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。

融合注意力机制和BP神经网络的2型糖尿病风险预测研究

目的基于融合注意力机制和BP神经网络模型建立2型糖尿病风险预测模型,为糖尿病高危人群提供个性化的预测。方法于2019年7月—2021年2月对安徽省蚌埠市社区的慢性病队列进行纵向随访研究,共纳入2334名研究对象。采用Python 3.9软件进行分析,利用基于Python的深度学习框架PyTorch来实现注意力机制和BP神经网络结构。以是否患2型糖尿病为因变量,将数据集按照8︰2的比例划分训练集和测试集,使用融合注意力机制和BP神经网络模型进行建模与分析,并与经典的机器学习模型对比预测性能。基于准确率、精确率、召回率、F1分数以及训练过程中绘制的损失值曲线和准确率曲线进行模型评价。结果融合注意力机制和BP神经网络模型在训练集中准确率为0.9630,精确率为0.9725,召回率为0.9572,F1分数为0.9648;在测试集中准确率为0.9722,精确率为0.9756,召回率为0.9683,F1分数为0.9719。在训练过程中,融合注意力机制和BP神经网络模型得到的损失值曲线和准确率曲线均优于对比模型。结论相较于BP神经网络模型和传统机器学习模型,融合注意力机制和BP神经网络模型的预测性能更佳,可及时准确识别2型糖尿病患者,实现2型糖尿病的早发现和早治疗,以预防并减缓对其身体带来的危害。

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。

基于改进型BP神经网络在列车异物检测中的研究

提出了B P神经网络学习算法上存在收敛速度慢,容易陷入局部极小的问题,现通过惯性校正方法及重新构造响应函数法来克服这两个问题,对B P网络学习算法进行了改进。利用小波多尺度边缘检测对列车异物图像进行分割和特征提取,并将列车异物特征向量作为训练样本对改进后的B P网络进行反复训练,直到获得最佳的映射结果,提高识别的精确度,提高了列车异物自动识别的速度,为实际的异物检测应用奠定了重要的参考价值理论与实验基础。

改进型BP神经网络MRAS控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。

基于WOE⁃GA⁃BP神经网络模型对陆相火山岩型铜矿成矿预测研究——以宁芜盆地(江苏部分)为例

宁芜盆地位于长江中下游铜、金、铁、铅、锌、硫、石膏成矿带,构造运动强烈、岩浆活动频繁,成矿地质条件优越.通过提取宁芜盆地(江苏部分)地层、断裂构造、航磁、化探异常等9个控矿因子基础信息,采用证据权重与基于遗传优化的BP神经网络(WOE⁃GA⁃BP)模型,对该区域内陆相火山岩型铜矿进行成矿预测研究,使用混淆矩阵及ROC曲线进行模型精度评价.经叠加分析,基于成矿模型圈定的铜矿A、B、C类远景区与江苏省重要矿产潜力评价圈定的铜矿A、B、C类预测区分别有81.23%、62.69%、100%的重叠区,表明本次预测结果较为可靠,为区域成矿预测提供了新的思路和方法,对后续勘查工作具有一定的指导意义.

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线行校正。仿真实验结果表明:与传统的分段线性与BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.020%提高到现在的±0.130%,且易于动态调校。

基于改进型BP神经网络的湿重软测量

针对制浆造纸工业中湿重无法在线测量的难题 ,分析了湿重值与进浆流量、打浆浓度、打浆电流及原湿重值等参数的关系 ,提出了基于改进型BP神经网络的湿重软测量技术 。

基于改进型PSO-BP神经网络的SVI软测量

针对曝气池污泥体积指数(SVI)难于在线测量的情况,提出了一种基于改进型的BP神经网络对SVI软测量的模型,该模型利用改进粒子群优化算法对BP神经网络进行权值调整。为了提高BP神经网络的学习性能,使粒子群的惯性权值按照对数规律变化,同时引入自适应变异算子对局部最优的粒子进行变异,然后利用粗糙集理论消除冗余信息,得到输入变量。该模型对实际污水厂的SVI值进行软测量预测,并与其它软测量模型进行比较,结果表明了该软测量模型具有较好的精度。

