基于脉冲序列标识的深度脉冲神经网络时空反向传播算法

尖峰放电的脉冲神经网络(SNN)具有接近大脑皮层的信号处理模式,被认为是实现大脑启发计算的重要途径。但是,目前对于深度脉冲神经网络的学习仍缺乏有效的监督学习算法。受尖峰放电速率标识的时空反向传播算法的启发,该文提出一种面向深度脉冲神经网络训练的基于时间脉冲序列标识的监督学习算法,通过定义突触后电位和膜电位反传迭代因子分别分析脉冲神经元的空间和时间依赖关系,使用替代梯度的方法解决反传过程中不连续可微的问题。不同于现有基于尖峰放电速率标识的学习算法,该算法能够充分反映脉冲神经网络输出的时间脉冲序列的动态特性。因此,所提算法非常适合应用于需要较长时间序列标识的计算任务,例如行为的时间脉冲序列控制。该文在静态图像数据集CIFAR10和神经形态数据集NMNIST上验证了所提算法的有效性,在所有这些数据集上都显示出良好的性能,这有助于进一步研究基于时间脉冲序列应用的大脑启发计算。

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。

基于帝国竞争反向传播神经网络的断块油田开发顺序优化

明确断块油田群中断块的开发顺序是进行开发方案设计的前提条件。断块油田数量较少时,可以进行技术经济的组合对比,但是断块数量较多时会形成海量的组合,耗费时间也长。断块油田开发顺序评价的现有方法有权重评价法、层次分析法、综合模糊评判法等,这些方法在选择评价指标和指标权重上带有较强的主观性,无法做到完全客观的评价。因此本文提出一种基于帝国竞争算法改进的反向传播神经网络模型,首先采用Spearman相关系数法确定影响断块油田开发的主控因素,其次使用分段三次Hermite插值方法实现断块油田群开发数据库的扩充,最后在扩充后的大量数据库训练样本的基础上,基于帝国竞争算法改进的反向传播神经网络模型可以确定影响开发效果参数的权重并预测断块油田群中各断块油田的净现值,根据净现值大小可以确定每个断块的开发顺序。该方法以实际断块油田群的地质油藏数据库作为评价依据,断块油田的开发顺序更加的科学合理,项目整体的净现值也明显高于依靠传统方法确定的开发顺序组合,避免了人为主观性,也节省了数值模拟和经济评价的工作量,克服了现有方法的局限性,对于提高断块油田群开发综合效益具有重要意义。

遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

基于改进海鸥优化算法的BP神经网络及其应用

针对传统反向传播(BP)神经网络在预测时随机产生的初始权值、阈值影响准确性的问题,提出一种改进的海鸥优化算法(ISOA)对BP神经网络的初始阈值、权值进行寻优。首先,为提高海鸥优化算法(SOA)的收敛精度和跳出局部最优的能力,使用Sine混沌映射初始化种群,引入非线性参数A,在海鸥攻击时引入乘除策略进行扰动,同时在攻击阶段后引入反向学习策略。然后,使用ISOA优化BP神经网络初始权值、阈值,解决对初值敏感和易陷入局部最优的问题。最后,在冻结裂隙砂岩动态冲击试验中进行峰值应力预测,结果表明:对比原始BP、粒子群优化(PSO)-BP和SOA-BP,ISOA优化后的BP神经网络对峰值应力预测精度更高。

遗传算法结合反向传播神经网络优化牡丹花粉硬糖制备工艺

目的:利用反向传播神经网络(back propagation neural network,BP-NN)结合遗传算法(genetic algorithm,GA)优化牡丹花粉硬糖制备工艺,为牡丹花粉硬糖品质的改善提供最优的工艺参数。方法:以综合评分为指标,通过单因素试验遴选影响硬糖品质的主要因素,采用正交试验考察糖醇配比、牡丹花粉用量、熬糖温度对牡丹花粉硬糖品质的影响,在此基础上,利用反向传播神经网络建立预测模型,再结合遗传算法寻优得出各因素的最佳复配结果。结果:糖醇配比、牡丹花粉用量和熬糖温度对硬糖品质具有显著性影响(P<0.05)且彼此交互作用明显;反向传播神经网络模型的训练、测试和预测集的相关系数均大于0.95,表明模型准确度高、拟合程度好;经遗传算法寻优,得出牡丹花粉硬糖的最佳制备工艺为糖醇配比4∶5(w/w),牡丹花粉用量0.94%,柠檬酸用量0.6%,熬糖温度175℃,调和温度90℃。结论:反向传播神经网络结合遗传算法优化牡丹花粉硬糖制备工艺合理可行,为牡丹花粉相关产品的制备提供了新思路。

