基于L-M神经网络优化算法的池塘水色判别系统的初步建立

为了将水产养殖水色判别传统技术经验转化为可以量化的数字技术,采用基于L-M神经网络优化算法和计算机图像处理技术的方法,建立了一个水色判别的水产养殖专家系统。通过实例预测,该系统判别误差率<1%。该系统训练后的神经网络模型,能实现对养殖池塘水质的预测。系统的开发和使用对实现水产健康养殖、智能控制和计算机管理具有一定实用价值.

基于人工神经网络优化算法的故障诊断

应用神经网络优化算法,进行网络参数优化计算。为了考察神经网络的优化算法,对实验室的转子模型进行了振动测试,获取其振动信号,将信号经分析仪分析,获取不同测点的动态信息及其参数分布规律,用神经网络优化算法进行故障诊断分析。

新型建筑耐候钢铸造性能的神经网络算法优化

为了进行新型建筑耐候钢铸造性能优化,本文以合金元素、合金元素添加量、熔炼温度、静置时间和浇注温度5个神经单元为输入层参数、以腐蚀电位为输出层参数,以tansig函数为隐含层传递函数、purelin函数为输出层传递函数,构建了5×30×6×1四层拓扑结构的新型建筑耐候钢铸态性能神经网络优化模型,并进行了模型的学习训练与预测验证。结果表明:模型具有较佳的预测能力和较高的预测精度,模型相对预测误差介于3.57%与5.02%之间,平均相对预测误差4.24%。模型优化出的新型建筑耐候钢是在09MnCuPTi钢中添加0.3%Ce,熔炼温度是1630℃、静置时间是30 min、浇注温度是1600℃。与09MnCuPTi建筑耐候钢相比,优化的新型建筑耐候钢的腐蚀电位从-676 mV正移到-543 mV,正移133 mV,耐腐蚀性能得到明显提高。

区块链视角下的保险架构研究——基于自适应神经网络算法优化分析

在互联网时代金融科技应在保险领域得到延伸实践,而作为计算机底层数据技术的区块链技术以其高度可靠、可开源和可移植的特点,能够保障提升保险运营、营销乃至监管效率。本文通过系统架构、优化算法,从技术创新角度研究提升保险行业效率、企业合规管理和公众营销信任提升问题。鉴于当前对保险业的区块链算法模型的研究并不多见,本文针对区块链相关基础架构、神经网络算法优化和实践方向进行分析探讨。

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。

基于量子遗传算法优化BP神经网络短期风功率预测

风力发电的不可控性,给电网带来了很多问题,所以当前迫切需要一种高精度的风力发电预测系统。对此,提出了一种结合量子遗传算法和BP神经网络的预测方法,通过量子遗传算法优化BP神经网络的权值和阈值。最后通过MATLAB试验仿真,验证了该方法可有效提高风功率的准确性。

采用BP神经网络优化间二硝基苯催化加氢的反应条件

采用BP神经网络对间二硝基苯液相催化加氢制备间苯二胺的反应条件进行优化 .首先利用均匀设计的实验结果 ,采用LM算法对BP神经网络进行训练 .再利用训练好的BP神经网络对各种实验因素水平组合条件下间二硝基苯的转化率和间苯二胺的收率进行预测 .结果表明 ,采用苯作溶剂时 ,间二硝基苯的转化率较高 ;采用乙醇作溶剂时 ,间苯二胺的收率较高 ;当采用乙醇为溶剂 ,催化剂用量为 2 0 % ,反应温度和压力分别为 36 5K和 2 9MPa时反应效果较好 ,间苯二胺的收率高达 95 8% .进一步的实验验证表明 ,用神经网络模型模拟的结果与实验结果基本吻合 .

