基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。

基于贝叶斯正则化BP人工神经网络的煤与瓦斯突出预测的研究

文章介绍了BP人工神经网络和贝叶斯正则化算法的原理,探讨了贝叶斯正则化BP人工神经网络模型的建立,通过改变隐含层神经元个数的实验建立了只含1个隐含层且隐含层仅需1个神经元的煤与瓦斯突出预测模型的最佳网络结构。对该网络采用煤与瓦斯突出的预测指标进行训练、检测的结果表明,该网络预测的煤与瓦斯突出的危险程度与实际情况完全吻合;对该网络输入层输入的煤与瓦斯突出的预测指标、对输出层输出的预测结果的权值进行分析的结果表明,煤层地质构造类型对煤与瓦斯突出的影响为最大。上述研究结果对煤与瓦斯突出的预测预防研究、提高煤与瓦斯突出预测的准确性具有一定的参考价值。

基于Bayesian正则化算法的非线性函数拟合

为克服常规BP算法在解决非线性函数拟合时泛化能力不强的问题,本文研究了用贝叶斯正则化算法来提高网络泛化能力的问题,结果表明在相同网络规模或误差条件下,Bayesian正则化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快,拟合效果好。

滚动轴承转速-振动深度学习模型的算法对比研究

轴承健康状况直接影响着机械设备的稳定性和安全性,对轴承的运行状态进行故障诊断尤为重要。基于此,在健康、内圈故障和外圈故障3种不同状况下,选择莱文贝格-马夸特(Levenberg-Marquardt,LM)算法、贝叶斯正则化(Bayesian Regularization,BR)算法和量化共轭梯度(Quantum Conjugate Gradient,QCG)算法,对在随时间变化的加速条件下滚动轴承振动数据进行训练和测试。在MATLAB R2023b软件中构建不同类型的深度学习模型,对比分析深度学习模型的均方误差值、回归R值、训练时长和训练轮数等多种指标。经过分析得出,在追求精度和准确性、内存资源和时间充足的情况下,应选用贝叶斯正则化法算法来训练深度学习网络模型。

嵌入式大气数据系统神经网络算法仿真

针对嵌入式大气数据系统(FADS)的特点,研究了其空气动力学模型,提出了相应的神经网络算法结构,并对动压与静压神经网络计算模块进行了部分仿真。通过仿真比较了BP神经网络L-M优化算法与贝叶斯正则化算法在FADS中的应用,并通过相应的仿真研究了不同压力点组合计算动、静压时的差异。仿真结果表明贝叶斯正则化算法的泛化能力较好,具有工程应用潜力。

江西退化红壤区湿地松树干液流BP神经网络模型研究

以我国南方亚热带退化红壤区重要植被恢复树种——湿地松Pinus elliottii为研究对象,采用相关分析法选定空气温度、空气相对湿度、平均净辐射、水汽压亏缺为输入变量,以液流速率为输出变量,构建拓扑结构为4-10-1的湿地松树干液流BP神经网络模型。采用贝叶斯正则化法和Levenberg-Marquardt法对1 900组实测数据进网络训练,用剩余的1 900组实测样本进行检验。结果表明:在两种算法下,训练样本和检验样本模型输出值与实测值之间线性回归的拟合程度均较高,回归方程的相关系数达0.98。训练样本的拟合精度分别为88.12%和88.11%,检验样本的仿真精度分别为88.11%和87.98%。该模型对树干液流速率具有较高的模拟精度和泛化能力,能够很好地反映气象因子与液流速率之间的非线性函数关系,从而为同类条件下湿地松人工林的可持续经营和林地水资源的科学管理提供一种新方法。

基于反向传播神经网络的退化红壤区杉木树干液流模拟

以江西退化红壤区杉木人工林为研究对象,采用MATLAB工具箱中的log-sigmoid型函数(tansig)为神经元作用函数,以空气温度、空气相对湿度、平均净辐射、水汽压亏缺为输入变量,液流速率为输出变量,运用贝叶斯正则化算法和Levenberg-Marquardt算法对4 000组气象数据和液流数据进行网络训练和检验,构建拓扑结构为4-10-1的杉木树干液流反向传播(back propagation,BP)神经网络模型.结果表明:在2种算法下训练样本和检验样本模型输出值与实测值之间线性回归的拟合程度均较高,回归方程的相关系数在0.93以上;训练样本的拟合精度分别为83.57%和83.06%,检验样本的仿真精度分别为82.87%和82.15%.说明该网络模型能够很好地反映液流速率与气象因子之间的非线性函数关系,可为杉木人工林的可持续经营和林地水资源的科学管理提供有效手段.

一种改进的BP算法在消费水平中的应用

通过对标准BP算法的改进,提出了一种L-M贝叶斯正则化优化算法,并把它应用到成都市居民消费水平预测中。经试验验证,L-M贝叶斯正则化的BP神经网络比相同条件下另外两种改进算法有更强的泛化能力,对居民消费水平有很好的预测效果。

基于改进BP神经网络的离心泵性能预测

采用改进神经网络(贝叶斯正则化算法)对IB型单级离心泵水力模型的性能进行了预测,通过工程实践中得到的100组离心泵最优几何尺寸来训练网络,并用训练好的网络对需生产的水泵进行工况预测。结果显示,用改进神经网络来预测单级离心泵的性能,预测误差不超过6%。

短期负荷预测神经网络方法比较

以某地区购网有功功率的负荷数据为背景,建立了三个BP神经网络负荷预测模型——SDBP、LMBP及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部最小点的缺点,采用具有较快收敛速度及稳定性的L-M优化算法进行预测,使平均相对误差有了很大改善,具有良好的应用前景。而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力,使平均相对误差和每日峰值相对误差降低,但收敛速度过慢(慢于SDBP模型),不适于在实际应用中采用。

