基于BP神经网络的上海生鲜农产品物流需求预测

针对传统的生鲜农产品物流非线性需求预测模型收敛速度慢、精度低等问题,构建由改进粒子群(improved particle swarm optimization,IPSO)算法优化反向传播(back propagation,BP)神经网络的预测模型。引入对立学习机制、自适应惯性权重、非对称学习因子提升粒子群(particle swarm optimization,PSO)算法的初始解质量,平衡算法的局部开发和全局搜索能力;利用IPSO算法优化BP神经网络的权值和阈值,解决BP神经网络收敛速度慢、容易陷入局部最优等问题。通过上海生鲜农产品物流需求预测实例对模型的有效性进行验证,结果显示:IPSO-BP神经网络模型在预测精度及收敛速度上均明显优于传统PSO-BP神经网络和BP神经网络模型。

基于BSO-BP的船舶油耗预测模型

为解决基于传统反向传播(back propagation,BP)神经网络的船舶油耗预测模型易陷入极小值和误差较大的问题,提出一种利用头脑风暴优化(brain storm optimization,BSO)算法优化BP神经网络的船舶油耗预测模型(简称BSO-BP模型)。以“维多利亚凯娅”号内河游船为研究对象,将BSO-BP模型的预测结果与采用传统BP神经网络以及模拟退火(simulated annealing,SA)算法、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法优化的BP神经网络的船舶油耗预测模型的预测结果进行对比分析。结果表明:与传统BP神经网络模型的预测结果相比,BSO-BP模型预测结果的可决系数R^(2)提高了0.003 9,均方误差、均方根误差、平均相对误差、平均绝对误差分别降低了0.034 4、0.154 1、0.010 2、0.017 8,说明在船舶油耗预测中BSO算法对BP神经网络的预测精度有显著的提升作用;BSO-BP模型预测结果的各项评价指标在所对比的5种模型中均表现最好,说明与SA算法、GA和PSO算法相比,BSO算法对BP神经网络的提升效果更好。

一种LM-BP加速搜索的周跳探测与修复方法

针对传统三频周跳探测与修复方法中的不敏感、漏检以及效率较低等问题,提出一种基于莱文伯格-马夸特(LM)-反向传播(BP)神经网络加速搜索法的伪距相位组合与电离层残差组合联合周跳探测与修复方法:利用2个伪距相位组合以减少不敏感周跳数量,利用1个电离层残差组合以提高小周跳探测敏感度;在构成3个线性无关的组合观测值后,使用LM-BP加速搜索算法进行周跳探测与修复。实验结果表明,相对常规的伪距相位组合与电离层残差组合联合方法,该方法能够提高周跳探测与修复性能,可探测小至1个的周跳,探测与修复整体时效有较大提升。

基于MFO优化BP神经网络构建冷鲜肉品质预测模型

为能准确预测冷鲜肉在贮藏中品质的变化规律及质量安全,本文探究贮藏温度(0、4和25℃)对冷鲜肉菌落总数、TVB-N、pH、水分含量、色度和生物胺含量的影响,确定冷鲜肉的特征品质指标。基于反向传播(Backpropagation,BP)神经网络和飞蛾火焰优化(Moth-Flame Optimization,MFO)BP神经网络,利用特征指标作为训练数据,构建不同贮藏温度下冷鲜肉的品质预测模型,快速准确评价和预测食品的质量安全。结果表明,不同贮藏温度下冷鲜肉的菌落总数、pH、TVB-N、色泽和生物胺含量随着贮藏时间的延长均呈上升趋势(P<0.05),且各指标在不同贮藏温度下的变化规律不一致,温度越高,腐败变质的速度越快。通过相关性分析得出菌落总数和TVB-N为冷鲜肉品质特征指标,以特征指标为训练数据构建BP神经网络和MFO优化BP神经网络模型。结果显示,MFO优化BP神经网络优于单一的BP神经网络模型,指标菌落总数和TVB-N通过BP神经网络模型训练后的R值分别为0.95018、0.94283,通过MFO算法优化训练后的R值分别为0.97538、0.98001,更接近于1,且优化后的RMSE、MSE和MAE值相对较小,其模型拟合度更好,在整个贮藏期的预测性能更好,准确率更高。因此,MFO优化BP神经网络可用于预测冷鲜肉在贮藏过程中品质的变化规律。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

