综合传动换挡品质的误差逆传播神经网络评价方法

从换挡平顺性的角度出发,确定涡轮转速变化率的峰值、涡轮转速平均变化率及挡位3个参数作为客观评价指标,并将其细化定义;基于神经网络的基本原理,利用误差逆传播神经网络(BPNN)对履带车辆综合传动装置换挡品质评价进行客观描述;应用Matlab/Simulink软件的神经网络工具箱函数,建立用于评价车辆换挡品质的神经网络模型,并借助于GUI工具箱开发换挡品质客观评价等级软件进行仿真研究。通过神经网络测试结果与主观评价对比,证明此方法与传统主观评价方法具有较好的一致性,增强了换挡品质评价的客观性、针对性和灵活性。

浅谈误差逆传播神经网络的网站验证码识别研究

国内很多网站为了防止用户利用机器人自动注册，采用了验证码技术。验证码是网络上普遍采用的一种用于真人交互证明的有效途径。为了提高验证码的识别率，前期先对验证码进行分割处理，后期采用了人工智能算法，即以误差逆传播神经网络对验证码识别进行了探讨。本文最后对样本进行了实验分析，取得了较高的识别率。

浅谈误差逆传播神经网络的网站验证码识别研究

国内很多网站为了防止用户利用机器人自动注册,采用了验证码技术。验证码是网络上普遍采用的一种用于真人交互证明的有效途径。为了提高验证码的识别率,前期先对验证码进行预处理,后期采用了人工智能算法,即以误差逆传播神经网络对验证码识别进行了探讨。本文最后对测试样本进行了实验分析,取得了较高的识别率。

利用误差逆传播神经网络法识别几种毒品的太赫兹光谱

在采用太赫兹时域光谱(THz-TDS)技术对9种常见毒品进行实验研究并得到它们在0.2～2.6THz频率范围的特征吸收谱的基础上,用误差逆传播(BP)神经网络法对9种常见毒品的太赫兹吸收光谱进行了训练及识别。首先,用9种毒品的太赫兹吸收谱训练已经建立的误差逆传播神经网络;然后,选用与训练光谱不同时间测得的9种毒品的太赫兹吸收光谱作为检测光谱,经过二阶导数预处理之后分别输入到训练好的误差逆传播神经网络中进行识别,识别率达到89%。该误差逆传播神经网络模型采用MATLAB语言编制程序。识别结果充分表明,用误差逆传播神经网络可以实现对不同种类毒品的识别和鉴定,为太赫兹光谱技术用于毒品的检测和识别提供了一种有效的方法。

基于逆传播神经网络的光纤布拉格光栅触觉传感

为实现机械手指的复合式触觉传感,以光纤布拉格光栅(FBG)为传感元件,将压力传感器和温度传感器封装在同一聚合物传感单元中。分析了压力传感器受目标物体温度扰动的特性,同时利用逆传播神经网络对FBG触觉传感信号进行处理,实现了对传感单元表面正向压力的准确识别。仿真与实验结果表明,该方法进一步消除了目标物体温度对应变传感器的影响,减小了应变传感器的不确定性误差,提高了压力测量结果的稳定性和测量精度,补偿后压力传感器的温度漂移率仅为1.2×10-4 nm/℃。将补偿研究应用于机械手指FBG触觉传感阵列,可以有效抑制温度对应变传感的干扰,使得柔性机械手指触滑测量系统具有更加广阔的应用前景。

配电网经济运行的BP神经网络评估模型

针对配电网经济运行属性的多样性和复杂性,提出一种基于证据融合理论的配电网经济运行BP神经网络评价模型。该模型首先利用证据理论将专家群给出的指标隶属度进行融合,避免只考虑一位专家意见的片面性;其次运用BP神经网络算法进行评价属性的训练和测试,同时为提高计算速度和充分了解综合评价值及各属性状况,建立基于神经网络群的评估模型。最后在实例分析中,通过该模型与模糊综合评价方法的评价结果进行对比,证明了该模型有效可行。