基于MATLAB神经网络方法的多层砖房震害预测

提出利用MATLAB人工神经网络工具箱建立基于贝叶斯正则算法的BP神经网络模型,以地震区多层砖房震害调查数据为因子的震害预测方法。神经网络模型输入震害因子包括建筑的层数、施工质量、房屋整体性等,输出值为建筑物在地震作用下的破坏程度。结果表明,本方法可以对多层砖房的震害样本进行预测并达到较理想的效果。

基于改进神经网络的疲劳裂纹扩展速率预测

裂纹的萌生与扩展是一个复杂的非线性动力学过程,裂纹扩展速率具有非线性动力学系统的混沌现象和自组织特征。将BP神经网络和L-M贝叶斯正则化算法相结合,可使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高。文章利用16MnR钢CT试样实测数据进行网络训练,训练好的神经网络可以对该材料的疲劳裂纹扩展速率进行较为精确的预测。

改进BP神经网络在三相流相分率检测中的应用

本文构建了基于Bayesian正则化算法的BP神经网络模型,对水平管油气水三相流相分率进行了预测,解决了振动管密度法只能测量两相流相分率的问题.通过设计的实验装置获得了测试样本,进行了预测效果检验.结果表明,神经网络预测值与实际值非常吻合,含气率预测最大误差为2.7%,含水率最大误差为3.8%,大大提高了相分率的测量精确度,为利用振动式密度计测量油气水三相流相分率提供了一种有效的方法.

BP神经网络拟合平稳跟踪眼震信号

在前庭功能检查中,要对平稳跟踪信号进行分析,必须先对实验者的跟踪数据信号进行曲线拟合。由于BP神经网络可以实现输入和输出间的任意非线性,使得它在函数逼近上有广泛的应用。因此本文用BP神经网络对平稳跟踪信号进行曲线拟合。对网络的训练方法采用贝叶斯正则化算法。实验表明,拟合的曲线和正弦曲线基本吻合,尽可能的通过了样本点,也排除少数点的干扰。

基于改进BP神经网络的油井流入动态研究

针对传统流入动态研究方法误差较大等问题,提出利用改进的BP神经网络进行油井流入动态研究。通过采用LM算法和贝叶斯正则化算法,改进了常规BP神经网络收敛速度慢、泛化能力差等缺点,并探讨了通过优化网络结构来提高网络泛化能力的方法。实例计算结果表明,采用LM算法和贝叶斯正则化算法的改进BP神经网络用于油井流入动态研究是可行的,且优于传统的流入动态研究方法,具有精度高、收敛速度快、泛化能力强等特点。

基于神经网络方法对多层砖房震害预测

强烈的地震给人们生命财产带来巨大损失,为了能够在地震之前预测出建筑物震害,提出一多层砖房为例。利用MATLAB神经网络工具箱,建立一种基于贝叶斯正则算法的BP神经网络模型,并以过去发生地震地区的多层砖房调查数据为震害因子的震害预测方法。结果表明:对多层砖房的震害样本的预测达到理想效果。

基于人工神经网络的注水开发油藏产量预测

针对传统注水开发油藏产量预测方法存在的问题,提出了基于人工神经网络的预测模型,阐述了模拟工作流程,并进行了算例分析。提出了基于流体物理学和测量数据随机组合的特征提取方法,以提高模型的预测效果。优选贝叶斯正则化算法作为模型的训练算法,该算法一般耗时较长,但能对产油量、产气量、产水量等嘈杂数据集进行良好泛化。通过计算均方误差及决定系数、绘制误差分布直方图及模拟数据-验证数据交会图等方式进行模型评价。用90%的历史数据训练、验证、测试目标模型结构,然后用其余10%数据进行盲测。研究表明,提出的流体产量预测模型决定系数超过0.9,模拟结果与实际数据吻合程度高,输入信息少,计算成本低。

基于人工神经网络的导管数控弯曲成形工艺参数预测方法

阐述了导管数控弯曲成形过程的要素,分析主要工艺参数对导管弯曲成形质量的影响,并建立预测工艺参数的BP(Back Propagation)人工神经网络模型。选取实验数据作为样本,采用LM(Levenberg_Marquardt)贝叶斯正则化算法对该模型进行训练,确定模型的主要参数。通过实例预测并与实验数据进行比较,验证该方法的有效性。与其他BP训练算法进行比较,结果表明,该算法收敛速度快、预测精度高、稳定性好。

应用神经网络进行短期负荷预测

以某地区购网有功功率的负荷数据为背景,建立了3个BP神经网络负荷预测模型——SDBP,LMBP及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部最小点的缺点,采用具有较快收敛速度及稳定性的L-M(Levenberg-Marquardt)优化算法进行预测,使平均相对误差有了很大改善,而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力。

BP神经网络预测复杂聚合物体系浊点数据

为提高预测复杂聚合物体系的热力学相平衡性质,利用基于贝叶斯正则化(Bayesian regularization,BR)算法的BP神经网络对水-二甲基乙酰胺-聚砜成膜体系的浊点数据进行预测。结果显示,该方法对水和二甲基乙酰胺质量分数的预测平均相对误差为0.004和0.006,且预测的准确性和速度均优Levenberg-Marquardt(LM)算法的BP神经网络。这表明,基于贝叶斯正则化算法的BP神经网络可以较好地预测聚合物成膜体系的相平衡性质。