采用遗传-反向传播人工神经网络法构建新疆地区癫痫患儿拉考沙胺血药浓度预测模型

目的:利用遗传-反向传播(GA-BP)人工神经网络法构建新疆地区癫痫患儿拉考沙胺(LCM)血药浓度的预测模型。方法:采用超高效液相色谱法测定400例癫痫患儿的LCM稳态血药浓度,收集患儿临床资料,提取相关数据,采用GA-BP人工神经网络法构建LCM血药浓度的预测模型。结果:模型验证结果显示,80例预测浓度的平均预测误差(MPE)绝对值均<10%,预测误差(PE)绝对值<20%的比例是100%,PE绝对值<10%的比例是92.50%,平均预测绝对误差(MAE)为2.28%,提示GA-BP模型预测的准确度和精密度均较好,预测浓度和实测浓度的相关系数为0.998,预测结果较理想。结论:应用GA-BP人工神经网络法预测LCM血药浓度是可行的,可应用于LCM个体化给药研究,促进临床合理用药。

反向传播-人工神经网络在辐照黑椒牛肉品质预测中的应用

为探究不同辐照处理对贮藏过程中黑椒牛肉品质变化的影响,建立基于理化指标的多种品质预测模型。3~4 kGy的辐照剂量能够有效延缓黑椒牛肉在贮藏过程中的汁液流失、脂质氧化和蛋白质降解,保持其硬度和微观结构,在一定程度上增加呈鲜味(Asp)和甜味(Gly、Ala、Ser)游离氨基酸的含量。以辐照黑椒牛肉的汁液流失率、硫代巴比妥酸反应产物值、总挥发性盐基氮值、原肌球蛋白条带强度比率、肌球蛋白重链条带强度比率和总游离氨基酸含量为输入变量,优化了反向传播-人工神经网络(backpropagation-artificial neural network,BP-ANN)模型。训练函数为ReLU函数,隐藏层神经元个数为14个,迭代次数100次。结果表明,6-14-6 BP-ANN模型可以较好地预测辐照黑椒牛肉的品质变化,该模型在预测辐照肉制品的多种品质方面具有很大潜力。

遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

基于人工神经网络的沿海地区底泥盐度计算模型

底泥盐度与海洋科学、河口研究、环境管理等密切相关,现有的底泥盐度计算公式存在精度不足、适用性有限等问题。为此,开展了271组室内试验和10组户外试验,整合了其他学者的研究数据,以底泥电导率、泥沙浓度、温度和细颗粒表面系数为模型输入变量,分别建立了用于计算沿海地区底泥盐度的反向传播人工神经网络(BP-ANN)模型、粒子群优化的反向传播人工神经网络(PSO-BP-ANN)模型、结合遗传算法的反向传播人工神经网络(GA-BP-ANN)模型。与现有的底泥盐度计算公式相比,新建模型的精度更高,可为沿海地区底泥盐度的确定提供更多可供选择的预测方法。

人工神经网络在电力营销系统中的应用与实现

在电力行业信息化发展背景下,收集与存储大量电力数据,可为电力企业营销决策制定提供依据。该文提出采用人工神经网络构建电力营销系统BP神经网络模型,通过智能决策树分类算法预处理模型数据,得到最优化的模型数据,并改进神经网络隐含层节点数目算法,结合应用分时段预测方法及共轭梯度算法分别进行网络训练及网络结构优化,为网络收敛速度加快提供保障,得出相对准确的电力营销年度电量预测结论,说明电力营销系统中人工神经网络具有较高的应用价值。

