基于改进人工神经网络的建筑结构变形智能监测预警方法

针对现有监测预警方法对建筑结构变形监测预警时,存在结果残差过大,影响精度的问题,引入改进人工神经网络,开展对建筑结构变形智能监测方法的设计研究。利用改进人工神经网络,构建建筑结构变形预测模型;在各结构变形监测点设置传感器,实现建筑结构变形数据实时监测;设置报警阈值,结合模型输出结果与阈值的对比,实现对建筑结构变形智能预警。通过对比实验证明,新方法的监测预警结果残差得到有效控制,精度显著提升,能够在第一时间发现建筑结构异常变形趋势,促进提高建筑整体建设的安全性。

基于K-Means^(++)和Elman神经网络的低压台区线损计算方法

为了解决低压台区线损计算在理论上因线路复杂、用户众多以及数据获取困难等带来计算难度与精度不足的问题,提出了一种结合改进K-Means^(++)算法与Elman神经网络的创新计算方法。深入分析了低压台区线损的决定因素,并依据相关性分析构建了线损的关键特征指标集。采纳主成分分析方法实施数据降维,简化数据结构。通过改进的K-Means^(++)算法对数据集进行有效聚类,优化模型训练过程。同时,整合粒子群优化算法进一步提升Elman神经网络的性能。通过对实际数据进行仿真验证,结果证实所提出的方法在训练效率和计算精度方面表现优异。

基于改进Elman神经网络的轧辊磨削形位精度预测

轧辊磨削形位精度(辊形、圆度)与工艺参数间存在较强非线性关系,传统线性回归难以对形位精度进行有效拟合。针对上述问题,提出了基于改进Elman神经网络的辊形误差和圆度误差预测方法。在Elman神经网络训练过程中采用Sine混沌映射使得种群分布更均匀,同时利用麻雀搜索算法获得Elman神经网络的最优参数。验证结果表明,预测模型对于辊形精度和圆度的预测误差均小于10%,准确度高于85%,满足实际应用需求,证明了所提出方法的有效性。

改进天鹰优化器优化Elman神经网络模型预测管道蜡沉积速率

管道结蜡一直是困扰含蜡原油输送的棘手问题,建立准确的蜡沉积速率预测模型对于保障管道的安全运行具有重要的实际意义。考虑到Elman神经网络(Elman neural network,ENN)模型的不足(易陷入极小点、泛化能力弱),基于蜡沉积速率的主要影响因素,提出了一种基于改进天鹰优化器(引入鲸鱼优化算法的狩猎策略对天鹰优化器的局部搜索能力进行改进)的ENN模型,并基于两组室内实验数据对比分析了所建新模型和其他模型预测精度的差异。结果表明,改进新模型的平均绝对百分比误差分别为0.7603%、1.2452%,其预测精度明显高于传统ENN模型;采用改进天鹰优化器建立的ENN模型可对初始权值和阈值进行寻优处理,极大提高了泛化能力,因此具有预测精度高的优点。

基于Elman神经网络的钢结构变形监测方法分析

随着社会经济的不断发展,建筑工程的规模日益扩大,施工质量和效率得到了社会的广泛关注。钢结构作为建筑主体的重要结构形式之一,对工程的安全性和稳定性起着决定性作用。为保证钢结构的施工效果,需要做好变形监测,加强质量控制。本文简要分析了建筑工程钢结构技术特点和优势后,重点阐述了钢结构变形监测的作用,并提出了一种监测精度较高的方法,即以ELman神经网络为导向的变形监测技术,这种技术能够严格控制监测误差,提高整体监测水平。

基于优化神经网络的二自由度机械臂轨迹跟踪

针对二自由度机械臂的轨迹跟踪问题,本文提出基于改进微分进化优化神经网络的二自由度机械臂轨迹跟踪方法。分析其动力学方程,从周期性振动、瞬态响应和稳定运动状态3个角度探讨了二自由度机械臂的动态行为表现形式,将轨迹跟踪转化为求解二自由度机械臂非线性微分方程。采用约束处理机制改进基本微分进化算法,利用多层感知器(Multilayer Perceptron,MLP)结构的神经网络跟踪二自由度机械臂轨迹。测试结果表明,跟踪误差始终保持在0.010 m以内,最大值为0.010 m,最小值为0.003 m,与对照组相比具有明显优势。

