基于BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

基于水稻冠层多信息融合的监测褐飞虱种群大小的BP神经网络方法

【目的】褐飞虱Nilaparvata lugens种群监测的自动化和智能化尚未实现。本研究旨在探究水稻受褐飞虱危害后冠层光谱和温度以及叶片叶绿素相对含量与为害虫量的关系,建立基于高光谱、热成像和叶绿素等多信息融合的误差反向传播(back propagation,BP)神经网络监测褐飞虱的方法,为田间褐飞虱种群监测向自动化与智能化方向发展提供方法支持。【方法】在可控条件下利用方形塑料框培育水稻,并在分蘖期接入雌雄1∶1配对的不同对数(0,1,2,3,4,5,6和7对)的褐飞虱雌、雄成虫,然后连续多次(接虫后16,27,32,44和60 d时)调查接虫区水稻上褐飞虱虫量(每4穴稻上个体数),并采用高光谱仪和热成像仪分别测定水稻冠层光谱反射率和冠层温度,利用土壤和植物分析仪器开发(soil and plant analyzer development,SPAD)叶绿素仪测定叶片叶绿素的相对含量(SPAD值);采用Pearson相关法分析各测量指标与褐飞虱虫量的相关性;采用多元散射校正对光谱反射率数据进行降噪处理;采用连续投影算法对高光谱反射率数据进行降维和敏感波段筛选;分别以光谱反射率单一信息及其与冠层温度和SPAD值融合后的多源信息为输入量,采用普通和加入粒子群算法优化的BP神经网络建模,构建褐飞虱为害不同时段后种群大小的神经网络监测模型。【结果】褐飞虱为害后水稻冠层光谱在近红外的730-930 nm波段反射率、水稻冠层温度与气温的差值(冠气温差)和叶片的SPAD值均与褐飞虱虫量呈显著负相关。利用连续投影算法筛选出的冠层光谱敏感波段处反射率并降噪后建立的BP神经网络监测5个危害时段褐飞虱虫量的预测集决定系数R^(2)在0.504~0.892之间;融合冠层光谱、冠气温差和叶片SPAD值等多信息建立的BP神经网络监测褐飞虱虫量的预测集R^(2)提升到0.640~0.975;在多源信息基础上再选用粒子群优化(particle swarm optimization,PSO)算法优化BP神经网络后监测褐飞虱虫量的精度提高,预测集R^(2)提升到0.931~0.991,模型预测效果好。【结论】基于水稻冠层高光谱与热成像和叶片SPAD值等多信息融合的PSO-BP神经网络方法监测褐飞虱虫量的精度高、效果好,有望用于田间褐飞虱种群的自动监测。

基于BP神经网络的海底浅层超软黏土不排水抗剪强度预测

准确评估海底浅层超软黏土的不排水抗剪强度对海洋资源开发、灾害评估、海洋工程建设等具有重要的意义。世界多个海域超软黏土数据分析对比表明,现有不排水抗剪强度评估经验公式存在受地域限制的问题,计算精度较低。因此,以超软黏土的6个物性指标为输入变量,不排水抗剪强度为输出变量,建立BP神经网络模型进行海底浅层超软黏土不排水抗剪强度预测;根据建立的超软黏土不排水抗剪强度与物性指标之间的非线性映射网络,以权积法求解超软黏土不排水抗剪强度对各指标的敏感度系数,定量分析各指标对不排水抗剪强度的影响程度。结果表明:考虑多因素影响的BP神经网络模型在超软黏土不排水抗剪强度预测方面具有普遍适应性,其预测结果非常接近落锥试验实测结果,均方差0.02139,R2值达到0.9874,预测精度远高于现有经验公式;采用权积法计算得到的对数流动性指标对不排水抗剪强度最为敏感;据此建立了以对数流动性指标为参数的黏土不排水抗剪强度预测经验公式,该公式在计算中国海域超软黏土不排水剪切强度方面具有较高精度,但由于数据量有限,依旧存在一定局限性。本研究为海底浅层超软黏土不排水抗剪强度的计算提供了参考。