跨脉冲传播的深度脉冲神经网络训练方法

基于反向传播的脉冲神经网络(SNNs)的训练方法仍面临着诸多问题与挑战,包括脉冲发放过程不可微分、脉冲神经元具有复杂的时空动力过程等。此外,SNNs反向传播训练方法往往没有考虑误差信号在相邻脉冲间的关系,大大降低了网络模型的准确性。为此,提出一种跨脉冲误差传播的深度脉冲神经网络训练方法(cross-spike error backpropagation,CSBP),将神经元的误差反向传播分成脉冲发放时间随突触后膜电位变化关系和相邻脉冲发放时刻点间的依赖关系两种依赖关系。其中,通过前者解决了脉冲不可微分的问题,通过后者明确了脉冲间的依赖关系,使得误差信号能跨脉冲传播,提升了生物合理性。此外,并对早期脉冲残差网络架构存在的模型表示能力不足问题进行研究,通过修改脉冲残余块的结构顺序,进一步提高了网络性能。实验结果表明,所提方法比基于脉冲时间的最优训练算法有着明显的提升,相同架构下,在CIFAR10数据集上提升2.98%,在DVS-CIFAR10数据集上提升2.26%。

基于多目标遗传算法和反向传播神经网络的调节阀流道结构优化

以往的研究中,只针对调节阀迷宫流道结构和内部流场特性进行了分析,但对迷宫流道抗空化性能和流通性能的优化设计较欠缺。为了满足阀门实际工程中的设计需求,迷宫式调节阀需要具有流道抗空化性能和流通性能。为此,提出了一种基于多目标遗传算法(MOGA)和反向传播神经网络(BPNN)的方法,对调节阀迷宫流道进行了结构优化,提高了迷宫流道的抗空化性能和流通性能。首先,基于对冲耗能原理和多级降压原理,设计了弧形对冲式迷宫流道,并建立了流体力学仿真计算的数学模型;然后,利用计算流体动力学(CFD)仿真软件,对模型进行了空化仿真,根据仿真的数据构建了BPNN代理模型,通过结合Sobol敏感度分析方法与代理模型,分析了迷宫流道各参数对仿真结果的影响,采用多目标遗传算法,优化了迷宫流道的结构;最后,搭建了实验测试平台,测量了迷宫流道的阻塞流曲线,对比分析了测试结果与仿真结果。研究结果表明:采用优化算法得到的迷宫流道最大流量由0.0876 kg/s提高到0.1174 kg/s,提高了34%;线性压差由762.163 kPa提高到811.280 kPa,提高了6%;优化的迷宫流道实际最大流量为0.1159 kg/s,提高了33%;线性压差为819 kPa,提高了7%。迷宫流道抗空化性能和流通性能同时得到了提高,证明了仿真的有效性和该方法的可行性。

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络(BPNN)的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测(SQP-ACO-BPNN)方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化(ACO)算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。

基于人工神经网络的UWB坐标误差一步改正模型

针对超宽带(UWB)定位存在的坐标误差难以利用常规手段进行改正的问题,本文提出了基于广义回归神经网络(GRNN)和反向传播神经网络(BPNN)的UWB坐标误差一步改正模型。改正模型以UWB原始定位坐标、与不同基站间距离为输入,以UWB相对高精度参考值误差为输出,分别以GNSS RTK点位坐标为动态试验参考值、全站仪点位坐标为静态试验参考值,对改正模型进行训练。将改正模型分别用于改正非建模样本点的UWB坐标,然后对改正前后的精度及不同改正模型的精度进行了比较分析。结果表明:利用人工神经网络直接建立UWB坐标一步改正模型的方法是可行的,该方法无须再次利用改正后的测距值解算坐标,更加简便、快捷;两种模型总体均能有效改善UWB的动态、静态定位坐标精度;且基于GRNN的改正模型相比基于BPNN的改正模型可以更有效地改善UWB坐标误差,改正后的UWB动态定位平面坐标精度可达厘米级,静态定位平面坐标精度高达毫米级。

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。

基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

目的 基于机器学习算法构建冷藏草鱼新鲜度的近红外光谱预测模型。方法 采集连续冷藏6d的草鱼片的新鲜度指标,并进行方差分析。选择受冷藏天数影响最大的指标—总挥发性盐基氮(total volatile basic nitrogen,TVB-N)进行定量预测。运用x-y距离结合的样本划分(samplesetpartitioningbasedonjointx-y distance,SPXY)方法进行数据集的划分,并采用正交信号校正法(orthogonalsignalcorrection,OSC)、Savitzky-Golay(SG)、一阶导数及其组合算法进行光谱预处理。再运用竞争性自适应重加权采样(competitive adaptivereweightedsampling,CARS)、连续投影算法(successiveprojectionsalgorithm,SPA)、主成分分析(principal component analysis, PCA)对光谱变量进行选择和降维。最后结合偏最小二乘回归(partial least squares regression,PLSR)、反向传播(backpropagation,BP)神经网络和粒子群优化算法(particleswarmoptimization,PSO)优化BP神经网络(PSO-BP),建立草鱼(Ctenopharyngodonidella)片新鲜度定量预测模型。结果 各线性和非线性模型均得到了良好的预测效果,预测集相关系数均超过了0.95。PLSR表现较为稳定, BP神经网络虽提高了校正集预测性能,但是预测集性能不如PLSR。PSO-BP既保证了校正集预测性能,也提高了预测集性能。基于OSC+D1预处理和CARS变量选择后的PSO-BP模型性能最优(R2P=0.987,预测集的均方根误差为0.108,相对分析误差为7.778)。结论 基于PSO-BP算法和近红外光谱的定量预测模型可以很好地预测冷藏鱼肉的新鲜度指标。

