基于AGA-RBF神经网络模型的叶绿素a质量浓度预测研究

叶绿素a质量浓度是预测湖泊水华形成的重要影响因子,但常用的径向基(radial basis function,RBF)神经网络存在容易陷入局部极值,导致预测精度欠佳.针对这一问题,采用自适应遗传算法(adaptive genetic algorithm,AGA)对RBF神经网络进行优化,构建基于AGA-RBF神经网络预测模型,以莆田东圳水库为应用案例,对叶绿素a质量浓度进行预测,通过采集到的数据对预测模型进行仿真,对比均方根误差(RMSE)、相对误差(RE)以及平均相对误差(MRE),验证改进后的AGA-RBF模型具有更好的预测精度,以期对叶绿素a质量浓度进行长期预测.

人工神经网络预滤波的自适应运动心电信号增强器

运动心电图是一种将人体对象置于非平静状态下检测到的心电信号,其特点是运动导致基线严重漂移,肌电干扰显著增加,信噪比低。介绍了一种用人工神经网络预滤波的自适应运动心电信号增强器。运用人工神经网络的非线性和自适应处理的跟踪特性有机地结合设计而成。能降低噪声,提高信噪比,有效地提取运动心电信号。

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。

基于BP人工神经网络的含蜡原油触变应力计算

含蜡原油的流变性对其管道输送有着重要的影响.当原油温度逐渐接近凝点时,原油表现为非牛顿流体,其流变性表现出异常复杂的触变性.利用人工神经网络较强的非线性逼近、良好的自适应和预测性能,采用误差反向传播算法(即BP算法)对含蜡原油的触变剪切应力进行了计算,计算结果与实验结果和采用R-G模型方程计算的结果进行了对比.结果表明,BP网络计算的精度高于R-G模型方程计算的精度,BP网络和R-G模型的计算结果与实验结果的最大相对误差分别为5.0%和12.7%.

讲授“人工神经网络”课程手记

1 背景人工神经网络的研究源远流长.从本世纪中期开始几经兴衰.到80年代中、后期,再次形成了遍及世界各地和涉及多种学科领域的研究热潮。这一交叉科学技术领域的发展已从理论研究走向广泛的实际应用.人工神经网络的研究成果正冲击着电子与信息科学的发展进程与方向。在此期间,在某些研究工作.特别是研究生的论文工作中.

基于BP双层神经网络MRAS下PMSM的转速辨识研究

针对无速度传感器下传统模型参考自适应(MRAS)方法在低速区转速负载发生突变后速度估计准确度下降的问题,利用双层神经网络超强的在线估计以及自适应能力,提出一种基于误差反向传播(BP)双层人工神经网络(ANN)与MRAS相结合的转速辨识方法,实现了对低速范围下转速响应动态性能的改善。通过Matlab仿真以及PMSM驱动控制实物平台,对ANN-MRAS观测器与传统MRAS观测器进行对比分析,结果表明:在转速及负载转矩发生突变后,该方法仍能保持较好动态性能,具有较强的鲁棒性。

一种改进的混合遗传算法人工神经网络及其应用

采用自适应交叉变异、最优保存、局部寻优的遗传算法,避免了BP神经网络在训练过程中收敛于局部极小点的缺陷,并将其对神经网络的权值和阈值进行优化,从而提出了一种改进的混合遗传算法神经网络模型。该算法首先对一给定的神经网络结构,采用自适应交叉变异和最优保存策略对神经网络进行优化;然后采用局部寻优策略进一步克服神经网络学习算法的早熟问题。采用上述三种优化策略的神经网络模型对三元混合物溶液的物性和烟叶质量进行预测。试算结果表明,与实验值相比,预测结果良好。

降雨径流模拟神经网络模型及应用

针对水文系统的非线性,构建了基于遗传算法和人工神经网络的降雨径流模拟神经网络模型(GA-BP模型).采用附加动量法和自适应学习速率对BP神经网络进行改进,遗传算法用于优化神经网络的初始权重.以大别山及皖南山区月潭流域为例,将GA-BP模型、BP模型以及新安江模型应用于水文日径流过程模拟,进行应用比较以及分析GA-BP模型在水文径流模拟过程中的难点及其可行性.结果表明,GA-BP模型优化了网络结构,加快了算法收敛速率;可以用于降雨径流过程模拟,也为今后类似研究提供一种模拟技术.在实际应用中可以根据流域资料情况选择合适的模型进行水文模拟作业.

