网络传播算法对高校意识形态安全教育的启示

意识形态安全是网络舆论治理的终极目标,网络舆论是意识形态在网络空间的一种表现形式。网络传播算法颠覆了互联网的传统的网络舆论治理格局,高校意识形态安全教育面临全新挑战。网络传播算法强势介入,主流意识形态教育面临着应对信息传播途径多元、内容复杂多变与高校学生互联网化思维等诸多挑战。网络传播算法视域下的高校意识形态教育应整理目前意识形态教育形式的现状,提升高校思想教育工作者的大数据综合应用能力,巩固高校作为意识形态教育安全堡垒的作用。

基于网络传播算法预测蛋白质相互作用网络的方向性

为了进一步理解生命运行的机制,有必要预测蛋白质相互作用的方向性,提出了一种改进的网络传播算法,结合蛋白质语义相似性度量和重叠聚类算法来推断人类的蛋白质相互作用(PPIs)网络的方向性。针对人类PPIs网络,算法获得了1664对无向的PPIs(属于蛋白质复合物或不涉及信号流传播的PPIs)和2556对有向的PPIs(涉及信号流的传播)。在评估结果中,预测的无向PPIs中具有显著生物学意义的PPIs占95.79%;预测的有向PPIs的AUC为0.813.对于人类PPIs网络,算法对无向PPIs的区分以及有向PPIs方向的判定均获得了较好的结果,为人类PPIs网络的进一步研究提供线索与思路。

基于遗传算法-反向传播神经网络优化高压-超声-酶解法提取羊皮胶原蛋白工艺

采用高压-超声-酶解法提取羊皮胶原蛋白,对比遗传算法-反向传播(genetic algorithm-back propagation,GA-BP)神经网络模型和响应面模型的优化效果,确定最佳工艺参数。结果表明:GA-BP神经网络在模型拟合和预测方面表现优于响应面模型;最佳提取参数为高压时间23 min、超声时间22 min、酶添加量3.2%、酶解时间222 min,羊皮胶原蛋白提取率达到(80.5±1.6)%,较传统的木瓜蛋白酶法提高40%;紫外-可见吸收光谱和傅里叶变换红外光谱结果显示,此条件下提取的羊皮胶原蛋白结构完整,高压-超声-酶解法对胶原蛋白的破坏较小。

基于K-近邻算法改进粒子群-反向传播算法的织物质量预测技术

为解决现有下机织物质量差异性较大且传统验布环节时间较长等问题,提出基于K-近邻(KNN)算法改进粒子群-反向传播(PSO-BP)算法的织物质量等级预测方法。首先分析织物质量预测模型,整理织物疵点类型与织物质量等级分类,并根据织物疵点特征将疵点划分为6类;其次选取14种影响织物质量的因子作为模型输入量;然后详细介绍依据KNN与PSO原理进行织物质量预测流程;最后以浙江兰溪某纺织厂近3个月16186条织物生产数据为例,建立织物质量预测模型。结果显示:该技术对织物质量预测的准确率达到98.054%,且训练时长仅需4.8 s,在保证织物质量预测准确性的同时,极大缩短了检测时间,提高了织造车间生产效率。

基于层次分析法-熵权法结合遗传算法-反向传播神经网络优化金蒲橘泡腾片提取工艺

目的:采用正交试验及层次分析法(analytic hierarchy process,AHP)-熵权法结合遗传算法(genetic algorithm,GA)-反向传播(back propagation,BP)神经网络优选金蒲橘泡腾片提取工艺。方法:以绿原酸、木犀草苷、菊苣酸提取量和出膏率为指标,采用AHP-熵权法确定各指标的复合权重系数,根据L9(34)正交实验对加水倍数、提取时间、提取次数进行考察,并结合GA-BP模型进一步优选金蒲橘泡腾片提取工艺。采用高效液相法测定绿原酸、木犀草苷、菊苣酸含量,以Agilent ZORBAX SB-Aq(5μm,4.6 mm×250 mm)为色谱柱,以乙腈-4 mL/L磷酸水溶液为流动相梯度洗脱,柱温25℃,流速为1.0 mL/min,检测波长为350 nm,进样量为10μL。结果:绿原酸、木犀草苷和菊苣酸分别在24.6~787.2 mg/L、0.9~14.4 mg/L和5.4~172.8mg/L范围内线性关系良好,平均加样回收率分别为101.58%、99.60%、105.31%,RSD分别为1.87%、1.99%、1.15%。正交试验筛选出最优提取工艺为加12倍水,提取2次,每次0.5 h,综合评分为95.59分;GA-BP模型优选的最优提取工艺为加12倍水,提取2次,每次1 h,综合评分为96.86分。工艺验证表明,正交试验所得最优工艺RSD为3.15%,GA-BP模型所得最优工艺的RSD为2.75%,与预测值相对误差仅有0.14%。结论:GA-BP模型结合AHP-熵权法优选的金蒲橘泡腾片提取工艺稳定,有较好的预测性,可为其制剂工艺研究提供新的思路。

