海量的组合,耗费时间也长。断块油田开发顺序评价的现有方法有权重评价法、层次分析法、综合模糊评判法等,这些方法在选择评价指标和指标权重上带有较强的主观性,无法做到完全客观的评价。因此本文提出一种基于帝国竞争算法改进的反向传播神经网络模型,首先采用Spearman相关系数法确定影响断块油田开发的主控因素,其次使用分段三次Hermite插值方法实现断块油田群开发数据库的扩充,最后在扩充后的大量数据库训练样本的基础上,基于帝国竞争算法改进的反向传播神经网络模型可以确定影响开发效果参数的权重并预测断块油田群中各断块油田的净现值,根据净现值大小可以确定每个断块的开发顺序。该方法以实际断块油田群的地质油藏数据库作为评价依据,断块油田的开发顺序更加的科学合理,项目整体的净现值也明显高于依靠传统方法确定的开发顺序组合,避免了人为主观性,也节省了数值模拟和经济评价的工作量,克服了现有方法的局限性,对于提高断块油田群开发综合效益具有重要意义。

基于反向传播神经网络PID的高功率微波炉温度控制

针对现有10 kW高功率工业微波炉,采用继电器作为控制执行器,在使用传统控制方法加热时,温度存在较大超调和明显振荡,系统温度稳定性较低,为解决上述问题将反向传播神经网络PID(BPNNPID)控制引入到该装置微波加热温度控制中,并以自来水为加热对象进行仿真对比与实验验证。首先,利用现有输入输出实验数据,建立工业微波炉温度控制模型;其次,运用MATLAB/SIMULINK搭建高功率工业微波炉温度控制系统并进行仿真对比实验;最后,实验验证BPNNPID控制方法在加热5 kg自来水时工业微波炉的温度控制性能,实验结果表明,较常规PID、模糊PID控制,该方法在微波加热过程中对媒质温度控制超调更小且未发生明显温度振荡,有效改善了高功率工业微波炉工作时的系统温度稳定性,有助于提高产品质量和安全性能。

基于反向传播神经网络的卤水蒸发速率预测模型

卤水的蒸发速率是盐田生产管理中的一个重要技术参数,通过搭建室外卤水蒸发实验装置,分析了辐照强度、风速、环境温度、相对湿度、卤水温度、卤水浓度与卤水蒸发速率的关系。利用反向传播(BP)神经网络,训练构建了卤水蒸发速率预测模型,并与传统的应用回归方法构建的模型进行比较。结果表明,BP神经网络模型和非线性回归模型的决定系数R2分别为0.902和0.884,预测平均相对误差分别为15.723%和18.943%,BP神经网络模型的拟合效果和预测能力均优于非线性回归模型。说明应用BP神经网络构建卤水蒸发速率预测模型是可行的,能够实现蒸发速率的快速估测。

基于遗传算法-反向传播神经网络优化高压-超声-酶解法提取羊皮胶原蛋白工艺

采用高压-超声-酶解法提取羊皮胶原蛋白,对比遗传算法-反向传播(genetic algorithm-back propagation,GA-BP)神经网络模型和响应面模型的优化效果,确定最佳工艺参数。结果表明:GA-BP神经网络在模型拟合和预测方面表现优于响应面模型;最佳提取参数为高压时间23 min、超声时间22 min、酶添加量3.2%、酶解时间222 min,羊皮胶原蛋白提取率达到(80.5±1.6)%,较传统的木瓜蛋白酶法提高40%;紫外-可见吸收光谱和傅里叶变换红外光谱结果显示,此条件下提取的羊皮胶原蛋白结构完整,高压-超声-酶解法对胶原蛋白的破坏较小。

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的比较反向传播神经网络(backpropagation algorithm neural network,BPNN)模型与偏最小二乘回归(partial least squares regression,PLSR)模型在预测芒果可溶性固形物含量(soluble solids content,SSC)方面的性能。方法使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据,建立两种预测模型,采用多元散射校正(multiplicative scatter correction,MSC)进行光谱预处理,利用遗传算法(genetic algorithm,GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms,IVISSA)和变量组合群体分析算法(variable combination population analysis,VCPA)提取特征波长变量,通过比较不同特征波长提取方法进一步优化对比预测模型。结果与PLSR模型相比,BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳,预测集判定系数R_(p)^(2)、均方根误差(root mean square error of prediction,RMSEP)、残差预测偏差(residual prediction deviation,RPD)分别为0.8641、0.3924和2.7127。结论该模型可快速、准确地检测芒果的SSC,并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC,为开发在线芒果SSC无损检测系统奠定基础。