基于改进型BP神经网络PID控制器的温室温度控制技术

针对温室温度控制系统所存在的大惯性、非线性等问题,提出一种基于改进型BP神经网络PID控制器(BP-PSO-PID)的温室温度控制技术。该控制器由经典PID控制器及神经网络构成,通过神经网络的自学习、加权系数的调整,使系统输出最优控制下的PID控制器参数Ki,Kp,Kd,并利用粒子群算法作为其中神经网络的学习算法,实现了对神经网络的改进,有效克服了传统BP算法的收敛速度慢、存在局部极小值等问题。仿真实验表明:相对常规PID以及BP-PID,该BP-PSOPID控制器大大改善控制过程的响应速度、调节时间、超调量、误差等性能,且在加入干扰的情况下,该控制器的调节时间最短,波动最小,表现出更强的抗扰能力及适应性,从而大大提高温度控制过程的稳定性、精确性与鲁棒性。

基于空间相关性和小波-神经网络的短期风电功率预测模型

为准确预测风电功率,该文提出1种预测模型。利用风速空间相关性把握风速时间序列的变化规律。将小波基函数植入神经网络的神经元节点中作为传递函数,对风电功率进行预测。对2相邻风电场短期风电功率预测算例进行仿真与对比分析。结果表明基于空间相关性和小波-神经网络(SC-WNN)的预测模型与逆传播神经网络(BPNN)和小波-神经网络(WNN)预测模型相比,平均百分比误差最大降低了0.164 3。

基于BP神经网络的能见度估测研究

利用安徽省高速公路能见度观测站网的分钟能见度及温湿风资料,在全面分析能见度与各个气象要素相关性的基础上,重点探讨了高速公路能见度的短时预测模型。应用BP神经网络,以湿度、温度、平均风速、瞬时风速、极大风速作为BP神经网络输入层,输出层为能见度,结果表明整体试验数据偏差在可接受范围内。采用顺序试验样本时,相对误差在20%以内的占总试验次数的68.6%;在随机样本各次试验中,BP网络模拟输出与检验样本的相关性较好,相关系数在0.6∼0.8之间;低能见度随机样本试验结果表明,模型输出值与样本值均方根误差集中在700∼850 m之间,变化幅度不大,说明神经网络算法具有较高的稳定性。

变压器局放监测与改进BP神经网络预测模型研究

采用传感系统监测变压器局部放电的变化情况,选取高频电流信号和超声波信号作为变压器局部放电的监测参量,利用改进逆传播(BP)神经网络算法对变压器局部放电量进行建模分析。以D9—QY—40000/220型电力变压器(220 k V变压器)为例进行实例研究,结果表明:基于改进BP神经网络的局放预测模型训练集误差系数为0.0118,测试集误差系数为0.0232。此模型的局放预测值与实际值的曲线趋势基本一致,有效地对变压器局部放电量进行预测,为变压器故障诊断奠定了基础。

基于BP神经网络的CSI无源目标分类方法

针对无源目标分类系统中精度和费用之间不平衡、采用手工提取特征的方法进行特征提取工作量较大的问题,提出了一种基于误差逆传播(BP)神经网络的信道状态信息(CSI)无源目标分类方法.通过提取WiFi信号的CSI作基信号,并结合具有自主学习数据特征能力的神经网络方法,设计了BP神经网络的训练模型,减少了手工提取特征带来的开销.实验结果表明,以身高分类为例,所提方法能够区分4个不同身高段,且平均分类准确度可以达到90%以上.