基于智能优化算法及其优化BP神经网络的室内定位

为研究智能优化算法在室内到达时间差(time difference of arrival,TDOA)定位方面的应用效果。首先,分别使用白鲨优化算法(white shark optimizer,WSO)、变色龙优化算法(chameleon swarm algorithm,CSA)、蛇优化算法(snake optimizer,SO)、鲸鱼优化算法(whale optimization algorithm,WOA)、灰狼优化算法(grey wolf optimizer,GWO)、麻雀优化算法(sparrow search algorithm,SSA)这6种智能优化算法进行室内的二维TDOA定位,对比分析上述算法在室内定位领域的表现,并和传统的Taylor算法的定位误差进行对比;接下来,使用SOA算法对BP神经网络进行优化,使用优化后的SOA-BP进行定位,与基础的BP神经网络的定位误差进行对比。结果表明:所使用的6种智能优化算法在室内定位领域有着不错的表现,各智能优化算法的效果相似,平均定位误差为0.44 m,相较于传统的Taylor算法提升约9.2%;SOA-BP的定位误差相较于基础的BP神经网络降低超过30%。

基于BP神经网络模型的呼出气δ^(13)C、δ^(18)O同位素丰度测量方法研究

碳13(^(13)C)尿素呼气试验在国内外作为检测幽门螺旋杆菌的“金标准”已被广泛采用,精准测量CO_(2)中碳(C)和氧(O)同位素特征对疾病诊断具有重大意义。可调谐半导体激光吸收光谱技术(TDLAS)具有结构简单、响应速度快、灵敏度高等众多优点,在多个领域得到广泛应用,同时完全适用于气体同位素的测量研究。该研究面向人体呼出气体中的CO_(2)气体检测需求,基于直接吸收光谱技术,采用中心波长为4.32μm的量子级联激光器(QCL)结合光程为14 cm/44 mL的小容积气体吸收腔体,完成了同时测量^(16)O^(12)C^(16)O、^(18)O^(12)C^(16)O和^(16)O^(13)C^(16)O的多组分同位素气体浓度的实验系统。基于反向传播(BP)神经网络模型,降低直接吸收光谱系统中光源稳定性和测量样品气体波动带来的噪声干扰。结果表明:基于BP神经网络模型的同位素丰度测量精度与稳定性均优于吸光度峰值比法,^(16)O^(13)C^(16)O与^(18)O^(12)C^(16)O的浓度测量精度分别提高约1.27与1.58倍。Allan方差分析表明,当积分时间为106 s时,采用BP神经网络模型的^(13)C与^(18)O同位素丰度测量精度分别为0.97‰和1.47‰,相比吸光度峰值比法测量精度提高了约2.1倍与1.2倍。充分证明了基于BP神经网络模型的同位素丰度测量方法的可行性,为研制高精度同位素丰度传感器奠定基础。

基于BP神经网络的地质岩心钻探钻速预测研究

地质岩心钻探目前在自动化、智能化方面的发展还并未成熟。钻探参数的选取、改进还主要通过经验来判断,并且需要提钻后通过对岩心的判断进行钻探参数的调整,具有一定的滞后性,降低了钻探的效率。因此,通过搭建地质岩心钻探试验台获取钻探数据,采取反向传播(Back-Propagation)算法,将钻压(WOB),扭矩(TOR),泵量(Q),回转速度(RPM)作为输入量,机械钻速(ROP)作为输出量,同时考虑钻头磨损和钻头切削深度对实验的影响。以每块不同混凝土块为单位,按照80/20划分训练集与测试集,通过数据处理后共得到6180组数据进行训练和测试,训练出最优的神经网络模型,可以对机械钻速(ROP)进行预测,预测精度可达94.1%,后续通过选取合适的钻进参数,可以实现地质岩心钻探速度的优化。本研究为地质岩心钻探的钻速预测,地质岩心钻机自动化提供参考。