DE优化模糊神经网络算法在无刷直流电机控制系统中的应用

DE优化模糊神经网络算法是一种利用模糊神经网络控制器进行计算的方式,该算法避免了以往DE模糊神经网络连接权值和阈值选择上的随机性缺陷,从而能发挥DE模糊神经网络泛化的映射能力。本文就DE优化模糊神经系统在无刷直流电机控制系统中的应用,进行了系统的研究和探讨。

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法,本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程,为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。

基于ACO优化小波神经网络的语音识别

蚁群优化(Ant Colony Optimization,ACO)算法是根据解决不同优化问题的多个蚂蚁算法所归纳出的解决复杂的组合优化问题的一个一般框架。本文首先研究ACO算法的原理及其结构框架,在此基础上,引入蚁群优化算法进行小波神经网络的训练,对ACO训练小波神经网络步骤和方法进行了研究。并与BP算法、遗传算法、模拟退火算法进行性能比较,将各种方法训练的小波神经网络用于噪声环境下的语音识别。仿真结果表明,基于ACO算法训练的神经网络在收敛速度上更具有优势,能够获得较小的均方误差值,对于非特定人噪声环境下的语音识别的正确率达到96%,是一种有效的语音识别方法。

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。

基于PSO与BP神经网络的脱机手写体汉字识别算法

汉字识别的算法研究是模式识别中的热点课题。文章针对脱机手写体汉字提出了一种用PSO算法优化BP神经网络的脱机识别算法。关于BP算法在训练时易出现局部极小化的现象,PSO算法可通过大空间内的搜索能力,在全局中优化BP算法。文章基于粒子群算法优化BP神经网络(PSO-BPNN)研究脱机手写体汉字识别算法,通过Matlab软件对样本数据进行分类仿真。结果表明,PSO优化后的算法具有较高的收敛速度和稳定性,对手写体汉字的识别具有较强的能力。

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。

三维荧光光谱结合HGA-RBF神经网络在多环芳烃浓度检测中的应用（英文）

采用FS920荧光光谱仪分析了苯并[k]荧蒽(BkF)、苯并[b]荧蒽(BbF)和两者混合物的荧光特性.结果表明BkF的两个荧光峰分别位于306nm/405nm和306nm/430nm,BbF的两个荧光峰分别位于306nm/410nm和306nm/435nm.BkF和BbF不同浓度配比及其相互间的荧光干扰,使得混合物荧光特性差异较大,荧光强度和浓度间关系变得复杂.为准确测定混合物中BkF和BbF的浓度,采用递阶算法优化的径向基神经网络对其进行检测,结果表明BkF和BbF的平均回收率分别为98.45%和97.71%.该方法能够实现多环芳烃类污染物共存成分的识别和浓度预测.

基于数字孪生和概率神经网络的矿用通风机预测性故障诊断研究

针对当前矿用通风机故障诊断方法存在预测性较差、准确率较低的问题,提出了一种基于数字孪生和概率神经网络(PNN)的矿用通风机预测性故障诊断方法。利用Unity3D、3dsMax、SciFEA等搭建通风机的数字孪生模型,模拟出真实通风机的结构特点、物理属性和运行规则,利用PREspective与通风机的PLC实时通信,将通风机的运行状态实时映射至数字孪生模型中;以通风机的数字孪生模型为基础,结合专家知识、机器学习、历史数据等构建了通风机预测性故障诊断模型,通过分析通风机的实时数据与运行状态之间的关系,不断学习并更新模型参数;采用改进的鲸鱼优化算法(IWOA)通过包围猎物、捕食猎物和搜索猎物的生物行为求取平滑因子最优值并赋予PNN,利用优化后的PNN对通风机进行预测性故障诊断,对比通风机预测性故障诊断模型判断结果与实际情况是否相符,若诊断错误,则需要对预测性故障诊断模型中的参数进行修正,直到故障判断准确。实验结果表明,与遗传算法(GA)、粒子群算法(PSO)、鲸鱼优化算法(WOA)优化后的PNN故障诊断精度相比,IWOA优化后的PNN故障诊断精度达97.5%,说明基于数字孪生和PNN的矿用通风机预测性故障诊断方法可以满足通风机故障诊断的实时性与准确性要求。