神经网络传播模型的设计与应用

传播模型是网络规划的基础之一,其对路径损耗的准确预测能力从一定程度上决定了网络规划的质量。在工程中得到广泛应用的经典传播模型在预测本地无线环境引起的路径损耗方面存在不够准确的缺点。提出了一种以人工神经网络为核心的自适应传播模型,通过利用现网路测数据对神经网络进行训练,充分利用神经网络所具备的高度非线性映射能力和自适应性,使其具备根据本地无线环境特征准确预测传播损耗的能力。实验表明,基于神经网络的传播模型对本地无线环境引起的路径损耗预测的准确性比经典模型更好,并且其适用性也较强。

用自适应变步长BP神经网络求高分子材料的本构关系

本文阐述了人工神经网络基本原理,研究分析了BP神经网络模型的缺陷并提出了优化策略。建立了求高分子材料本构关系的三层前馈反向传播神经网络模型,并作了多次不同的泛化性测试。实例分析表明,自适应变步长BP神经网络在收敛速度及稳定性方面都有很好的效果,可应用于求高分子材料本构关系。

利用自适应光照初始化的弱光图像增强方法

由于光照分量分解估计的高度不确定性,如何准确估计图像的光照分量一直是基于Retinex模型的图像增强方法需要解决的难题。该文提出一个简单有效的方法,准确估计图像的初始光照分量,进而实现弱光图像增强。具体地,首先根据输入图像得到其对应的光照权重矩阵,以指导光照分量的自适应初始化估计;随后在光照结构约束下,对初始光照分量优化估计,并进一步执行非线性光照调整;最终结合Retinex模型得到增强结果。实验表明,该方法不仅能够实现准确的图像分解估计,而且与现有的弱光图像增强方法相比,该文所提方法在多个数据集上的主观视觉效果和客观评价指标都有更好的表现,同时也保持着良好的运行效率。

双馈风电场抑制次同步振荡的自适应增强阻尼控制方法

针对双馈风电场接入电网的次同步振荡问题,提出一种自适应增强阻尼控制策略。首先,基于无模型自适应理论设计一种双馈风电机组d、q轴阻尼联合控制方法,并给出控制参数优化方法。其次,将该无模型自适应阻尼控制方法与传统次同步阻尼控制方法相结合,得到一种自适应增强阻尼策略。最后,基于IEEE 39节点改造模型,验证该自适应增强阻尼控制策略的有效性和优越性。多机等值模型算例表明,该自适应增强阻尼控制策略对多机风电系统具有良好的适应性。该自适应增强阻尼控制策略可显著提升次同步振荡控制性能,对工况变化具有良好的适应性,可弥补传统次同步阻尼控制的不足,体现出较强的工程应用潜力。

基于Markov随机场模型的数字X光图像自适应增强算法

为明确X光图像纹理粗细和组织分布状况,强化呈现身体结构信息,降低模糊图像对医生诊断病情结果的错误判断,提出一种基于Markov随机场模型的数字X光图像自适应增强算法.该算法首先统计X光图像全部范围内相同亮度像素,利用直方图均衡化法将原始图像变换成灰度级分布影像,消除光线干扰;然后分析组织属性,通过灰度共生矩阵提取X光图像的纹理特征,获取图像纹理粗细和布局结构的灰度信息;最后通过映射函数和对数函数计算平均亮度,用Markov随机场模型调整图像明暗度,补充纹理细小部位亮度,再用随机场函数划分光滑图像,采取二次重构,以保证图像锐化增强效果平衡.仿真实验结果表明,该算法能提升图像的内部信息清晰度.