基于PSO-BP神经网络算法矿井瓦斯涌出量回归预测应用

本文针对矿井瓦斯涌出量预测问题,建立了PSO-BP神经网络算法模型,收集了山西某煤矿2017年至2023年期间的20组样本数据,将其中的15组作为训练集,对剩余5组的样本数据进行瓦斯涌出量回归预测,并最终对比了PSO-BP神经网络算法与BP神经网络算法的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差和预测准确率等评价指标。结果表明,基于PSO-BP神经网络算法的瓦斯涌出量预测模型具有更高的准确性,能够满足矿山实际需求,具有较好的实用性和创新性,为其他矿井在瓦斯涌出量预测方面提供了一定的借鉴意义。

基于贝叶斯神经网络的船用惯导定位修正方法

船用惯性导航系统(inertial navigation system, INS)通常采用与全球卫星导航系统(global navigation satellite system, GNSS)组合导航的方式提高其长时间工作的定位精度。当GNSS失效时,其定位误差将随时间迅速发散。针对这一问题,设计了采用反向传播神经网络(back propagate neural network, BPNN)、根据INS原始输出数据拟合修正经纬度的定位修正方案,提出了基于Bayesian算法更新网络权重系数的方法,结合理论分析和试验研究确定了神经元个数与训练数据集的分配方案。实船试验结果表明,当GNSS失效时,在后续2 h,通过24 h历史数据训练得到的神经网络修正INS位置,相比INS独立工作时的定位误差,修正后误差均值下降了63%,误差最大值下降约50%,最小值下降至0。

基于多模型神经网络的湿度廓线反演研究

为提升微波辐射计对大气廓线探测的精度,利用ARM大气观测站提供的地基微波辐射计、毫米波测云雷达以及探空数据,构建了两种添加不同云信息的反向传播神经网络(back propagation neural network,BPNN)模型(添加入云和出云高度的C-BPNN模型与添加雷达反射率因子的Z-BPNN模型)与一种未添加云信息的BPNN模型(记为BPNN0),并对反演结果进行了对比,结果表明:C-BPNN模型和Z-BPNN模型在任何天气下(有云或无云),得到的反演误差都小于BPNN0模型;C-BPNN相较于另外两种模型反演结果具有更高的稳定性。对3种模型各自反演结果最好的个例分析发现,C-BPNN与Z-BPNN模型主要的误差存在于高空无云但是相对湿度却出现跃变的情况,说明神经网络模型对初始权值与阈值较为敏感,因此通过遗传算法(genetic algorithms,GA)对BPNN模型进行优化。经GA优化后的反演结果表明:BPNN0模型与C-BPNN模型具有明显优化效果,而Z-BPNN模型优化效果则不明显。

基于反向传播神经网络的风力机涡流发生器优化

采用最优拉丁超立方试验设计法细化涡流发生器参数,确定试验方案,仿真计算风力机的推力和转矩,获得试验数据.基于反向传播(BP)神经网络,构建遗传算法优化BP神经网络的风力机涡流发生器气动性能模型,通过计算气动性能模型预测值与仿真值的误差与均方根,验证气动性能模型的可靠性;耦合鱼群算法和风力机涡流发生器气动性能模型,建立风力机涡流发生器优化方法,对涡流发生器高度、长度和安装角度进行迭代求解,实现涡流发生器优化.结果表明:相比原涡流发生器方案,涡流发生器优化后的风力机叶片截面流动分离得到有效抑制和延迟,表面流体分离现象得到改善,风力机功率提升1.711%,推力下降0.875%.

前馈神经网络中的反向传播算法及其改进:进展与展望

BP网络和算法是使用最广泛的神经网络模型之一,但由于它使用悌度算法,因而存在固有的局部极小及收敛速度慢等问题。本文首先回顾了BP算法的产生和和发展过程,之后对BP算法固有的特点进行了阐述,最后针对原基本BP算法的缺陷对各种改进方法进行了全面综述,并指出了这一研究中的有关问题。

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明:与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。

一种改进的反向传播神经网络算法

在标准反向传播神经网络算法的基础上,提出了一种改进的反向传播神经网络算法.通过对每个处理单元增加3个参数来增强作用函数,且3个参数与连接权一样,在学习过程中进行实时更新.此算法提高了学习速度,且减少了进入局部最小点的可能性.通过XOR问题的仿真证明了改进算法的有效性.