基于层次分析法-熵权法结合遗传算法-反向传播神经网络优化金蒲橘泡腾片提取工艺

目的:采用正交试验及层次分析法(analytic hierarchy process,AHP)-熵权法结合遗传算法(genetic algorithm,GA)-反向传播(back propagation,BP)神经网络优选金蒲橘泡腾片提取工艺。方法:以绿原酸、木犀草苷、菊苣酸提取量和出膏率为指标,采用AHP-熵权法确定各指标的复合权重系数,根据L9(34)正交实验对加水倍数、提取时间、提取次数进行考察,并结合GA-BP模型进一步优选金蒲橘泡腾片提取工艺。采用高效液相法测定绿原酸、木犀草苷、菊苣酸含量,以Agilent ZORBAX SB-Aq(5μm,4.6 mm×250 mm)为色谱柱,以乙腈-4 mL/L磷酸水溶液为流动相梯度洗脱,柱温25℃,流速为1.0 mL/min,检测波长为350 nm,进样量为10μL。结果:绿原酸、木犀草苷和菊苣酸分别在24.6~787.2 mg/L、0.9~14.4 mg/L和5.4~172.8mg/L范围内线性关系良好,平均加样回收率分别为101.58%、99.60%、105.31%,RSD分别为1.87%、1.99%、1.15%。正交试验筛选出最优提取工艺为加12倍水,提取2次,每次0.5 h,综合评分为95.59分;GA-BP模型优选的最优提取工艺为加12倍水,提取2次,每次1 h,综合评分为96.86分。工艺验证表明,正交试验所得最优工艺RSD为3.15%,GA-BP模型所得最优工艺的RSD为2.75%,与预测值相对误差仅有0.14%。结论:GA-BP模型结合AHP-熵权法优选的金蒲橘泡腾片提取工艺稳定,有较好的预测性,可为其制剂工艺研究提供新的思路。

紫外可见吸收光谱结合主成分-反向传播人工神经网络鉴别真假蜂蜜

研究紫外-可见吸收光谱技术结合化学计量学方法鉴别真假蜂蜜。根据蜂蜜中果糖和葡萄糖的典型质量比1.2:1.0,配制与真蜂蜜相近的掺假溶液,并以5%～20%的比例掺入真蜂蜜中。获取纯正蜂蜜和掺假蜂蜜的紫外-可见吸收光谱,选择最佳敏感波段250～400 nm的吸光度值进行主成分分析(PCA),优选主成分作为反向传播人工神经网络(BPANN)的输入向量。输出结果显示,校准集和预测集的准确鉴别率均为100%;对应的均方根误差分别为8.523×10-3和8.961×10-3。研究结果表明,基于PCA-BPANN的紫外-可见吸收光谱技术能够方便、快速、准确地鉴别真假蜂蜜,为食品质量的快速检测提供可靠参考。

人工神经网络及模拟退火算法应用于原子吸收光谱法同时测定钙、磷

试验发现:原子吸收光谱法(AAS)在442.7 nm波长处测定钙时受到大于0.10 mg·L^(-1)磷共存的干扰,使钙的测定结果偏低,而且此负偏差降低的幅度随磷浓度的增加而增大。试验还发现:当共存磷的量在0.1～6.0mg·L^(-1)之间时,钙测量值的负偏差幅度与磷浓度之间存在明显的相关性。应用反向传播人工神经网络(BP-ANN)及模拟退火两种计算法对上述非线性干扰效应进行了研究,并提出了在单一波长检测的条件下,钙、磷两元素的原子吸收光谱法同时测定,此法应用于循环水中钙、磷的同时测定。两元素的检测范围依次为0.08～10.0 mg·L^(-1)及0.10～6.0mg·L^(-1),测得其回收率分别为100.5%和98.0%。

复合对向－反向传播人工神经网络模型及其应用

组合Ｋｏｈｏｎｅｎ竞争学习和反向传播学习的优点，本文首次提出了复合对向－反向传播人工神经网络模型，该模型较好地体现了生物神经网络系统信息处理时的自适应、自组织、分布式存贮及并行处理等特点。它保留了反向传播网络的优点，同时较后者更易收敛，计算时间缩短，网络参数设置也更为自由。通过在临床精液检查结果分析中的成功应用，证明了该系统的有效性和可靠性。

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。

人工神经网络对NaNbO_(3)基陶瓷介电性能的预测研究

NaNbO_(3)基陶瓷在电介质储能领域具有极大的应用潜力。研究在对NaNbO_(3)基复合陶瓷材料开展实验研究的基础上,基于人工神经网络方法构建BP神经网络与优化的GA-BP神经网络模型,以磷酸盐玻璃相的添加量、烧结温度、烧结时间作为输入,介电性能(介电常数与介电损耗)作为输出,对NaNbO3基复合陶瓷材料的介电性能开展预测研究。结果表明,通过GA-BP网络预测的介电常数相对误差最大仅为1.03%,介电损耗预测结果最大值仅为-3.18%,完全符合应用需求。

