基于改进PSO-BP神经网络的网络控制系统时延预测

针对网络控制系统存在的随机时延问题,本文基于BP神经网络(Back Propagation Neural Network, BPNN)建模方法,在PSO(Particle Swarm Optimization)算法的基础上引入遗传算法中交叉和变异的思想,同时对惯性权重和学习因子采用线性递减和异步时变的改进策略,提出了一种性能更优的改进PSO算法,并用该算法优化BP神经网络,构建了一种改进PSO-BP神经网络的时延预测模型;然后运用MATLAB TrueTime2.0工具箱搭建仿真平台,结合获取到的历史时延采样数据对改进PSO-BP时延预测模型和PSO-BP、BP模型进行性能对比测试.实验表明本文所提出模型的预测精度更高,误差更小,能较好的解决网络控制系统的随机时延预测问题.

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。

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AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

基于EMD分解和改进GWO-BP神经网络的滑坡位移预测

考虑到滑坡位移受多因素的影响,结合信号分解与智能算法,提出了一种时序分解-模型构建-模型训练的EMD-BP-TIGWO滑坡位移预测方法。首先,利用EMD方法将滑坡监测数据分解为多个IMF分量及一个残余量,将分解后的分量划分为周期项及趋势项位移;其次,构建BP-TIGWO模型,引入Tent映射及自适应权重,提高灰狼算法的收敛速度及全局搜索能力,并利用TIGWO算法优化BP神经网络的权值及阈值;利用Pearson相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析,利用优化后的BP模型分别对周期及趋势项滑坡位移进行预测;最后,将各分量预测值进行叠加得到滑坡累计位移预测值,并对模型预测准确率进行评价。实验结果表明,EMD-BP-TIGWO模型在考虑降雨输入特征下,连续32 d预测的RMSE、MAE及R2分别为0.64、0.51及0.97,模型预测精度明显高于未考虑时滞的EMD-GWO-BP、EMD-GWO-BP、BP-TIGWO、BP模型的预测精度,可为预测滑坡的位移提供参考。

基于改进WOA-BP神经网络的网格化空气质量监测仪数据修正

空气污染严重威胁人类健康,近年来逐渐兴起的基于传感器技术的微型空气监测仪(简称微型站)具有体积小、造价低的优点,符合当前网格化、精细化的空气质量管理模式。但微型站中使用的电化学传感器存在复杂的气体交叉干扰,影响设备的准确性。针对交叉干扰非线性,难以用明确的数学表达式描述的问题,提出将改进鲸鱼算法优化的反向传播(CIWOA-BP)神经网络应用于微型站数据的修正。CIWOA-BP算法结合了BP神经网络善于处理非线性黑箱问题的优势以及CIWOA全局寻优的能力。结果表明:经过CIWOA-BP修正后的微型站可以实现对混合气体中的NO_(2)、CO、O_(3)和SO_(2)的准确定量分析,4种气体的计算值和实际值之间的拟合优度(R^(2))均超过了0.97,效果优于一元、多元线性回归和传统的BP神经网络,可以很好地提升设备对空气污染物的监测精度。

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BP神经网络的电气设备绝缘故障诊断研究

文章以变压器绝缘故障为例,首先采用改进谐波分析法进行在线监测,获取变压器绝缘的原始信号,并对已获取信号进行预处理工作。其次采用自适应学习率改进BP算法,并搭建3层前馈神经网络,构建新型神经网络模型。最后应用改进的BP神经网络模型,结合熵值法完成变压器信号训练,实现变压器绝缘故障诊断。实验结果表明,此方法可有效提升电气设备绝缘故障诊断的准确性,缩短整体诊断耗时,具有较高的实际应用价值。

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。

基于IGWO-BP神经网络锂电池SOC估算

针对传统BP神经网络估算电池SOC过程中,存在初始权值和阈值对预测精度影响较大的问题,引入Tent混沌映射和自适应收敛因子对灰狼算法(GWO)进行改进,改善灰狼算法易陷入局部最优、后期迭代效率不高的缺点。将改进灰狼算法(improved grey Wolf algorithm,IGWO)与BP神经网络模型结合,得到BP神经网络最优初始权值和阈值,提高预测精度和收敛速度。对锂电池充放电实验数据预处理,得到样本数据。利用MATLAB进行仿真验证,结果表明,IGWO-BP神经网络算法的预测精度相较于传统BP神经网络算法、GWO-BP神经网络算法更优,基于改进灰狼优化BP神经网络估算电池SOC的方法的绝对误差能控制在1.53%以内,有效提高了预测精度和收敛速度。

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果。实验结果表明:优化后的PSO-BP神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的ROP预测。

基于改进麻雀搜索算法-BP神经网络的电缆接头线芯温度间接测量方法

电缆接头线芯温度实时监测对提升电缆线路载流量和安全运行有重要意义。针对目前测温方法适用性不强、精度低且抗干扰能力弱的问题,提出了一种改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化反向传播神经网络(back propagation neural network, BPNN)的温度反演间接测量方法。首先引入帐篷(Tent)混沌映射、自适应T分布变异、生产者数量和搜索空间动态调整混合策略对SSA进行改进,然后用改进后的SSA优化BP神经网络超参数。最后通过不同工况下的接头仿真与试验数据,结合自回归滑动平均模型(auto regressive moving average model, ARMA)对表面测温数据进行降噪,基于线路负荷及表面温度对接头线芯温度进行反演,并与粒子群优化算法(particle swarm optimization, PSO)-BP、SSA-BP、灰狼优化算法(grey wolf optimizer, GWO)-BP反演效果进行对比。结果表明改进模型的平均绝对误差不超过0.5℃,反演精度更高,能够实现对电缆接头运行状态的实时有效监测。

