基于改进BP神经网络算法的钻锪工艺参数优化

针对目前工业机器人钻锪工艺参数选取主要依靠经验法的问题,提出基于改进BP神经网络算法的钻锪工艺参数优化方法。分析钻锪工艺过程并针对工艺参数和加工质量的关系进行正交实验设计和相关性分析;针对哈里斯鹰算法的不足,在猎物逃脱几率和猎物跳跃强度两方面对其进行改进;运用改进的哈里斯鹰算法优化BP神经网络,并基于改进的BP神经网络算法建立工艺参数优化数学模型;采用fmincon函数求解最优工艺参数并进行实验验证。分析结果表明,与由经验法确定的工艺参数相比,优化后的工艺参数在孔径精度和锪窝深度精度方面分别提高了17.9%和26.5%,满足了加工质量要求,并保证了加工效率。

基于改进BP神经网络算法的永磁同步电动机速度控制系统的优化设计

该文作者以永磁同步电动机的转速控制系统为例,运用改进BP神经网络算法对转速控制器的PI参数进行了优化设计,同时使用MATLAB语言分别对采用常规工程设计法与改进BP神经网络算法所得到的阶跃响应曲线以及这两种设计方法所得到的时域性能指标进行了仿真分析和比较,通过比较可以看出:采用改进BP神经网络算法确能达到进一步优化调速系统性能的目的。

基于改进BP神经网络算法的岸电电源智能输出控制的研究

船舶岸电技术是指允许装有特殊设备的船舶在泊位期间接入码头陆地侧电网的技术。船舶靠港时直接接用港口码头陆上电源,可在很大程度上降低靠港船舶供电系统的运行和维护成本,并提高能源利用效率。对国内、外港口船舶岸电系统应用情况和岸电技术存在的问题进行分析,基于改进BP神经网络算法的内模控制器设计了一种船舶岸电电源智能输出控制系统,并分别通过轻载实验和重载实验对该智能输出控制系统的功能进行了验证,证明其能有效控制船舶岸电电源的输出。

基于GA-改进BP神经网络算法在大电网短路电流预测中的应用

详细分析了目前我国电网的短路电流情况以及发展趋势,提出了基于遗传算法(GA)和改进的BP神经网络算法的三相短路电流预测方法,以一个实际的大区域电网为例,对其进行基于潮流的三相短路电流计算,找出短路电流水平薄弱点,并对较薄弱点的短路电流水平进行预测,仿真计算说明了本文所提出的算法的可行性和有效性。

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.

改进BP神经网络算法在中小流域洪水预报中的应用研究

定安河流域位于海南省的中部,是万泉河的一级支流,属于典型的中小流域。针对利用BP神经网络进行洪水预报时预报结果不平滑、冒异常值等问题,在考虑水文过程性质的基础上,提出了多时段综合算法和修匀算法。选取海南省定安河流域作为研究区域,采用深层前向BP神经网络,构建多组预报方案进行对比分析。结果表明,本文所提方法可以弥补原有算法的不足,提高洪水预报精度,作为传统预报方式的有益参照,具有较好的实用价值。

应用一种改进BP神经网络算法预测密度曲线

利用测井数据与地震数据二者相结合进行综合分析,是地震勘探工作者的重要工作。可以通过分析井位处的地震数据与测井数据,提取地震的多个属性,建立一个与测井属性的统计关系。选取已改进的三层网络结构BP神经网络算法,在应用一个实际例子后表明,该算法的主要特点是收敛速度快、计算简单,同时还具有跳出局部最小的能力。应用此神经网络算法对某油田的二维地震数据进行了处理,提取了多种地震属性,并在井位置建立了地震属性与密度曲线的非线性关系,成功预测了剖面密度曲线,为了解储层状况提供了有益的资料。

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24 h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445%,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.

基于Matlab改进BP神经网络算法

本文针对标准BP算法的不足给出了改进算法—Scaled Conjugate Gradien(tSCG算法),利用Matlab语言编制了BP网络的应用实例仿真程序。结果表明SCG算法的学习收敛速度大大地优于标准BP算法。

采用改进BP神经网络算法预测短期电力负荷

介绍了BP神经网络算法的原理以及对其采用非线性阻尼最小二乘法Levenberg-Marquardt进行优化的的方法。针对短期电力负荷的特点,设计了预测短期电力负荷的BP神经网络模型和预测流程,并结合具体实例,采用MATLAB神经网络工具箱编程。与实例结果的比较表明,此方法预测短期电力负荷具有实用价值。

一种改进BP神经网络算法的编程及应用

采用附加动量并结合动态调整学习率改进BP算法,用MATLAB语言完成该算法程序的编写,并将其应用于处理光催化降解直接橙S水溶液的数据.该程序对训练集和预测集计算结果的相关系数R分别为0.972 3和0.945 2,处理效果良好.