基于多层前馈神经网络的扩散系数求解

如何利用浓度分布的测量数据(间接采样)来确定扩散系数,并建立有效快速的数值求解方法是目前亟待解决的问题.由于扩散系数的求解属于反问题中的参数识别问题,通常具有不适定、非线性和计算量大等特点,所以在仅考虑给定温度下扩散对物质输运的影响的情况下,研究扩散系数与浓度、浓度梯度的关系,并利用物质扩散浓度的动态采样值和多层前馈神经网络对扩散系数进行求解,数值实验表明该方法十分有效.

基于BP神经网络的陕西春季浅层地温预测模型

利用2016—2021年春季(3—5月)陕西98个国家级地面气象观测站逐日观测资料,运用BP神经网络构建了陕西春季不同区域(陕北、关中、陕南)不同月份(3、4、5月)不同土壤深度(5、10、15、20 cm)地温预测模型,并利用2022年数据进行模型预测检验。研究结果表明:模型预测的各深度日平均地温在陕北、关中、陕南地区预测准确率>95%,且整体表现出土壤深度越深预测准确率越高的趋势,10 cm日平均地温预测准确率>98%,15、20 cm日平均地温预测准确率>99%;各深度日平均地温在陕北、关中、陕南地区预测值与实测值的均方根误差≤1.0℃、平均绝对误差≤0.8℃,均方根误差和平均绝对误差整体表现出土壤深度越深误差值越小的趋势;模型预测精度比较理想,可用于陕西春季浅层地温预报业务,为春播及果树花期预报提供技术支持。

基于BP神经网络隐层结构的研究及实例

BP神经网络是神经网络中应用最为普遍的一种网络,随着人工智能技术的发展,各行各业也逐渐将BP神经网络运用在生活中,比如预测、推荐、识别等领域,都取得了一定的效果。但随着数据量的递增,BP神经网络也在进行预测时也有梯度下降等问题,许多专家也在不断对算法及网络结构进行调整。BP网络隐层结构的设计一直是不确定的,尤其是隐层单元数的确定缺乏理论依据,设计者大多依靠经验来确定。对于神经网络中BP网络的运用最为广泛,其中之一就是在函数收敛上的运用。文章主要是通过研究隐层层数和单元数的确定问题,来分析BP网络上的函数收敛性,通过比较在不同隐层层数和隐层节点下的收敛性来研究隐层结构对函数收敛性的影响,并将分析结果运用在股票预测中,实践表明,确定隐层节点数能在一定程度上改进预测误差。

基于微波辐射测量和GA-BP神经网络的电缆内部温度反演

目的针对现有电缆监测系统无法实现无损式测量电缆内部温度的问题,方法提出一种基于微波辐射测量的电缆内部温度反演方法。首先,使用非相干方法构建多层微波辐射传输模型,利用指数函数进行分层,通过无限元仿真得到微波辐射计测量的亮温数据集,应用十折交叉验证划分数据集,为模拟实际测量中微波辐射计测得的亮温值易受环境噪声影响的情况,本文将测试集仿真值混合信噪比10~50 dB的高斯白噪声作为微波辐射计的实测值;然后采用遗传算法(genetic algorithm,GA)优化BP神经网络的权值和阈值,以此构建GA-BP神经网络模型,再向构建好的网络中输入样本,训练网络模型;最后利用实测值验证经过训练的GABP神经网络模型在反演电缆内部温度方面的能力。结果实验结果表明:相较于仅使用BP神经网络,使用遗传算法优化后的BP神经网络在反演电缆内部温度方面表现更优异;网络的反演效果和实测值添加的噪声信噪比呈正相关,噪声信噪比越大,神经网络的反演效果越好;当测试集中添加的噪声信噪比大于36 dB时,R^(2)>0.627,RMSE<5.55,反演效果较好;当混合噪声信噪比为50 dB时,反演效果最优,决定系数可达0.985。结论结果证明了GA-BP神经网络在电缆内部温度反演的有效性,为电缆内部温度反演提供了新思路。