人工神经网络算法在岩土工程中的应用分析

人工神经网络算法作为一种机器学习技术,能够模拟人类大脑的生理结构及工作机制。文章对人工神经网络算法的类别和工作原理进行了分析阐述,重点对分别属于前反馈型模型、后反馈型模型及自适应竞争模型的反向传播人工神经网络算法、Hopfield神经网络算法和自组织映射人工神经网络算法进行介绍,进而分析上述三种人工神经网络算法在岩土工程中的实际应用。人工神经网络算法能对土壤进行准确分类,对岩石进行准确分组,并准确预测岩石和土壤形变,对边坡的稳定性和路基沉降的预测准确性高,在岩土工程中有重要的应用价值。

基于列文伯格-马夸尔特-反向传播人工神经网络的X射线荧光光谱定量分析方法

目的建立一种基于列文伯格-马夸尔特-反向传播人工神经网络(Levenberg-Marquardt back-propagation artificial neural networks,LM-BP-ANN)的X射线荧光光谱(XRF)的定量检测分析方法。方法采集84个土壤样品光谱数据,预处理后应用主成分分析(PCA)提取特征参数,随机选取训练集、校正集、预测集样品个数分别为42、21、21。以均方差(MSE)、校正决定系数(R^2)、校正标准差(SEC)、验证决定系数(r^2)、预测标准差(SEP)和相对预测误差(RPD)为评价指标,同时分析比较LM-BP-ANN、BP-ANN、PLS三种算法的建模结果,并利用模型预测土壤重金属含量。结果实验确定隐含层神经元数目、学习率和迭代次数值依次为:6、0.1和8,3种建模方法中LM-BP-ANN效果最优,模型的相关系数高于0.98,表明模型有效。结论模型分析快速,可用于实际土壤样品中重金属含量的检测,对于改进X射线荧光光谱仪的检测准确度有着重要的意义。

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型。采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型。为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性。

基于K-近邻算法改进粒子群-反向传播算法的织物质量预测技术

为解决现有下机织物质量差异性较大且传统验布环节时间较长等问题,提出基于K-近邻(KNN)算法改进粒子群-反向传播(PSO-BP)算法的织物质量等级预测方法。首先分析织物质量预测模型,整理织物疵点类型与织物质量等级分类,并根据织物疵点特征将疵点划分为6类;其次选取14种影响织物质量的因子作为模型输入量;然后详细介绍依据KNN与PSO原理进行织物质量预测流程;最后以浙江兰溪某纺织厂近3个月16186条织物生产数据为例,建立织物质量预测模型。结果显示:该技术对织物质量预测的准确率达到98.054%,且训练时长仅需4.8 s,在保证织物质量预测准确性的同时,极大缩短了检测时间,提高了织造车间生产效率。

采用人工神经网络求解箱梁温度场算法研究

选用人工神经网络中的前向网络 ,应用反向传播算法 ,通过对箱梁温度场的研究 ,得到了统一的求解程序 。

结合进化算法的人工神经网络在变压器故障诊断中的应用

人工神经网络在变压器故障诊断中有广泛的应用。常用的BP算法具有易陷入局部极小、收敛速度慢等缺点 ,给故障诊断带来不便。为此提出利用进化算法优化人工神经网络结构的初值 ,利用可靠性分析技术对输入数据进行处理 ,从而有助于较快获得最佳的权值矩阵 ,实现变压器故障诊断。

改进人工神经网络算法及其在E面分支波导耦合器优化设计中的应用

将混合遗传算法用于人工神经网络,训练出全局最优的权值和偏差,解决了反向传播网络收敛于局部极值的问题。运用该方法训练出E面分支波导耦合器的输入输出人工神经网络模型,并以此仿真并优化其他结构的耦合器。相对于精确电磁场数值计算,前者在保证有较高仿真精度的前提下,大大提高了仿真速度。

遗传算法结合人工神经网络模拟药物在超临界流体中溶解度

为更精确地关联预测药物在超临界流体中的溶解度,提出了遗传算法(GA)与LM-反向传播人工神经网络相结合(GA-LM-BPANN)的模型,并设计了该模型的计算过程,讨论了模型参数的设置。用该模型计算了温度(308～348K)和压力(122～355bar)条件下药物(非那吡啶)在超临界CO2中溶解度。结果表明,计算值与实测值的平均相对误差(AARD)为1.53%,测试集的AARD为3.32%。用Bartle半经验方程得到的计算值与实测值的AARD为14.6%。可见,与Bartle半经验方程相比,GA-LM-BPANN模型的关联和预测精度高,关联范围广。