基于CSO-BP神经网络的电缆谐波损耗智能评估

国内外对于电缆线路谐波损耗的研究主要是通过电磁物理分析进行计算,等值参数的修正多依赖经验公式,精度方面有所欠缺。为准确评估电缆线路的谐波损耗,提出一种基于纵横交叉优化(CSO)算法-反向传播(BP)神经网络的损耗智能评估模型。谐波影响下的电缆线路普遍是谐波次数多样且各次含有率不定,训练样本的影响因素众多,为了克服传统的BP神经网络算法收敛速度慢、容易陷入局部最优的缺点,使用搜索能力更强的CSO算法优化BP神经网络,得到基于CSO-BP神经网络的电缆线路谐波损耗智能评估模型。将该模型的损耗评估值、传统BP模型评估值以及物理公式法计算值进行对比,仿真结果表明,基于CSO-BP神经网络的电缆谐波损耗智能评估模型得出的结果与实际值更为接近,具有较高的准确性和稳定性。

大数据战略下我国智能制造业经营绩效的发展研究——基于优化的TAN-FOA预测模型

2015年5月《中国制造2025》出台,对于中国制造业的发展重新进行战略部署,强国目标由“中国制造”加速向“中国智造”转型,智能制造产业呈现快速发展,然而,快速发展下的经营绩效预测成为必须关注的重要议题。提出改进的TAN-FOA优化方法,主要在同时改进FOA容易陷入局部极值与浓度非负值的局限,并分别优化BPNN及MARS建构的智能制造产业经营绩效预测模型。结果显示,TAN-FOA对比于FOA的优化效果较好,在BPNN或MARS的预测能力均得到有效的提升;同时,TAN-FOA-BPNN-ROE的预测能力在所有模型中最佳,此方法的经营绩效预测模型最适合应用于中国智能制造企业。

基于近红外光谱的重金属汞、镉和铅污染水稻叶片鉴别

通过近红外光谱技术结合模式识别技术,建立重金属Hg、Cd和Pb污染水稻叶片的判别模型,以发展快速检测重金属污染水稻的技术。结果表明:在模拟稻田重金属Hg、Cd和Pb质量分数分别在1.5、1和500mg/kg条件下水稻正常生长发育;叶片近红外光谱数据通过小波函数(daubechies 2,db2)在0～5水平预处理后分别输入反向传递神经网络(back propagation neural networks,BPNN)和径向基神经网络(radial basis function neuralnetworks,RBFNN)预测的结果表明,小波转换采用db2函数第3分解水平对光谱的预处理结合径向基人工神经网络对重金属胁迫下水稻叶片识别效果最优,对Hg、Cd和Pb污染土壤上以及正常条件下生长的水稻叶片的识别正确率分别为95.5%,81.8%,91.3%和100.0%。这为近红外光谱分析技术在重金属污染水稻的识别上提供了初步依据,并有利于保障植物环境安全。

基于模糊支持向量机预测胎重的方法研究与比较

胎重的准确预测在胎儿监护中具有重要作用,为提高胎重预测的准确性,提出一种基于模糊支持向量机的预测方法。通过在支持向量机中引入模糊逻辑,抑制由测量误差造成的异常数据对预测模型训练的影响,提高了胎重预测对参数测量误差的鲁棒性。对600例数据构成的训练集和150例数据构成的测试集进行应用,比较了模糊支持向量机和以前的回归方法、误差反向传递神经网络、支持向量机在胎重预测中的性能。结果表明:与其它方法相比,模糊支持向量机能获得更准确的胎重估计。

基于多参考相关系数法和BP-ANN建立紫石英的近红外光谱定性模型

目的:基于多参考相关系数法和误差反向传递人工神经网络(BP-ANN)建立矿物药紫石英的近红外光谱定性模型,用于紫石英的生品、煅制品、醋煅品和伪品的快速鉴别。方法:采集紫石英、紫石英煅制品、紫石英醋煅品及紫石英伪品这4类不同紫石英样品的近红外光谱,对光谱进行二阶导数和9点平滑预处理,计算多项相关系数。在Matlab 2014a软件中将多项相关系数作为输入数据,以BP-ANN建立4类不同紫石英样品的快速鉴别模型。结果:建立了紫石英近红外光谱BP-ANN鉴别模型,模型验证结果显示,15批验证样品中14批样品预测结果正确,仅1批样品预测有误,准确率达93.33%。结论:建立的紫石英近红外光谱BP-ANN鉴别模型能通过一次性整合的运算区分紫石英生品、煅制品、醋煅品及其伪品,鉴别结果准确可靠。此外,模型在近红外光谱相关系数法基础上,以多个参考光谱为对照计算所得的多组相关系数作为网络特征输入数据,实现了光谱数据的压缩。