基于GA-BP神经网络的船舶空冷器状态预测

当前船舶空冷器的工作状态主要依靠空冷器冷却后的增压空气温度T_(A2)判断,通常按设定阈值触发报警,存在预警差和精度低等问题。对此,提出一种基于GA-BP(Genetic Algorithm-Back Propagation)神经网络的T_(A2)预测方法。利用BP神经网络构建空冷器状态预测模型,通过对比运行过程中T_(A2)实测值与预测值的偏差,及时发现空冷器的异常状态;引入GA解决BP神经网络存在的收敛速度慢和易于陷入局部最优解等问题。为验证基于GA-BP神经网络的预测方法的有效性,选取多组空冷器清洗前后的状态数据进行训练和验证,结果表明该方法能有效识别空冷器的异常状态。

基于Rayleigh-BP模型的压电驱动系统迟滞建模与前馈控制

针对可调谐半导体激光器压电驱动系统的迟滞非线性,提出了一种基于Rayleigh-BP模型的建模及控制方法。利用空间扩展法建立了Rayleigh-BP率相关迟滞模型,该模型实现了对压电驱动系统的率相关迟滞非线性的精准预测;利用逆向算法求解了Rayleigh模型的逆模型,并将该模型与BP神经网络结合,设计了前馈控制器对系统进行补偿;对前馈控制方法进行了仿真与实验验证。结果表明,建立的Rayleigh-BP模型具有较高的精度,在10 Hz时均方根误差仅为0.0469μm。前馈控制方法可以明显提高系统输出的线性度,在40 Hz时仿真结果均方根误差为0.0274μm,线性相关系数R 2为0.99992;在30 Hz时实验结果均方根误差为0.0506μm,线性相关系数R 2达到了0.99955,极大降低了迟滞现象。

基于PSO-BP神经网络的Savonius型叶轮阵列消波性能优化

为了提高Savonius型(S型)叶轮的消波性能,提出一种S型叶轮阵列装置。通过试验记录不同的叶轮间距和叶轮相对入水深度等5个参数下波浪经过叶轮阵列后的透射系数K_(t),建立基于粒子群优化(PSO)算法和反向传播(BP)神经网络的S型叶轮阵列消波性能预测模型。将采用该模型与采用BP网络模型和GA-BP网络模型得到的平均绝对误差、均方根误差和决定系数R^(2)指标进行对比,结果表明,采用PSO-BP神经网络模型优化能得到误差更小、更精准的预测结果。当相邻叶轮间距分别为0.62 m和0.41 m、各叶轮入水深度分别为0.15 m、0.18 m和0.19 m时,S型叶轮阵列具有相对最佳的消波性能。

基于GABP-DEMATEL的自贸区港口产业生态圈关键因素识别

为识别与区分自贸区港口产业生态圈影响因素之间的关系,利用遗传算法(genetic algorithm,GA)对基于反向传播(back propagation,BP)神经网络的决策试验和评价实验室(decision-making trial and evaluation laboratory,DEMATEL)模型(记为BP-DEMATEL模型)进行优化。将GA输出的初始权重和阈值输入BP神经网络计算得出影响因素的权值,再求出直接影响矩阵。结合自贸区港口的实证数据,将GA优化的BP-DEMATEL模型与传统DEMATEL和BP-DEMATEL模型进行对比。结果表明:在自贸区港口产业生态圈关键影响因素识别的精度、运行时间等方面,GA优化的BP-DEMATEL模型优于BP-DEMATEL模型,可拓展DEMATEL的使用范围。该模型可确定对自贸区港口产业生态圈影响较大的因素,为相关决策提供参考。

基于反向传播(BP)算法的核保风险分析模型探讨

针对高血压疾病建立风险判别模型,对投保人的患病风险以及属于何种风险类别进行判别。首先运用Ken-dall(tau-b)检验,选取相关性因素;然后以项目数据库作为建立风险判别模型的数据集,应用反向传播(BP)算法建立模型;最后通过改变训练集的样本数,来检验模型的精确程度。模型对投保人患病判别的吻合率达到81%左右,具有较强的可操作性,并可推广到相应的保险和金融等领域的风险分析。

基于BP神经网络的非等效声速剖面反演

声速剖面反演基于历史数据获取声速剖面,是海洋环境声层析中的一种方法。传统声速剖面反演法很难获取大面积海域的非等效声速剖面,得出的结果一般都是等效声速剖面。为解决该问题,提出一种基于反向传播(Back Propagation,BP)神经网络的非等效声速剖面反演方法。对比结果表明,该方法能有效反演非等效声速剖面并且反演结果相比传统声速剖面反演具有更高的精度。