基于差分电压和ICS-Elman神经网络的锂离子电池剩余使用寿命预测方法

锂离子电池被广泛应用于支撑新能源并网设备中,其剩余使用寿命(RUL)预测对设备运维管理极为重要,该文提出一种基于差分电压和改进布谷鸟搜索算法(ICS)-Elman神经网络预测锂离子电池RUL的方法。首先,对电池内部的电化学反应和外部的数据特征进行分析,选取结合电池内外特征的差分电压曲线作为特征提取对象,在充电差分电压曲线和放电差分电压曲线中选取相关特征;其次,考虑电池容量再生现象,选取Elman神经网络作为电池容量预测模型;然后,为提高预测精度,考虑利用改进的布谷鸟搜索算法对网络的初始权值和阈值进行参数寻优,ICS算法以改进概率公式、增加扩散因子、混沌初始化3种方法对传统CS算法进行改进,最终形成ICS-Elman预测方法;最后,利用NASA数据集和自测数据集对ICS-Elman方法进行验证,对比分析CS-Elman、Elman方法,结果表明所构建的ICS-Elman方法能更准确有效地预测锂离子电池RUL。

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。

基于MWOA-Elman神经网络的接地网瞬变电磁缺陷识别

为改进当前瞬变电磁探测系统的局限,提高接地网缺陷识别的效率与精度,提出一种MWOA-Elman神经网络,完成数据由采样到成像的转化过程,快速实现视电阻率成像,精准识别接地网的不同缺陷。首先,通过理论计算完成接地网瞬变场参数样本集,构造Elman神经网络的单映射关系。其次,围绕收敛因子、自适应权重与阈值对鲸鱼算法进行改进,用改进鲸鱼算法(modified whale optimization algorithm, MWOA)优化Elman神经网络的权值和阈值。测试结果表明,MWOA-Elman神经网络在第854步收敛,4项误差指标MAE、MSE、RMSE、MAPE分别为0.103 51、0.040 09、0.126 64和0.333 52%,接地网缺陷识别精度为99.678%,识别效率与精度均优于其他模型。最后,通过分析3×3接地网3种典型缺陷位置的成像结果,验证了MWOA-Elman神经网络应用于接地网缺陷识别的有效性,为嵌入瞬变电磁探测系统的智能算法提供参考。

改进结构的小波神经网络在油田开发指标预测中的应用

由于油藏储层的非均质性和决定油田开发指标因素的不确定性,往往很难对油田开发指标进行准确的预测。针对小波神经网络模型及算法预测油田开发指标存在的不足,提出了改进结构的小波神经网络模型。改进结构的小波神经网络模型使输入指标同时在不同时间因子和尺度因子的小波基上展开。实例分析结果表明,改进结构的小波神经网络模型不仅继承了小波神经网络的优点,且具有比小波神经网络预测油田开发指标精度更高、训练速度更快的优势,其预测的平均精度达到97.02%,是预测油田开发指标的一种较实用的方法。

改进的Elman神经网络在WSNs距离预测中的应用

节点定位是无线传感器网络应用的关键技术之一,而测距的精度很大程度决定了定位的精度。为了提高定位的精度,对测距精度的提高进行了研究。根据实验获取的RSSI值与对应的距离值,先对实验数据进行滤波处理,以滤波后的数据作为样本,建立改进的Elman神经网络预测模型,利用改进的El-man神经网络的稳定性高和预测精度高等特性,对样本进行训练,得出预测的距离值,距离精度达到1 m以内。

结构可靠度分析的改进BP神经网络响应面法

对功能函数不能明确表达即具有隐式功能函数的问题进行可靠度分析,常采用响应面法。其中二次多项式响应面法应用较为广泛,采用与此方法相同的思路,人们提出了BP神经网络响应面法。在此基础之上,笔者提出了改进的BP神经网络响应面法。对以上方法计算效果,通过算例进行了对比分析,其中改进BP神经网络响应面法计算精度较好,进行有限元分析次数较少。该方法用于大型复杂结构的可靠度分析,可相应提高工作效率和解题质量,具有一定实际应用价值。

Elman神经网络改进模型在脑膜炎诊断中的应用

为了客观地反映脑脊液(Cerebrospinal Fluid,CSF)所蕴涵的病理信息,研究CSF多变量非线性诊断指标和脑膜炎分类标准的内在联系,提出一种Elman神经网络改进模型辅助诊断脑膜炎疾病的方法。构建2层Elman神经网络改进模型网络训练和仿真的实验结构,分别把85和51例临床病例确诊数据作为训练样本和仿真数据的输入。仿真结果显示,采用Elman神经网络的改进模型应用于脑膜炎疾病的辅助诊断可以达到均方误差10-2精度。Elman神经网络改进模型针对CSF复杂数据关系辅助诊断脑膜炎疾病的智能计算是可行的。