结合自适应模糊推理和神经网络的物联网混合发电系统

为了较好地预测可再生能源的发电输出,对模型效率进行分析,在物联网系统的基础上,提出一种基于人工神经网络(ANN)与自适应网络模糊推理系统(ANFIS)的混合预测模型。首先,利用压电传感器、体热电转换器和太阳能板用于可再生能源发电,并将其连接到能量存储电路,以产出电能;然后,使用ESP8266模块连接数据和云服务器,利用ANN和ANFIS混合模型处理从可再生能源中生成的所有电能,将3个不同模块采集得到的数据集用于模型的训练和测试;最后,利用采集到的数据开发4个模型,通过均方根误差(RMSE)和相关系数(R;)分析模型的效率,以选择最合适的模型。实验结果表明,所提模型具有较好的RMSE和R;性能,其模糊信息较少,结果误差较小,具有一定的应用价值。

自适应增强优化的瓦斯涌出量预测模型

为提升回采工作面瓦斯涌出量的预测能力,提出一种基于门控循环单元(gate recurrent unit,GRU)预测模型,利用瓦斯涌出相关影响因素对瓦斯涌出量进行预测。对麻雀搜索算法的初始化过程加以改进,采用改进后的麻雀算法对影响GRU预测模型的超参数进行优化,提高瓦斯涌出量的预测精度;利用AdaBoost算法的自适应增强能力,构建自适应增强优化的瓦斯涌出量预测模型(ISSA-GRU-AdaBoost模型),并通过核主成分分析提取预测指标特征,提升预测的快速性。将所建模型与PSO-ELM模型、QPSO-LSTM模型、PSO-BP模型,以及SSA-SVM模型进行对比实验,结果表明ISSA-GRU-AdaBoost预测模型的预测精度最高。

基于神经网络的三相Vienna整流器全局快速终端滑模控制

针对Vienna整流器采用传统PI控制输出电压超调大,功率因数低,当系统参数发生变化时难以收敛,对交流侧输入电流干扰大等问题,提出一种基于神经网络的全局快速终端滑模控制策略。针对系统参数在实际环境中发生摄动和受到外界扰动,重新建立系统的不确定模型,将不确定项合并为总扰动并利用所建立自适应神经网络对其进行估计,并运用Lyapunov定理证明该非线性控制系统在系统参数摄动及外界扰动中可实现有界稳定。仿真结果表明:利用该方法提高了Vienna整流器功率因数,有效优化了输出电压超调高的问题并且有效降低了系统的谐波污染。最后搭建了实物样机,实验结果验证了上述结论的正确性。采用文中方法电压未出现超调,并且稳态响应时间减少了69%,切换负载电压波动减少了87%,动态响应时间减少了84%,谐波含量减少了68%。

基于BP神经网络CFRP约束混凝土抗压强度预测

为研究BP神经网络对CFRP约束混凝土抗压强度的预测能力以及神经网络模型的输出性能,在大量的实验数据基础上,建立了CFRP约束混凝土抗压强度的BP神经网络预测模型,探讨了不同数据组合对神经网络模型预测精度的影响;基于神经网络理论,将高精度BP神经网络模型生成了可方便应用的一般公式和简化公式,并与已有经验公式进行了对比分析.研究结果表明:BP神经网络能够很好地挖掘输入输出参数的数据信息,得到高精度的预测模型;相比于传统回归模型,用purelin代替sigmoid做传递函数推导得到的简化线性方程式仅增加了一项常数项,其预测值与试验值比值的平均值为1.011,变异系数为0.112,具有更高的预测精度和稳定性.

基于改进粒子群寻优的数据中心精密空调无模型自适应预测控制

为实现数据中心热通道温度的精确控制,减少由于温度控制方式粗放造成的能源浪费,提出一种基于改进粒子群寻优(improved particle swarm optimization, IPSO)算法的数据中心精密空调无模型自适应预测控制(model free adaptive predictive control, MFAPC)方法.首先,考虑到MFAPC控制器参数空间大以及数据中心被控系统的动态复杂性,对粒子群寻优(particle swarm optimization, PSO)算法的惯性权值进行变权改进,从而提高PSO算法的前期探索和后期挖掘能力,最终获得最优控制器参数.然后,由于数据中心存在冷通道温度和风量的限制,因此将控制量约束问题转化为二次规划约束问题,并利用IPSO算法实现MFAPC控制器的每一控制步参数最优化,使得MFAPC输出的每一步控制量都是当前系统状态下的最优控制量.最后,基于北京市某数据中心现场数据,通过控制数据中心机房热通道温度预测模型对所提方法进行验证.带控制量约束IPSO-MFAPC方法在总体控制误差、超调量、快速性上都极大地优于MFAPC控制器.结果表明该文所提IPSO-MFAPC方法能够实现数据中心的热通道温度精确控制.