基于遗传和改进布谷鸟算法的BP神经网络建模

针对现代工业系统具有高度非线性的特点,以及采用BP神经网络对非线性系统建模易出现局部最优、过拟合或欠拟合的问题,提出采用遗传算法(GA)和改进布谷鸟算法(CS)优化BP神经网络建模的方法(GACSBP算法)。首先利用遗传算法自适应、全局搜索的特点优化神经网络拓扑结构,避免神经网络建模出现过拟合或欠拟合的问题;然后采用改进布谷鸟算法优化BP神经网络权值,加入惩罚项进一步防止神经网络建模时陷入局部最优。对NACA0012翼型自噪声数据进行建模,仿真结果表明,与BP神经网络相比,提出的GACSBP算法避免了局部最优,明显提高了模型预测精度,且所需迭代次数和时间均明显减少。

结合面法向和切向接触刚度的MPSO-BP神经网络算法的建模

提出一种基于改进的粒子群和BP神经网络相结合的算法模型,用改进粒子群优化算法优化BP神经网络参数。以机械结合面法向接触刚度和切向接触刚度作为算例。考虑结合面配对副材料、接触载荷、表面加工方法、表面粗糙度和结合面间的介质作为主要因素,对8组结合面法向和切向接触刚度进行预测建模,并对仿真与实验结果进行比较与误差分析。结果表明,该方法实现了多种影响因素组合下的机械结合面法向和切向接触刚度较高精度的建模和预测。

基于ISSA-BP神经网络的棉纱条干均匀度预测

为解决棉纱条干均匀度难以预测的问题,提出了一种改进麻雀搜索算法(ISSA)优化BP神经网络的预测方法。首先,将棉纱成形过程中采集到的12个原棉指标进行特征提取,作为BP神经网络预测模型的输入变量。接着,利用佳点集策略,Levy飞行策略和锦标赛学习策略对麻雀搜索算法(SSA)进行改进。最后,利用ISSA搜索BP神经网络最优的初始权值和阈值,建立ISSA-BP神经网络模型。为验证改进算法的有效性,利用Python进行训练和仿真,并与BP模型、GA-BP模型、PSO-BP模型和SSA-BP模型进行预测结果对比。结果表明:ISSA-BP模型在棉纱条干均匀度预测中平均相对误差为1.52%,预测性能较优,误差较小,预测结果较为理想,可以有效预测棉纱条干均匀度。

基于PSO算法改进BP神经网络的氟金云母点磨削工艺参数优化

通过氟金云母的高速点磨削试验,测试了加工表面硬度和表面粗糙度,分析了表面硬度和表面粗糙度随工艺参数的变化规律。基于单因素试验值和PSO算法改进的BP神经网络,利用最小二乘拟合,建立了氟金云母点磨削表面硬度和表面粗糙度关于各工艺参数的一元模型,以相关系数检验模型,证明模型具有较高可靠性。分析一元模型,提出表面硬度和表面粗糙度分别关于工艺参数的多元模型。基于正交试验值和PSO算法,对模型进行优化求解,并通过试验证明了模型具有较高可靠性。利用PSO算法对两个多元模型进行双目标优化,求解得到一组较为合理的工艺参数值。

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。

基于改进遗传算法的BP神经网络预应力快速检测应用研究

为解决混凝土锚下有效预应力张拉曲线拐点识别的问题,基于改进遗传算法优化BP神经网络,改进了遗传算法中选择、交叉、变异等操作,对BP神经网络的权值和阈值等参数进行了优化。结果表明:改进遗传算法优化BP神经网络具有良好效果,相比于BP神经网络,收敛速度更快、适应度更高,是一种有效的锚下有效预应力检测方法。

BP神经网络模型的改进及其在海底管道外腐蚀速率预测中的应用

针对海底油气管道外腐蚀问题构建模型预测其腐蚀速率,建立基于改进鹈鹕优化算法(Improvement Pelican Optimization Algorithm,IPOA)的BP神经网络(Back Propagation Neural Network,BPNN)腐蚀速率预测模型。通过Logistic-Tent混沌映射初始种群与收敛因子非线性化的方法提高鹈鹕算法(POA)的全局搜索能力和寻优精度,采用IPOA算法优化BPNN的权值和阈值,提升模型的预测精度与鲁棒性。以实海挂片试验数据为基础,建立POA-BPNN和BPNN模型作为对比。结果表明:IPOA-BPNN模型的决定系数R2为0.9664,均方误差为0.2353,平均相对误差为3.16%,均优于其余两个模型,模型的鲁棒性较未改进有较大的提升。这表明IPOA-BPNN模型能够为海底管道的维修与更换提供决策支持。