基于改进型BP神经网络的并联机构位置正解研究

采用了一种改进型的BP神经网络方法对3-RSR并联机构的位置正解进行了研究,首先通过理论方法对3-RSR并联机构的位置逆解进行求解,然后采用改进型BP神经网络对通过位置逆解得到的数据进行了网络训练,神经网络训练结果与理论结果对比,验证了该方法的合理性。而且,对比改进后的BP神经网络结果与普通BP神经网络结果,发现两种方法均具有非常高的计算效率,且有效避免了复杂的推导和演算,但改进型BP神经网络方法得到的结果精度更高,因而在高精度的工程领域,采用改进型BP神经网络方法更具合理性。

改进型BP神经网络的非线性多模型自适应控制

针对一类参数未知的非线性离散系统,提出一种基于改进型BP神经网络的多模型控制方法。首先将非线性系统表示为线性部分和非线性部分。当非线性部分对系统影响较小时,则直接采用基于固定模型和自适应模型而设计的鲁棒控制器对系统进行控制;而当非线性部分对系统影响较大时,则采用基于改进的BP神经网络的自适应控制。其次,利用切换准则对控制输入进行平滑切换并给出了稳定性证明。最后,仿真结果表明所提方法能提高系统控制品质、减少控制信号的振荡。

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型 BP 神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线性校正。仿真实验结果表明:与分段线性校正和传统 BP 算法相比,改进型的 BP 神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.02%提高到现在的±0.130%,且易于动态调校。

基于改进型BP神经网络的火电机组初压优化

将先验知识和理论分析与热耗率相关联的参数作为BP神经网络的输入层参数,用灰色关联度模型进行验证;对比改进型BP神经网络与标准BP神经网络,发现改进型BP神经网络在收敛速度和误差方面比标准BP神经网络好。应用改进型BP神经网络建立起某600MW火电机组的历史数据边界参数与热耗率的非线性映射。在可行初压范围内找出了各机组负荷下的最优初压,绘制出最优初压曲线,为操作人员提供指导。

实时检测与反馈的改进型卷积神经网络焊点缺陷识别系统设计与优化

近年来,焊点缺陷的检测与识别在制造业中变得越来越重要。焊点缺陷可能导致产品的质量问题和安全隐患,因此需要可靠且高效的检测系统。传统的卷积神经网络(CNN)在焊点缺陷识别中取得了一定的成功,但仍存在一些挑战,如识别准确率、实时性和反馈能力等方面的限制。本文旨在设计并优化一种实时检测与反馈的改进型卷积神经网络焊点缺陷识别系统。

基于改进型BP神经网络的多变量时序预测方法

传统的线性模型难以解决多变量或多输入问题,而神经网络擅长于处理多变量的问题,本文提出一种基于改进型BP神经网络的多变量时间序列预测方法。该方法对多变量时序数据建模预测能力较强,能够在有效减少训练时间的前提下,提高数据预测的精度。最后,使用这种方法对公开数据集中某地电力负荷值进行预测,最终证明基于改进型BP神经网络的多变量时序预测方法预测精准,误差较低。

基于集成学习后融合神经网络算法构建肝硬化代偿期中医智能辨证模型的探讨

【目的】基于集成学习后融合神经网络算法构建肝硬化代偿期中医智能辨证模型。【方法】收集广西中医药大学附属瑞康医院2016年1月至2022年10月期间首次就诊的肝硬化代偿期患者的病历数据。通过数据预处理后将数据样本按8∶2划分为训练集和测试集。运用决策树、支持向量机、K最近邻、随机梯度下降法、随机森林、极端梯度增强法(XGBoost)6种机器学习算法,实施初步模型构建研究;采用集成学习后融合的BP神经网络的算法,建立肝硬化代偿期各中医证型模型。采用F1分数值、ROC曲线下面积(AUC)值评估模型的性能。【结果】共纳入912例肝硬化代偿期患者的病历数据资料进行分析。初步构建的各机器学习模型的性能评价指标如下:决策树的F1分数值为0.87,AUC值为0.88;支持向量机的F1分数值为0.82,AUC值为0.97;K最近邻的F1分数值为0.88,AUC值为0.94;随机梯度下降法的F1分数值为0.91,AUC值为0.96;随机森林的F1分数值为0.89,AUC值为0.95;XGBoost的F1分数值为0.84,AUC值为0.97。最终的集成学习后融合的BP神经网络的F1分数值为0.95,AUC值为0.99。集成学习后融合的神经网络所输出的肝硬化代偿期各证型的符合方案(PPS)数据集显示:疲倦乏力、舌质红、舌苔少、脉细等对阴虚血阻证有较高的贡献度;舌苔黄腻、舌质红、脉滑等对湿热瘀阻证有较高的贡献度;舌淡红、苔薄白、脉弦等对肝郁脾虚血结证有较高的贡献度;脉涩、舌紫、舌质暗等对气滞瘀阻证有较高的贡献度;脉细、疲倦乏力、舌淡紫等对气虚血瘀证有较高的贡献度。【结论】在肝硬化中医辨证预测模型构建中,集成学习后融合BP神经网络模型各项评估指标最均衡,模型性能最好;该模型所输出的PPS数据集可为肝硬化代偿期的临床辨证提供参考。