基于改进型Elman神经网络的短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度,提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层,增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。

用改进粒子群神经网络混合算法优化特高压油气套管均压球结构

在我国特高压(ultra-high voltage,UHV)油气套管样机的试制过程中,套管尾部电场分布和均压球结构的优化是一项重要的研究内容。为此,详细介绍了改进粒子群神经网络混合算法(PSO-BP算法)的基本原理和流程,运用连续显式函数验证了该算法的寻优能力和准确度;并运用该算法对套管尾部均压球结构进行了优化。研究表明:PSO-BP算法能较准确地搜寻到显式函数的极值点,具有较强的挑出局部最优解的能力;需用套管3维全模型才能较准确地计算得出套管尾部的电场分布;PSO-BP算法能有效搜寻到均压球结构参数的最佳配置;优化后均压球表面的最大电场强度较优化前降低了约64.9%,且PSO-BP算法较传统PSO算法可节省约75.2%的计算时间。该研究结果已成功运用于特高压油气套管样机的试制并完成了全部型式试验。

基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。

基于改进RBF神经网络模型的SOFC性能预测方法

固体氧化物燃料电池(SOFC)测试存在费用高、实施困难以及耗时长等问题,因此,提出了一种基于径向基(radial basis function,RBF)神经网络的SOFC建模方法。首先采用数据驱动的方式利用RBF神经网络模型对电池中阳极、阴极、电解质厚度等微观结构对SOFC性能的影响进行分析,然后针对RBF神经网络模型参数选取困难、易陷入局部极值的问题,提出一种改进果蝇算法(improved fruit fly optimization algorithm,IFOA)对其进行优化,自动确定模型参数的同时确保其收敛于全局最优解。仿真结果表明,所提方法能够准确描述微观结构变化对SOFC性能的影响,相对于支撑向量机(support vector machine,SVM)模型能够获得更高的预测精度。

基于EEMD和改进Elman神经网络的地球变化磁场短时预测

针对地球变化磁场时间序列的混沌特性,提出了一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和改进Elman神经网络的地球变化磁场预测模型.首先,利用EEMD将非平稳的地球变化磁场时间序列分解为一系列具有不同特征尺度的本征模态函数(intrinsic mode function,IMF);然后,针对每一个IMF分别建立改进Elman神经网络模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地球变化磁场数据为研究对象,并与基于单一Elman神经网络预测模型相比较,结果表明,EEMD-改进Elman神经网络模型的预测值能紧跟地球变化磁场的变化趋势,且明显优于基于单一Elman神经网络的模型,体现出更好的预测效果.在地磁Kp<3时,预测3h平均绝对误差为1.74nT.

改进BP神经网络的钢结构应力缺失数据重构

钢结构健康监测过程中的应力数据缺失会干扰监测各环节的运行状态,无法保障施工阶段的安全,因此解决数据缺失问题至关重要。钢结构在施工阶段应力应变监测中,由于受到外界诸多复杂因素的影响,导致监测数据不准确、缺失以及局部应力数据的重构值与真实值偏差较大等问题。采用改进BP神经网络分别对300组和30组钢结构应力应变监测数据进行重构,并对改进BP神经网络的数据重构方法进行适用性分析。结果表明:相比线性回归法,改进BP神经网络法进行离散型缺失数据的重构平均误差降低0.7%,特别是对于局部缺失数据,改进BP神经网络法的重构精度更高,平均局部误差降低2.2%;为达到较好的重构精度,使用改进BP神经网络对缺失数据重构时,数据的缺失率不宜超过20%;改进BP神经网络法可为钢结构应力缺失数据重构以及结构健康监测提供技术支持,具有较好的实用性。

基于BP神经网络和改进遗传算法的蒸发器支座结构优化设计

应用显著性分析选取了优化结构参数,利用正交试验法和有限元法确定了神经网络样本数据,建立了反映结构特性的人工神经网络模型,为遗传算法提供了适应度函数,并通过改进遗传算法完成了函数优化。对比和分析结果表明,优化结构比初始结构的体积减少了19.9%,失稳临界载荷提高了293%,且满足强度条件。