基于BP神经网络的刀片切割竹枝性能研究

为探究竹枝切割时的刀片切割性能影响因素,支持后续打枝装置的设计,开展竹枝切割刀片性能研究试验,通过单因素试验研究,利用切割阻力作为衡量标准,探究刀片切割性能与关键参数(刀片的滑动角、楔角和滑动速度)之间的相互关系。试验结果显示,随着刀片滑动角和楔角的减小,刀片切割性能呈现明显改善。同时,随着刀片滑动速度的增加,切割性能也呈现相应提升趋势。在多组实验中,采用不同的刀片滑切角度、楔角和滑切速度参数,对不同直径尺寸的竹枝进行切割,并收集了切割阻力的数据构成数据集,构建一个3层BP神经网络模型,研究了刀片切割性能与滑切角度、楔角以及滑切速度之间的关联,并应用相关模型进行了拟合和预测。在BP神经网络中,当隐含层节点数设定为9时,成功建立了刀片切割阻力模型,精准地预测了刀片切割过程中的阻力变化,对刀片切割竹枝性能研究具有一定参考价值。

基于改进BP神经网络的风冷热泵除霜智能控制方法研究

当前的智能除霜过程没有考虑机组本身对除霜的影响,造成以BP神经网络为主的控制方法能耗高,效率低。该文提出改进BP神经网络控制风冷热泵除霜控制方法。结合质量守恒定理,明确风冷热泵中湿空气和风机翅片管热器间的换热关系,通过计算控制单元进口和出口处含湿量差值得到风冷热泵的结霜量;使用北方苍鹰优化算法改进BP神经网络,将空气侧换热器结霜相关参数和机组系统对结霜的影响参数作为网络输入,基于结霜量输出换热器除霜开始时间和加热结束时间,实现风冷热泵除霜智能控制。实验结果表明,所提控制方法可在170 s以内解除冻霜,并将结霜过程中的运行压力波动维持在0.3 MPa,降低能源消耗的同时加快了除霜效率,确保空调设备能高性能平稳运行。

BP神经网络在垃圾焚烧电厂酸性气体排放控制中的应用

对于采用半干法的大多数垃圾焚烧发电厂,控制酸性气体排放浓度的主要手段是调节脱酸塔入口石灰浆流量。传统的PID控制采用CEMS实测数据作为反馈信号调节石灰浆流量,但脱酸塔入口到烟囱烟气采样点距离远,反应时间长,控制效果不佳。为此,引入BP人工神经网络遗传算法,并利用人工控制模式下积累的大量过程数据训练人工神经网络,以替代人工控制。

基于改进BP神经网络的多层土壤湿度反演

为了获取有时空连续性的表层至深层土壤湿度数据,以美国McClellanville站和青藏高原MAWORS站为研究区域,利用有限气象观测数据,基于BP神经网络(Back Propagation Neuron Network,BPNN),融合天牛须搜索算法(Beetle Antennae Search Algorithm,BAS),构建BAS-BP模型(Beetle Antennae Search-Back Propagation Neural Networks),对表层至深层土壤湿度进行反演。结果表明:①融合优化的BAS-BP模型对各层土壤湿度的反演效果优于BP模型,两个站使用BP模型反演测试集的RMSE量值在0.016~0.191 m^(3)/m^(3)之间,MAE在0.012~0.177 m^(3)/m^(3)之间,R在0.390~0.987之间。使用BAS-BP模型得到的测试集RMSE在0.014~0.143 m^(3)/m^(3)之间,MAE在0.010~0.131 m^(3)/m^(3)之间,R在0.504~0.994之间。②BP和BAS-BP模型对各站不同深度土壤湿度的反演效果均在土层10 cm处达到最佳,RMSE和MAE均小于0.016 m^(3)/m^(3),R均大于0.879,随着土壤深度增加,反演效果减弱。③各模型受驱动要素影响显著,BP和BAS-BP模型在McClellanville站的反演效果和稳定性较优,而在MAWORS站的反演效果和稳定性较差。在McClellanville站,基于BP和BAS-BP模型训练集与测试集的R平均变化幅度分别为10.789%、5.061%,而在MAWORS站分别增长至38.531%、14.624%。④综合比较两种模型,BAS-BP模型反演精度更高,稳定性更好,更适应于表层至深层土壤湿度的反演。