关于系统级故障诊断的烟花-反向传播神经网络算法

为了更快速且精确地诊断出大规模多处理器系统中的故障单元,该文首次将改进的烟花算法和反向传播(BP)神经网络相结合,提出一种新的系统级故障诊断算法-烟花-反向传播神经网络故障诊断算法(FWA-BPFD)。首先,在烟花算法中引入双种群策略、协作算子以及最优算子,设计新的适应度函数,优化变异算子、映射规则和选择策略。然后,利用烟花算法全局搜索能力和局部搜索能力的自调节机制,优化BP神经网络中的权值和阈值的寻优过程。仿真实验结果表明,该文算法相较于其他算法不仅有效地降低了迭代次数和训练时间,而且还进一步提高了诊断精度。

基于加权组合算法的点云孔洞修补

为了对无人机航测数据中的点云孔洞进行修补,将最小二乘支持向量机算法LS-SVM和遗传算法GA优化的反向传播神经网络算法BP进行线性组合,构建一种加权组合模型,用于散乱点云数据中的孔洞修补。通过两种修补方法的误差进行两者的加权组合,建立出与两种修补方法误差相关的加权组合模型,并将加权组合模型的修补结果与单一使用最小二乘支持向量机、遗传算法优化的BP神经网络两种修补方法的修补结果进行残差和内外符合精度的比较与分析。结果表明:采用加权组合模型得到的点云修补结果内外符合精度较高,且具有更强的稳定性,为无人机获取的点云数据提供了一种有效的孔洞修补方法。

基于GA-BPNN算法的碳纸原纸性能指标建模预测研究

本研究通过改变碳纤维长度、碳纤维占比、分散剂用量等工艺参数,制备不同碳纸原纸,探究不同工艺参数对其抗张强度、孔隙率、透气性、电阻率的影响,采用遗传算法改进反向传播神经网络算法(GA-BPNN算法),构建了碳纸原纸性能预测模型。结果表明,碳纤维长度与碳纸原纸抗张强度、孔隙率、透气性呈正相关,与电阻率呈负相关;碳纤维占比与碳纸原纸抗张强度呈负相关,与孔隙率、透气性、电阻率呈正相关;分散剂用量与碳纸原纸抗张强度、电阻率呈正相关,与孔隙率、透气性呈负相关;碳纸原纸抗张强度、孔隙率、透气性、电阻率预测模型平均相对误差(MRE)分别为5.49%、5.75%、5.21%、5.54%,预测模型MRE均小于10%,与实验得到的工艺参数对碳纸原纸性能的关系趋势一致。

遗传算法结合反向传播算法神经网络优化党参多糖的提取工艺

目的通过遗传算法结合反向传播算法(back propagation,BP)神经网络,与正交实验结果对比,优化党参多糖的提取工艺。方法以党参多糖的提取率为指标,采用三因素(提取次数、提取时间、料液比)水平对BP神经网络模型参数进行优化,建立网络模型,并采用遗传算法对BP神经网络进行目标寻优,得到党参多糖的最佳提取工艺。结果得到的最优提取工艺为提取次数3次,提取时间2 h,料液比为1:10(m:m),在此条件下党参多糖得率预测值为55.29 mg/g,与实际测量值的相对误差仅为1.10%,具有较好的网络预测性。结论利用遗传算法结合BP神经网络对党参多糖的提取工艺进行优化具有较好的预测性,可以为党参的进一步研究开发提供新的思路。