基于GA优化BP神经网络的机床转台定位误差分析

为了提高数控机床转台误差补偿效果,设计了一种通过遗传算法(GA)来完成BP神经网络优化过程,并加入坐标参数、运动速度指标建立了转台定位误差模型。通过Matlab软件构建GA优化BP模型,得到优化权值与阈值后,将结果移植至DSP内开展建模与预测,促进预测速率的大幅提升。研究结果表明:机床转台处于各空间位置与速率下形成了不同定位误差,总体呈现较为复杂的变化特征采用GA优化BP神经网络构建的模型预测时达到了更高精度,误差残差范围在-0.5~0.5μm,满足实际需求。该研究有助于提高机床转台定位精度,增强加工精度。

基于BP神经网络的光伏电站在线监控系统设计研究

文章设计一种基于反向传播(Back Propagation,BP)神经网络的光伏电站在线监控系统,通过分层架构实现数据采集、预处理、故障诊断以及预测预警功能。系统在某光伏电站的实证研究表明,设计的基于BP神经网络的监控系统在预警准确性、误报率、提前时间方面显著优于传统阈值判断方法,为光伏电站的智能运维提供有效支持。

基于K-means聚类的BP-DTR的电动汽车短期充电负荷预测

随着电动汽车的普及率越来越高,电动汽车充电行为对电网稳定运行的影响愈发显著,对充电负荷的预测愈发重要,提出了一种基于K-means聚类的BP-DTR电动汽车短期充电负荷组合预测模型。首先,利用K-means聚类方法将充电负荷聚类;其次,使用反向传播神经(BP)和决策树回归(DTR)分别对聚类后的每一类数据进行预测;最后,采用最优化方法加权组合得到每一类的预测结果并求和。实验以真实数据为基础,采用蒙特卡洛方法获得电动汽车充电负荷。实验结果表明:该预测模型能考虑到充电负荷影响因素,有效提高电动汽车充电负荷预测的准确性,为电网的优化运行和规划提供了参考。

基于BP神经网络的电商企业库存需求预测

随着电子商务的迅猛发展,市场需求的不稳定性日益凸显,这使得很多企业难以准确设定库存量,容易导致大量库存资金被占用。要想降低库存成本,必须准确预测市场需求,并据此设定合理的库存。文章以H公司为例,利用反向传播(Back Propagation,BP)神经网络预测方法预测其产成品需求,使企业保持合理的库存,减少不必要的库存资金。

基于BP神经网络的短距离无线通信数据传输丢帧测试方法

单一传输节点在不同传输信道的传输任务分配情况不同,导致短距离无线通信数据传输丢帧情况的测试结果误差往往较大。为此,基于反向传播(Back Propagation,BP)神经网络对短距离无线通信数据传输丢帧测试方法展开研究。考虑影响短距离无线通信数据传输状态的核心要素是传输节点的感知范围和目标点与传输节点之间的距离,利用布尔感知模型构建包含完全感知(概率为1)或未感知(概率为0)的短距离无线通信感知模型;在数据传输丢帧测试阶段,引入BP神经网络,围绕感知概率为0的节点,将传输节点在不同传输信道的传输任务分配情况作为隐藏层的学习目标,综合分析丢帧率。测试结果表明,在不同通信密度测试场景下,文章方法均未受到明显影响,测试结果与实际丢帧率之间的绝对误差仅0.01%,该方法具有高度稳定性和准确性。

基于小波和BP神经网络的电能扰动分类新方法

电能质量扰动的分类包括特征向量提取和分类器构建2部分。基于小波和神经网络的分类方法大部分采用小波分解各层的能量分布作为特征向量,用单个神经网络给出分类结果,此类方法构建的分类器性能有待进一步提高。文章构建了一组基于小波变换的特征向量作为分类器的输入。通过基于最小二乘法的策略综合3个相互独立神经网络的输出以得到最后的判别结果。算例表明提出的分类器准确率高,在信噪比20 dB的情况下还可以达到93.18%的准确率。分类器能有效识别电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变6种常见电能质量扰动。