基于GA-BP神经网络的红外CO_(2)传感器湿度补偿研究

为了提高红外CO_(2)气体传感器的探测灵敏度和精度,首先研究了不同镀膜对非色散扁锥腔CO_(2)气体传感器的红外吸收效率和灵敏度的影响.然后搭建了湿度实验平台,着重研究了环境湿度对气体浓度测量结果的影响.最后,采用遗传算法优化的BP神经网络算法(GA-BP)对传感器进行了湿度补偿.实验结果表明:在室温条件下、0~2000×10^(-6)浓度范围内,镀金腔体的CO_(2)传感器具有更高的红外吸收效率和灵敏度;在40%~80%湿度范围内,CO_(2)气体传感器的测量误差与相对湿度密切相关,最高误差达645×10^(-6).采用GA-BP算法数据融合补偿后,传感器湿度漂移得到了较好抑制,整体平均误差小于±110×10^(-6),表明CO_(2)气体传感器的测量精度得到了大幅提升.

基于神经网络的全球三维温盐场重构技术研究

文章利用果蝇优化广义回归神经网络算法FOAGRNN (fruit fly optimization algorithm, FOA;generalized regression neural network, GRNN)对SODA (simple ocean data assimilation)再分析数据进行训练,构建海表温度、盐度、海面高度与次表层温盐场之间的投影关系模型,并在全球范围使用SODA和卫星遥感数据评估了模型的应用性能。首先,利用独立的2016年SODA海表数据作为模型输入进行理想重构试验,结果显示全球重构温、盐平均均方根误差(MRMSE)分别为0.36℃和0.08‰,与世界海洋图集WOA13资料相比减小约50%和60%。然后,利用卫星观测的海表信息作为模型输入进行实际应用试验,并与Argo观测剖面进行比较评估。试验结果表明,重构模型能有效表征海水温、盐特征,其中重构温、盐MRMSE分别为0.79℃和0.16‰,相比WOA气候态减小27%和11%。误差的垂向分布显示,重构温度RMSE从海表向下迅速增大,至100m达到峰值1.35℃,而后又迅速回落,至250m处为0.81℃,跃层往下不断减小;重构盐度RMSE基本随深度增大而减小,误差峰值位于25m附近,约为0.25‰。此外, Argo浮标跟踪分析和区域水团统计结果也表明模型能够较好地刻画海洋三维温盐场的内部结构特征。

基于GA优化BP神经网络算法的10kV主动配电网优化调度研究

由于主动配电网负荷和实际出力具有波动性,导致主动配电网运行成本控制难度较大,为此,提出基于GA优化BP神经网络算法的10kV主动配电网优化调度研究。在考虑柔性负荷需求的因素以及实际输出波动性的基础上,记住波动系数来描述发电机和柔性负荷的实际输出与计划输出之间的偏差,将最小化运行成本作为最终的目标函数,设置遗传粒子作为BP神经网络的输入参数,适应值最高的结果作为调度方案。在测试结果中,测试周期内配电网的运行成本不仅始终表现出较高的稳定性,且具体水平始终稳定在0.6万元以下。

基于GABP-NSGA-Ⅱ的开关磁阻电机系统级多目标优化设计

为提升开关磁阻电机(SRM)的系统驱动性能,提出一种基于遗传算法(GA)优化反向传播(BP)神经网络和非支配排序遗传算法(NSGA-II)相结合的多目标优化设计方法,旨在降低其转矩脉动、提高其平均转矩和效率。通过灵敏度分析,选择对开关磁阻电机优化目标影响较大的3个本体参数(匝数、转子极弧系数、气隙)和两个控制参数(开通角、关断角)作为决策变量,采用有限元分析、GA-BP法建模和NSGA-II算法进行多目标寻优,得到最优解。仿真结果表明,运用GA-BP-NSGA-II优化设计方法对提升开关磁阻电机的系统驱动性能有显著效果。

现代智能优化算法的研究综述

本文着重回顾了现代智能优化算法的发展历程,主要介绍了现代智能优化算法的基本概念,主要包括模拟退火算法、遗传算法、神经网络优化算法、蚁群算法、粒子群优化算法等,并阐述了其工作原理和特点,归纳了它们主要的应用方向,同时对智能计算方法的发展进行了展望。