大容积电烤箱内传热过程的反向传播神经网络控制算法

大容积电烤箱内存在严重加热不均匀问题,限制其在商业和家用领域的广泛应用,传统比例-积分-微分(PID)控制算法存在弛豫时间长、温控精度差等问题,导致被加热目标无法维持在最佳烹饪热环境。通过自编程构建了一种反向传播神经网络(BPNN)控制策略,以改善大容积电烤箱的加热速率、温控精度及热均匀性为目标,通过局部速度、温度分布与美拉德反应可视化实验测试,探究了风扇转速、对流与辐射加热功率和排气流量等因素的影响。实验结果表明:在提升算法鲁棒性后,BPNN算法对烤箱内温度预测误差显著降低;相比PID控制方法,采用BPNN算法的被加热目标过热度最多降至6℃,温控精度显著提高;被加热目标表面温度的相对极差从54%降至36%,速度相对极差从71.4%下降至39%,均匀性显著增强;电烤箱的加热弛豫时间从230 s降至100 s。BPNN算法能够实现大容积电烤箱更精确、更快速、更均匀的温度控制。

基于反向传播神经网络的电化学强化厌氧膜生物反应器膜污染预测模型

厌氧膜生物反应器(AnMBR)在高效处理污水的同时能够捕获污水中的能量,产生清洁能源甲烷,对实现“碳中和”目标具有重要意义。膜污染问题是制约AnMBR在市政污水中大规模工程应用的首要挑战。基于电化学调控的AnMBR是实现膜污染控制耦合高效产能的一种潜在途径。本文构建了电化学强化AnMBR反应体系,收集反应器连续运行试验数据,基于反向传播神经网络(BPNN)理论,建立单层多节点隐含层的BPNN模型。采用两种不同方式分割数据集,经过多次训练实现模型性能的优化,可将已有水质时间序列数据作为输入,对未来的膜污染时间序列进行预测。结果表明,跨膜压差(TMP)与pH值、氧化还原电位(ORP)未呈现出显性关联,但其本身表现出典型的时间序列数据特性。所构建的BPNN膜污染预测模型误差能够达到1e-10以下,预测精确度接近100%,可为电化学强化AnMBR系统的运行管理提供有力的支持。

基于反向传播神经网络和支持向量机融合模型的农产品价格预测技术

在当今农业科技快速发展的过程中,农产品种植的种类和规划方式也越来越丰富,不同的农产品规划能带来不同的农作物种植收益。为了提高农产品种植规划的质量,提出了一种基于融合模型的方法。过程中建立包含三层结构的反向传播神经网络,使用粒子群算法通过逐渐逼近的方式进行数据寻优,使用支持向量机回归技术对短时间农产品价格进行预测。实验结果表明,研究方法在对蔬菜进行预测时,在输入数据条数为200条时的计算时间为153 ms;在产品单价预测结果中,研究方法在对水果进行预测时的预测结果误差保持在0.003元每千克以内。研究方法能够有效完成农产品的单价预测,且具有良好的效率。

关于系统级故障诊断的烟花-反向传播神经网络算法

为了更快速且精确地诊断出大规模多处理器系统中的故障单元,该文首次将改进的烟花算法和反向传播(BP)神经网络相结合,提出一种新的系统级故障诊断算法-烟花-反向传播神经网络故障诊断算法(FWA-BPFD)。首先,在烟花算法中引入双种群策略、协作算子以及最优算子,设计新的适应度函数,优化变异算子、映射规则和选择策略。然后,利用烟花算法全局搜索能力和局部搜索能力的自调节机制,优化BP神经网络中的权值和阈值的寻优过程。仿真实验结果表明,该文算法相较于其他算法不仅有效地降低了迭代次数和训练时间,而且还进一步提高了诊断精度。

复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法

由于复杂装备运行工作环境恶劣,导致其轴承多重故障诊断的准确率不高,为此提出一种基于线性判别分析(LDA)与反向传播(BP)神经网络协作下复杂装备轴承数据驱动的多重故障诊断方法。将无量纲指标作为轴承多重故障数据的反映指标,利用LDA对轴承多重故障的无量纲指标数据进行线性映射降维处理;通过拉格朗日极值法获得最佳投影向量,沿着该方向将轴承多重故障数据投影到类别最易区分的方向;将经投影处理后的样本作为BP神经网络的输入样本,通过训练测试网络,实现轴承多重故障的预测分类。对某型装备大型旋转机械机组进行仿真实验,验证了所提方法能够有效对轴承多重故障进行降维映射,并且能较好地实现多重故障分类诊断,具有良好的有效性和实用性。

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明:与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。

适用于海量负荷数据分类的高性能反向传播神经网络算法

负荷分类对于指导电网发用电规划与保证电网可靠运行具有重要意义。面向负荷数据海量化与复杂化趋势,传统负荷分类方法已无法满足用电大数据分析要求。首先,针对用户侧数据体量大、类型多、速度快等特点,在Spark平台上将反向传播神经网络(BPNN)算法并行化,实现对海量负荷数据的高效分类。然后,通过对训练样本抽样分块以降低各网络学习时间,针对分布式后BPNN基分类器由于学习样本缺失潜在的准确度下降问题,采用集成学习予以改善。并通过BPNN学习不同训练样本块构建差异化基分类器,对基分类结果多数投票得到最终分类结果。另外,提供了一种基于K-means和K-medoids聚类的负荷数据训练样本选取方法。算例表明所提方法既能对负荷曲线有效分类,又能大幅提高海量数据的处理效率。