基于BP神经网络和数据挖掘的情感分析与心理预警模型研究

针对传统心理问题处理算法对学生心理状态评估结果不准确、人工处理方式效率较低且难以面对海量数据等问题,提出了一种基于BP神经网络和数据挖掘的情感分析与心理预警算法。该算法采集原始心理数据,并通过数据预处理等步骤将原始数据处理成规范化数据。同时,通过BP神经网络数据挖掘算法获取心理数据之间隐含的关系,使用SVM算法对数据挖掘结果进行分类分析,进而得到最终的心理预警结果。实验结果表明,所提算法在处理心理问题时具有93%以上的准确率,验证了该算法的有效性与稳定性。

多层前馈神经网络研究——单位BP算法

分析了引起标准 BP算法收敛速度慢的原因 ,以及传统改进方法的不足之处 ,探讨了解决的途径。为了提高 BP算法的收敛速度 ,定义并引入了基量函数的概念 ,并将其运用到 BP算法中 ,给出了一种高效的单位 BP算法。仿真和实例结构均表明该算法能够较好地克服标准 BP算法收敛速度慢的缺点 。

前馈多层神经网络BP算法与可靠性增长模型

本文叙述了可靠性增长和 BP算法的基本概念 ,着重研究神经网络 BP算法用于可靠性增长的预测方法。Gompertz模型是可靠性增长的一个很好的预测模型。本文引用文献中的多个实例 ,将BP算法预测结果与 Gompertz模型预测结果相比较 ,结论基本上一致。这说明该方法不但可行 ,而且有简便。

灰色神经网络模型在小麦产量预测中的应用

本文旨在研究如何利用灰色神经网络模型解决小麦产量预测中的不确定性和复杂非线性关系问题,以提高预测的准确性和可靠性。随着全球气候变化和农业生产环境的日益复杂,小麦产量的预测对于农业决策、资源分配和粮食安全具有重要意义。首先,本文回顾了预测模型在农业领域,特别是小麦产量预测中的发展现状,指出了传统模型在处理不确定性因素和非线性关系方面的局限性。然后,针对这些问题,本文建立了灰色神经网络模型。在灰色预测模型中,本文简化了数据中的随机波动,利用灰色系统理论中的累加生成算子和GM(1,1)模型提取数据内在规律;在神经网络模型中,本文进一步简化了复杂非线性关系的直接建模难度,利用多层前馈神经网络的强大学习能力构建了影响因素与小麦产量之间的映射关系。通过将两者结合,本文建立了灰色神经网络组合模型,实现了对小麦产量的高精度预测。针对模型的求解,本文采用了反向传播算法对网络参数进行训练和优化。通过迭代调整网络权重和偏置项,使模型输出与实际小麦产量之间的误差最小化。在求解过程中,本文使用了MATLAB等数学软件进行编程和计算,实现了数据的预处理、模型构建、参数估计和预测结果的输出。灰色神经网络模型具有以下优点:一是结合了灰色系统理论和神经网络的优点,能够同时处理数据不确定性和复杂非线性关系;二是通过数据预处理增强了数据的规律性,提高了模型的预测精度;三是模型构建过程灵活,可根据实际情况调整网络结构和参数;四是预测结果稳定可靠,具有较高的应用价值。在模型检验中,本文分别讨论了模型的精度和稳定性,采用多种评价指标对预测结果进行了全面评估。

