多层BP神经网络在钢铁材质裂纹检测中的应用

用设计好的电磁检测设备测得长螺栓的初始磁导率后,对所获得的模拟数据进行数字化处理得到磁导率特征值。设计了多层BP神经网络对钢铁材质长螺栓进行裂纹检测,实验数据表明,分类算法实现简单、分类准确,较容易应用在钢铁材质无损检测的实时系统中。

基于多层BP神经网络的财务风险预警模型构建

首先筛选引发财务危机相关因素,建立财务风险预警指标体系。分析BP神经网络的隐含层数及结点数对网络分类能力的影响,构建基于多层BP神经网络的财务风险预警模型。进行了Matlab仿真实验,以验证所建模型的可行性、有效性及合理性。

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。

ADAM改进BP神经网络与动态称重应用

为提高动态检重秤的运行效率和测量准确度,深入分析了机械振动对测量的干扰及传感器非线性特性的产生机理。提出一种基于自适应矩估计法(ADAM)优化器的多层BP神经网络,实现了检重秤传感器的非线性校正,并准确估计了动态称量结果。试验对比经典梯度下降法、附加动量法、均方根传播法以及ADAM算法,结果表明ADAM算法综合考虑了参数梯度的一阶和二阶矩估计,具有更快的收敛速度,更准确的预测结果。最终实现满量程400 g,最高运行速度2 m/s的高速动态检重秤,型式测试结果表明其各指标均满足国家标准《GB/T 27739—2011自动分检衡器》对XIII级检重秤的要求。

基于ICA和BP神经网络相结合的掌纹识别

提出了一种基于独立成分分析(ICA,Independent Comment Analysis)和多层前馈(BP,Back Propagation)神经网络相结合的方法对掌纹进行识别.首先采用一种新的方法检测角点,得到掌纹图像的不变特征点,根据这些点校正掌纹方向并得到掌纹的感兴趣区域.对该区域采用定点快速ICA算法(FastICA),得到掌纹特征子空间,然后构建BP神经网络,并采用训练样本得到的掌纹特征进行训练,得到合适的权值.对香港理工大学掌纹数据库进行测试,与主成分分析(PCA,Principal Components Analysis)提取特征的方法进行比较,取得了较高的识别率.

响应面法、BP神经网络优化薏仁米酒产氨基酸态氮

通过对比多层前馈(back propagation,BP)神经网络、响应面法优化薏仁米酒产氨基酸态氮,为薏仁米酒优化选择更合适的模型。以氨基酸态氮量为考察指标,薏仁米与糯米的质量比、接种量、温度、水料比为影响因素,采用中心组合设计(central composite design,CCD)对薏仁米酒产氨基酸态氮的发酵条件进行试验设计;并对CCD试验结果分别进行响应面法分析和BP神经网络分析。结果表明,响应面模型、BP神经网络模型的相关系数(R)、决定系数(R~2)、均方根误差(root mean square error,RMSE)、绝对平均相对误差(absolute average relative error,AARE)分别为0.984 77、0.969 77、22.759 38、0.031 15和0.994 94、0.989 91、13.206 39、0.008 84;BP神经网络优化的最佳发酵条件:薏仁米∶糯米=2.8∶1(质量比)、接种量为4.8%、温度为28.2℃、水料比为2.2∶1(m L/g),且实际值和预测值基本一致。相较于响应面法,BP神经网络在优化薏仁米酒产氨基酸态氮上具有更好的拟合能力和优化效果。

造纸过程的多层BP前向神经网络PID控制

为了使造纸过程的输出(湿度和基重)最大限度地接近给定值,本文采用了基于多层前向网的PID控制,此控制由控制器网络NNC和辨识器网络NNI组成,采用BP算法进行PID参数的调整和被控对象的辨识,能较好地满足控制目的,并为造纸过程的控制提供另一种思路.