基于改进型BP神经网络的模型参考自适应控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。

基于改进型PSO的模糊神经网络PM_(2.5)浓度预测

为科学合理地预测大气污染物PM2.5颗粒物浓度变化规律,分析PM2.5颗粒物浓度变化历史数据,综合判断外部条件(温度、风速、天气状况)和内部条件(其它污染物的浓度)对PM2.5颗粒物浓度变化的影响。采用一种改进型PSO优化的模糊神经网络,将粒子群算法与模糊神经网络进行融合,发挥PSO算法全局寻优的特点,预测PM2.5颗粒物浓度的变化规律。对某市2013年PM2.5颗粒物浓度进行预测和验证,验证结果表明,该算法具备良好的预测精度。

应用BP人工神经网络探讨PPAR-γ和RXR-α基因多态性与汉族人群2型糖尿病遗传易感性的关系

目的:探讨BP人工神经网络(BPANN)在研究过氧化物酶体增殖物激活受体γ(PPAR-γ)和视黄醛α受体(RXR-α)基因单核苷酸多态性(SNP)位点与中国南方地区汉族人群2型糖尿病(T2DM)易感性关系中的应用特点。方法:采用BPANN分析方法,对591例2型糖尿病患者和724例正常对照者的基因多态性位点的分型结果、血清脂联素水平以及其他所有可能的影响因素按照平均影响值(MIV)的绝对值大小排序,并与Logistic回归模型的分析结果相比较,用多因子降维法(MDR)分析基因间的交互作用。结果:BPANN多因素分析中,2型糖尿病危险因子的顺位为血清脂联素浓度、高血压史、腰围、rs4240711、rs3132291、rs3856806、2型糖尿病家族史、饮酒、高脂血症史、吸烟、年龄、BMI指数、rs1045570、性别、rs2920502、rs6537944、rs4842194、rs17827276、rs1801282;而多因素Logistic回归分析中只有8个变量入选最终模型,因子顺位为高血压史、T2DM家族史、腰围、饮酒、吸烟、rs4240711、rs4842194、血清脂联素浓度;多因子降维法(MDR)分析结果显示模型X1X2X3(rs3856806,rs3132291,rs4240711)为最佳模型(交叉验证一致性10/10,P=0.0107)。结论:PPAR-γ和RXR-α基因多态性改变的交互作用对于中国南方汉族T2DM遗传易感性可能具有一定的作用。BPANN用于筛选T2DM等复杂多病因疾病的影响因素,可能提供更切合实际情况的模型。

基于改进型脉冲耦合神经网络的图像二值分割

图象二值分割在图像分析和模式识别中是一项最基本也是最重要的预处理 ,它处理的好坏将直接影响后续的分析和处理效果。如何更有效、适应性更强地实现图像二值化 ,一直是困扰人们的一个难题。该文提出了一种新的图像二值分割方法———基于脉冲耦合神经网络的图像二值分割。它利用脉冲耦合神经网络的特性 ,实现图像的二值化。与传统图像二值化方法相比 ,它完全是一种与图像自适应的二值分割 ,易于软件和硬件的实现。对于含有丰富细节或低对比度的图像二值分割 ,该方法的优越性更为突出。实验结果表明了该方法的有效性。