基于改进BP神经网络算法的短期负荷预测

分析了电力系统负荷的组成、分类及其周期性的变化规律,对神经网络基本理论方法进行了细致地研究。应用改进的BP神经网络,建立了充分考虑各种因素的电力系统短期负荷预测模型。最后通过实例仿真,比较三种改进的BP学习算法,结果表明在本模型中,Levenberg-Marquardt(LM)学习算法在收敛速度以及预测精度上要优于拟牛顿法和SCG算法。

基于一种改进BP神经网络算法的教学质量评价研究

在教学管理问题的研究中,针对教学质量评价的非线性特征以及教学质量评估体系中存在的诸多非定量的因素,建立教学质量评价的BP神经网络模型。评价模型对已有评价体系中的主观性因素进行量化,并利用神经网络的自学习,自适应及非线性逼近能力进行量化评价的计算。对模型中用到的BP算法和代数算法分别进行了理论上的分析和训练结果的对比,为教学质量评价模型提供了可行的解决方案。

电力系统短期负荷预测的改进BP神经网络算法比较

对于电力系统来讲,预测系统负荷的措施有助于维持电力系统的正常运行,避免频繁出现偏低或者偏高的电力系统负荷。在目前的现状下,技术人员已经能够借助于神经网络算法用于完成全方位的系统负荷预测,从而保证了整个电力系统能够处于有效的负荷控制下。因此针对短期的电力系统负荷预测而言,应当尝试引进BP的神经网络算法作为支撑,确保得出精确的负荷预测结论。

小波降噪及改进遗传算法的BP神经网络在基坑变形中的组合应用

以某市人民医院基坑工程为例,针对实测数据建立实测数据结合BP神经网络预测模型,小波降噪结合BP神经网络模型和小波降噪结合改进遗传算法优化的BP神经网络模型,并利用误差分析理论对基坑变形数据预测效果评价。结果表明:对比3种模型实际处理、预测数据能力,实测数据结合BP神经网络模型预测精度在1%-4%之间,小波降噪结合BP神经网络模型预测精度1%-2%之间,小波降噪结合改进遗传算法优化的BP神经网络模型预测精度在1%以内,小波降噪结合改进遗传算法优化的BP神经网络模型的预测准确率最高。针对基坑变形监测,小波降噪结合改进遗传算法优化的BP神经网络模型具有更高预测精度,可为类似工程提供实际参考。

改进麻雀搜索算法优化BP神经网络的短时交通流预测

针对BP神经网络预测短时交通流量过于依赖初始参数的问题,提出一种基于改进麻雀搜索算法(ISSA)来优化BP神经网络的短时交通流预测模型(ISSA-BP)。针对标准麻雀搜索算法(SSA)易收敛于原点,容易陷入局部最优等问题,对麻雀群体中的发现者和部分加入者的位置更新公式分别进行改进,改进后的发现者将基于搜索维度的大小和当前最优值的位置来进行全局搜索,部分加入者将根据其与最优位置之间的距离来进行全局搜索。通过实验对BP,PSO-BP,SSA-BP,ISSA-BP 4种短时交通流预测模型的预测效果进行对比分析,结果显示,ISSA-BP短时交通流预测模型的误差最小,ISSA-BP模型相较BP模型在MAE评价指标上的预测精度提升了48.85%,有着更好的预测精度。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。

小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

基于改进灰狼算法优化BP神经网络的变压器故障诊断方法研究

针对变压器故障诊断精度不高,和避免传统的故障诊断方法的不足,提出一种基于改进灰狼算法BP神经网络变压器故障诊断算法。改进算法采用增强搜索能力的维度学习策略,增加灰狼算法中灰狼种群的多样性,同时将故障特征量输入到算法模型中并与其他模型进行对比,验证本文算法的有效性和性能表现优于其他算法。

基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na^(+)+K^(+)浓度、Ca^(2+)浓度、Mg^(2+)浓度、HCO_(3)^(-)浓度、SO_(4)^(2-)浓度、Cl^(-)浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果。研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6%,在测试集上的识别准确率达100%。②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高。③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分。