基于ACO-BP算法的熔融沉积成型翘曲变形量的预测方法

针对熔融沉积成型翘曲变形量预测问题,提出了一种基于蚁群算法(ACO)-误差反向传播(BP)神经网络算法的预测方法。采用ACO算法优化BP神经网络的初始权值、阈值,防止其训练时收敛于局部极小。基于正交试验分别设计4因素4水平的训练样本集和4因素3水平的验证样本集。训练样本集用于预测模型的学习,验证样本集用于验证预测方法的精度。基于极差法分析了各工艺参数对翘曲变形量的影响程度。结果表明,工艺参数对翘曲变形量的影响程度从大到小分别为层高、填充率、喷头挤出温度和打印速度。采用训练样本集充分训练预测模型后,验证基于ACO-BP算法的翘曲变形量预测方法的效果。基于均方根误差(RMSE)、均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价模型预测精度。对于RMSE,BP算法的预测精度约为ACO-BP算法的1.7倍;对于MSE,BP算法的预测精度约为ACO-BP算法的2.9倍;对于MAE,BP算法的预测精度约为ACO-BP算法的1.6倍;对于MAPE,BP算法的预测精度约为ACO-BP算法的2.2倍。基于ACO算法优化的BP神经网络预测精度更高。

基于GA⁃BP神经网络的氢气传感器的浓度补偿研究

为解决环境因素致使氢气浓度传感器测量精度误差较大,导致氢燃料电池车辆因氢气泄漏检测不精确而产生爆炸风险的问题,提出了一种基于遗传算法反向传播(GA⁃BP)神经网络的氢气浓度传感器的浓度补偿方法。首先,利用BP神经网络对氢气浓度进行初步预测;然后,通过GA在寻优方面的优势进行浓度补偿,解决了BP神经网络局部陷入极值的问题。实验结果表明:基于GA⁃BP神经网络的氢气浓度传感器的浓度补偿方法对热导型氢气浓度传感器的预测准确度达到99.98%,最大相对误差值为0.2%,氢气浓度传感器的测量准确度提高了50.8%,为氢燃料汽车行业的发展奠定了基础。

电力系统网络信息安全风险防范措施分析

为强化电力系统网络信息安全防护能力,聚焦于电力系统网络的信息安全风险,深入分析电力系统网络的基本架构和关键技术组件,并识别电力系统网络所面临的主要技术安全风险,并采用模糊预处理和反向传播(Back Propagation,BP)神经网络算法构建一个电力系统风险评估模型。结果表明,构建的全面风险评估体系,可以有效评估电力系统的安全风险,为电力系统网络的安全管理和决策提供实用的工具,从而保障能源和网络安全。

基于改进BP神经网络的网络流量预测

传统网络流量预测方法常面临精度不足、时间复杂度高的问题,且在处理复杂的网络流量时,难以达到理想的预测效果。为克服这些挑战,采用深度学习中的反向传播(Back Propagation,BP)神经网络算法,并结合改进的梯度下降法,通过引入动量项与变步长法相结合的方式,有效降低误差值,实现了对网络流量的准确预测。该方法旨在更好地满足用户需求,优化网络性能,并提升网络服务质量。实验结果表明,改进后的BP神经网络算法在网络流量预测中展现出良好的可行性与稳健性,同时达到了较高的预测精度。

基于GA-BP网络的数控机床动态误差预测研究

动态误差是高速高精度数控机床的重要误差源,针对实际加工过程中动态误差对工件精度影响较大的问题,提出了一种基于遗传算法优化的反向传播(GA-BP)神经网络以预测动态误差。首先,为了提高神经网络对动态误差的预测精度,从线性特征与非线性特征两方面对动态误差影响因素进行了深入分析,确定了神经网络输入输出参数;然后,采用了遗传算法对BP神经网络进行了优化,建立了动态误差模型,获得了最优网络学习参数,从而实现了对动态跟随误差的精准预测;之后,采用三次样条插值的方法对理想轨迹与实际轨迹之间的轮廓误差进行了计算,有效提高了轮廓误差估算精度;最后,采用了五轴数控机床进行了实验,对模型的有效性进行了验证。研究结果表明:所建神经网络模型可以精准预测机床反向越冲特性对轮廓误差的影响,各轴的动态误差预测精度为±3μm,复杂轨迹轮廓误差预测精度为±1.5μm。实验结果验证了所建模型的可靠性,为后续机床动态误差建模与控制研究提供了一定的参考价值。

基于GA-BP网络的数控机床工作台定位误差分析

为了提高数控机床对测试误差的补偿效果,开发一种通过遗传算法(GA)来完成BP网络的优化过程,并加入坐标参数、运动速度指标,建立工作台的定位误差仿真模型。先通过Matlab软件构建得到GA-BP模型,得到优化权值与阈值后,再将结果移植至DSP内开展建模与预测,由此促进预测速率的大幅提升。研究结果表明:以DSP构建的预测系统对各定位误差残差分布进行预测得到的范围是-0.69~0.51μm。采用GA-BP网络构建的模型进行预测时达到了更高精度。