基于反向传播神经网络的发电机进相能力建模研究

提出一种基于反向传播神经网络(back propagationneural network,BPNN)的发电机进相能力建模新方法。该BPNN含2个隐层和1个输出层,以发电机有功和无功功率为输入,以发电机功角、电网电压为输出。以典型工况下的发电机进相运行试验结果作为训练样本和测试样本,建立了某600 MW发电机进相能力BPNN模型,从收敛精度最优出发,优化设计了模型的隐层数、神经元数、传递函数。建模实例表明,提出的建模方法精度高、泛化能力强,能有效克服传统分析方法的局限性,有推广应用价值。

应用遗传算法-主成分分析-反向传播神经网络的近红外光谱识别树种效果

以风车木(Conbretum imberbe)和非洲小叶紫檀(Pterocarpus tinctorius Welw)为研究对象,应用LabSpec光谱仪采集光谱样本进行主成分分析(PCA),并运用遗传算法(GA)对主成分进行寻优,分别以未经GA寻优的主成分和经GA寻优的主成分作为反向传播(BP)神经网络输入量,测试了BP神经网络识别两种树种的效果。结果表明:寻优前,获得高识别率的主成分区间较窄,仅有5种情况识别效果理想,此种情况不利于主成分数的恰当选择;寻优后,获得高识别率的主成分区间较宽,从前6到前17有12种情况可供选择,此种情况更利于主成分的合理选择;寻优后的识别率比寻优前高,且稳定性较好。利用近红外光谱,依据GA-PCA-BP神经网络方法识别树种是一种理想的方法。

基于反向传播神经网络的变型设计变异点快速定位

为了对产品进行有效变型设计,针对产品模型的最小模块,提出了变异点概念,并在分析产品结构的基础上,将反向传播神经网络引入到变型设计中,建立了快速定位变异点的反向传播人工神经网络模型,较好地解决了人为确定变异点的杂乱性与欠准确性问题。最后进行了实证分析,结果表明,采用反向传播人工神经网络快速定位变异点是可行的。

基于反向传播神经网络的SVM技术在电压型变流器中的应用研究

在分析三相电压型变流器空间矢量调制(SVM)技术基本原理的基础上,提出了一种基于反向传播神经网络结构的 SVM 技术(CPN-SVM)的实现方法。该方法采用CPN 竞争层来计算 SVM 中各个矢量的具体作用时间,避免了计算正弦函数这一非线性运算,缩短了计算时间,采样周期的可进一步缩短。仿真和实验表明:CPN-SVM 除了具备 SVM 的固有优点外,还有下述几个显著优点:①大大降低了整个控制系统的软硬件成本,提高了对开关瞬态位置判断的准确性;②随着采用周期的缩短,最大开关频率相应增大,从而提高了整个系统的传输带宽③避免了由于计算误差给 SVM 波形中所带来的附带谐波。

基于反向传播神经网络的载流导体本体温度仿真计算

在常规的载流导体本体温度测试中,由于传感器不能直接贴近导体而存在一定的测量偏差。为解决此问题,建立了基于反向传播(back propagation,BP)神经网络的开关柜载流导体本体温度计算模型,利用己有载流导体表层温度和环境温度数据训练BP神经网络,无需考虑载流导体本身的物性参数。以额定电压12 kV、载流1.25 kA开关柜出线室电缆为试验对象运行该模型,在迭代240次左右完成训练学习,计算出导体本体温度为65℃。通过与有限元模型计算结果进行对比,验证了所建模型能准确计算载流导体本体的温度,且建模简单、操作方便、可重复使用。进一步提高模型的计算精度是下一步研究的方向。

基于改进反向传播神经网络代理模型的快速多目标天线设计

针对传统天线设计方法计算代价较大的缺陷,该文构建基于反向传播神经网络(BPNN)的新型天线代理模型。为解决BPNN训练易陷入局部最优的问题,采用粒子群优化(PSO)算法来改善神经网络初始结构参数,进而构建PSO-BPNN天线代理模型,并基于该模型提出多参数天线结构的快速多目标设计方法。设计实例表明,该方法在预测精度以及计算代价等方面优于现有的常用天线设计方法。所提方法对处理复杂高维参数空间天线设计问题具有实用价值。

基于反向传播神经网络的WSN节点定位方法研究

针对无线传感器网络存在的定位精度问题,基于反向传播神经网络提出一种新的节点定位方法.该方法首先结合时间差测距和信号强度给出了节点定位计算公式,同时结合反向传播神经网络对上述参数进行快速求解.最后结合NS2和MATLAB进行仿真实验,深入研究了影响定位方法的关键因素.通过对比其他定位算法,本方法具有较好的适应性,能够有效降低定位误差.