基于模糊神经网络的火电厂热控系统故障诊断方法

火电厂热控系统运行是由众多组件配合实现的,故障诊断难度较大,为此提出基于模糊神经网络的火电厂热控系统故障诊断方法。从火电厂热控系统自身构成和运行属性的角度出发,结合模糊控制与5层等价型BP神经网,构建了火电厂热控系统模糊神经网络模型。在模型内进行火电厂热控系统运行状态变量的前向传播和误差的反向传播,实现对火电厂热控系统的故障诊断。测试结果表明,该设计方法对设置的7种不同类型火电厂热控系统故障状态均实现了准确诊断。

结合MIDAS仿真和BP神经网络的输电杆塔基础滑坡风险评估

近年来,暴雨及洪涝等异常灾害使得滑坡现象频发,导致野外输电杆塔发生倾斜、位移及沉降,严重威胁电网安全运行。为解决现有输电杆塔基础滑坡风险评估方法存在的普适性差、主观性强等问题,构建了一种结合仿真计算和数据驱动的杆塔滑坡风险评估模型。首先,将杆塔基础荷载纳入杆塔基础滑坡影响因子,结合MIDAS软件仿真得到坡体安全系数。其次,基于卫星、气象等多源信息融合,提取8个杆塔基础滑坡影响因子,搭建按误差逆传播算法训练的多层前馈(back propagation,BP)神经网络模型。最后,对比测试样本集安全系数的仿真结果与模型预测值,误差范围为0.01%~0.24%,并结合合成孔径雷达干涉技术(interferometric synthetic aperture radar,InSAR)验证了模型有效性和可行性。结果表明:利用该神经网络模型可实现对任意输电杆塔基础所在坡体安全系数的精准、快速预测,同时具有普适性强的特点。研究成果可为输电线路防灾减灾提供新思路。

基于神经网络拟合多源遥感信息估算冠层高度

为了获取空间上连续的森林冠层高度分布,借助后向传播(BP)神经网络,拟合2019-2020年冰、云和陆地高度卫星(ICESat-1)的陆地/植被产品ATL08的生长季树高数据和中分辨率成像光谱仪(MODIS)的地表信息等多源遥感资料,探索我国西南地区森林冠层高度的空间连续估算。结果如下:(1)ICESat-2/ATL08遥感数据对西南地区森林冠层高度表达可信,与2019年同期其他树高遥感数据对比,通过了置信度检验(R=0.566,P<0.01)。(2)BP神经网络拟合ICESat-2/ATL08和MODIS数据得到西南地区空间连续森林冠层高度的方法可靠。神经网络训练结果决定系数(R2)达0.7以上,均方根误差在2.5 m左右。从结果中随机选择10个自然保护区位置森林冠层高度数值,对比2005年同源遥感资料,得到R=0.836(P<0.001)。连续森林冠层高度数值的频率直方图符合正态分布,高频段为10~25 m。(3)估算得到的西南地区森林冠层高度平均值为16 m,低于2005年遥感均值,但在重庆与贵州交界、贵州东北部、云南六诏山等地,森林覆盖度和冠层高度均有所提升,云南大理的则略有减少。从空间分布来看,大于20 m的数值分布于四川盆地外围、金沙江流域、重庆大巴山、云南哀牢山和无量山以及贵州东南部等地区;四川西南部乡城和稻城、重庆东北部、云贵高原中部地区均在10 m以下。

多层前馈神经网络的学习和综合算法

本文提出多层前馈网络的一种新的学习和综合算法──ＦＰ算法，并证明由此算法得到的网络作为通用联想记忆器时，具有如下优点：（１）每个样本都是吸引中心；（２）每个样本的吸引半径达到最大值；（３）网络没有假吸引中心；（４）网络具有最少的元件个数；（５）学习的复杂性达到最优（就其复杂性的阶而言）．故此网络在性能、结构、计算复杂性等方面均达到很好状态．

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法，针对实时监测和诊断领域中对收敛速度和精度的较高要求，提出了一种面向诊断的自适应ＢＰ算法，仿真结果表明，该方法既能有效地减小振荡，又能提高收敛的精度和速度。