基于支持向量机与神经网络的间谐波测量混合算法

针对目前缺乏国家标准规范间谐波对电能质量的影响,也缺乏有效的手段监测间谐波的问题,用支持向量机理论对其进行了探索。支持向量机理论将间谐波这个非线性问题变换到更高维的空间中进行线性回归,它基于迭代权调整最小二乘法,引入反向传播神经网络算法整定算法参数,通过反馈现场采集、分析信号,并将教师信号与计算信号的差值作为调整参数的驱动信号,在此基础上通过反向遗传算法(BPNN)的反向传播能力对参数进行基于负反馈的调整,提高了算法的收敛速度。通过数值实验对比,该算法比没有使用差动信号的混合算法效率提高约13%。

人工神经网络及模拟退火算法应用于原子吸收光谱法同时测定钙、磷

试验发现:原子吸收光谱法(AAS)在442.7 nm波长处测定钙时受到大于0.10 mg·L^(-1)磷共存的干扰,使钙的测定结果偏低,而且此负偏差降低的幅度随磷浓度的增加而增大。试验还发现:当共存磷的量在0.1～6.0mg·L^(-1)之间时,钙测量值的负偏差幅度与磷浓度之间存在明显的相关性。应用反向传播人工神经网络(BP-ANN)及模拟退火两种计算法对上述非线性干扰效应进行了研究,并提出了在单一波长检测的条件下,钙、磷两元素的原子吸收光谱法同时测定,此法应用于循环水中钙、磷的同时测定。两元素的检测范围依次为0.08～10.0 mg·L^(-1)及0.10～6.0mg·L^(-1),测得其回收率分别为100.5%和98.0%。

基于GA-BP神经网络算法的FDM 3D打印制件拉伸性能预测

为进一步研究熔融沉积成型(FDM)3D打印制件力学性能与工艺参数之间的关系,试验以聚乳酸(PLA)为材料,参考正交试验和神经网络模型设计原则,利用遗传算法(GA)对反向传播(BP)神经网络初始值进行优化,建立GA-BP神经网络模型,以分层厚度、填充密度、喷嘴温度、填充速度以及外壳厚度为输入层参数,拉伸强度为输出层参数进行训练和预测,并分析其预测精度。通过对GA-BP和BP神经网络模型的预测结果进行对比发现,GA-BP神经网络模型预测值与测试实际值更为接近,误差平均值为2.27%,而BP神经网络模型预测误差平均值为4.10%,且GA-BP神经网络模型评价指标值均优于BP神经网络模型,故GA-BP神经网络模型预测精度更高,可为提升FDM 3D打印制件力学性能,优化成型工艺,指导工业生产提供参考。

基于改进射线跟踪法和BP神经网络算法的室外微蜂窝毫米波信道特性研究

在28 GHz与39 GHz毫米波频段室外微蜂窝场景下,基于改进射线跟踪法和反向传播(back propagation,BP)神经网络算法对毫米波单发单收信道及单发多收信道进行建模仿真研究.在得到的无线信道仿真数据基础上,研究分析了毫米波信道的路径损耗、均方根(root-mean-square,RMS)时延扩展(delay spread,DS)、接收功率等传播特性.通过与现有文献的测量结果对比分析验证了改进射线跟踪法的正确性与有效性.通过BP神经网络方法拟合得到的路径损耗模型参数结果与改进射线跟踪法仿真得到的路径损耗参数结果对比发现,两者吻合程度很高,验证了BP神经网络算法能很好地对室外微蜂窝毫米波信道大尺度参数进行预测.同时,文中给出了一种普遍适用的用来表征室外微蜂窝视距(line-of-sight,LoS)与非视距(non-line-of-sight,NLoS)场景下28 GHz与39 GHz毫米波信道的路径损耗模型.结果表明:LoS场景下的RMS DS和接收功率都小于NLoS场景下得到的结果;LoS场景与NLoS场景下RMS DS、水平方向到达角、多径簇的个数累积分布函数均服从高斯分布;RMS DS在毫米波频段微蜂窝场景下,随着频率的升高而增大,到达接收端的多径成簇呈现稀疏性.

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。