基于灰度共生矩阵和人工神经网络的肺癌CT图像的分类研究

目的研究小细胞肺癌（SCLC）和非小细胞肺癌（NSCLC）的分类问题。方法217例肺癌患者．其中男性165例．殳性52例；年龄35～80岁，平均年龄61．5岁。其中SCLC108例，NSCLC109例。提取患者764幅肺癌CT图像的灰度共生矩阵，选取对比度、熵、能量和逆差矩4个特征值，借助临床确诊结果，利用多层前向（BP）、径向基函数（RBF）人工神经网络对特征进行训练测试。结果BP人工神经网络对10％的78例样本进行测试，SCLC42例预测正确．NSCLC33例预测正确．3例预测失败。RBF神经网络对10％的78例测试样本进行测试，SCLC42例预测正确．NSCLC36例预测正确、类似方法对样本总数的70％进行训练，用30％的230例进行测试；BP人工神经网络有209例预测正确。正确率为90．9％：其中SCLC111例预测正确，正确检出率为88．8％；NSCLC98例预测正确，正确检出率为93.3％。RBF人工神经网络有216例预测正确．正确率为93．9％，其中SCLC117例预测正确，正确率为93．6％；NSCLC99例预测正确，止确检出率为94.3％。可见BP、RBF人1二神经网络对SCLC和NSCLC均具有90％以上的正确率，高于人工诊断结果。结论基于灰度共生矩阵的对比度、熵、能量和逆差矩4个特征值能反映SCLC和NSCLC的有效特征参量．通过人工神经网络能达到分类目的，辅助临床治疗。

酶膜生物反应器制备抗凝血酶蛋清水解物的研究

采用酶膜生物反应器(EMBR)制备抗凝血酶蛋清水解物,并用人工神经网络方法优化工艺。在0.13～0.15MPa条件下,采用L18(37×21)混合水平正交试验考察底物质量分数、酶质量分数、pH值、温度、滤过液流速和水解时间对蛋清水解物的抗凝血酶生物活性的影响,并用多层前馈网络(BP神经网络)对EMBR酶解的过程进行模拟和预测,获得抗凝血酶水解产物的最优制备工艺条件。结果表明,在底物质量分数1%、酶质量分数1%、pH8.0、温度55℃、滤过液流速10mL/min、水解时间4h时,产物的最低抗凝血酶IC50预测值为10.43mg/mL,与实测值仅相差4.03%,说明采用EMBR制备蛋清酶解物的方法可行,并经人工神经网络方法优化得到了抗凝血酶蛋清水解物的最优制备条件。

Modeling Thermal Protective Performance of Multilayer Fabrics for Firefighters

This paper is to report a prediction model for thermal protective performance of multilayer fabrics based on Matlab neural network toolbox. Then a back propagation (BP) neural network model is developed to predict thermal protective performance of multilayer fabrics for firefighters. The network consists of twelve input nodes, six hidden nodes, and one output node. The inputs are weight, thickness, density of warp and weft, limited oxygen index (LOI), and heat conductivity of each-layer fabric. Thermal protective performance (TPP) rating of multilayer fabrics is the output. In this paper, the data from the experiments are used as learning information for the neural network to develop a reliable prediction model. Finnally the model performance is verified, and the proposed model can be applied to predict the thermal protective performance of multilayer fabrics for firefighters.

面向复杂储层的非均衡测井数据的岩性识别

针对常规岩性识别方法在复杂储层的非均衡测井数据准确率不高的问题,本文提出了一种面向复杂储层非均衡测井数据的多层BP神经网络的岩性识别算法.根据测井数据的特点及测井数据间的非线性关系,对测井数据进行均衡化处理,利用多层BP神经网络进行逐层岩性识别.在13个含油气盆地的7793个地层元素测井数据中测试表明,本文提出的方法在数据非均衡比达到1∶6的情况下,岩性识别的符合率仍能达到92%以上,在复杂储层的岩性识别方面具有很好的应用前景.