基于BP神经网络的姿态测量系统摄像机标定

针对摄像机标定过程中复杂的成像和畸变模型,利用误差逆传播(BP)神经网络对复杂非线性映射关系的强大逼近能力,对姿态测量系统中的摄像机进行隐式标定,建立了姿态测量中三维空间目标特征点与它在图像平面上像点间的映射关系,使姿态测量系统无须进行复杂的摄像机标定,直接恢复目标特征点的三维信息,从而计算得到目标姿态信息。结果表明,该方法对于空间点坐标恢复的均方根误差小于0.015mm,可以获得较高的精度。

黄骅坳陷滩海地区低渗透储层分类方法研究——以埕海油田二区沙河街组二段为例

黄骅坳陷滩海地区井点稀疏,井网不规则,以常规测井资料为主,急需基于常规测井资料的低渗透储层分类评价方法。以黄骅坳陷埕海油田沙二段低渗透储层为例,综合岩心、测井及试油资料,建立了基于统计分析的测井储层分类方法与误差逆传播神经网络判别方法相结合的低渗透储层测井分类评价方法。首先利用取心段岩心和测井资料,建立低渗透储层岩性测井识别标准;在此基础上,结合试油资料,建立储层分类的岩性-物性标准;针对非取心段低渗透储层岩性、物性复杂和常规测井识别难的问题,建立了用于储层分类的误差逆传播神经网络;利用取心段储层分类结果对神经网络进行训练,进而实现沙二段低渗透储层的分类评价,解决了非取心段低渗透储层分类评价难题。对寻找相对优质储层、实现油藏高效开发具有重要意义。

基于脉搏波的无创连续血压监测模型簇研究

脉搏波中蕴含丰富的血压信息,且检测简便,适用于血压的无创连续监测。利用脉搏波信号,结合心电信号,提取其波形特征,引入个体特征,基于误差逆传播神经网络构建关于收缩压、舒张压的监测模型。在模型构建过程中,使用相关性分析、平均影响值法减少特征冗余;利用自组织特征映射神经网络完成具有近似属性的样本的分类;使用多种群遗传算法确定网络的初始权重、阈值,分类别构建模型,形成血压监测模型簇;最后再利用多种群遗传算法进行个体参数的优化,得到最终的个体血压监测模型。结果显示,该模型的血压预测值与实测值具有极强的相关性;模型估计误差满足美国医疗仪器促进协会标准(5±8 mmHg)以及英国高血压协会标准的A级标准。该模型在一定程度上增加了血压监测过程中的模型自校正能力,有望应用于长时无创连续血压监测设备当中。

萤火虫优化BP-NN的电网故障诊断研究

针对逆传播神经网络(BP-NN)运算过程中易陷入局部极小值的不足。根据典型的经验公式对比,缩小了隐含层节点数范围,从而寻找最优的隐含层节点数。根据萤火虫优化(GSO)算法的特点,用GSO-BP-NN训练的初始权值阈值,能够很好地预测测试集,从而避免BP神经网络陷入局部极小值。采用以上方法的结合对电网进行故障诊断,实验证明:该方法可以准确有效地诊断出电网故障位置。

基于遗传算法的复杂薄壁件注射成型工艺参数优化

以复杂薄壁塑件车载充电器为研究对象,建立其有限元模型,运用计算机辅助工程(CAE)对初始工艺下的塑件翘曲变形量进行分析,得到了该塑件的最大翘曲变形量。构建复杂薄壁件翘曲变形量优化数学模型,基于误差逆传播(BP)神经网络结合遗传算法对塑件数学模型进行优化求解。并进一步采用优化后得到的最优工艺参数进行实际生产验证。结果表明,优化后的塑件最大翘曲变形量为0.2313 mm,与初始工艺方案下塑件最大翘曲变形量(0.2811mm)相比,降低了21.53%,提高了塑件的成型质量,得到满足装配要求的塑件;BP神经网络结合遗传算法优化工艺参数的技术方法具有可行性与可靠性。

基于内阻测试的质子交换膜含水量软测量研究

燃料电池堆中的质子交换膜的含水量难以直接测量,对此我们提出基于BP神经网络的电堆PEM平均含水量软测量方法。该方法中需要的单片内阻和温度数据由我们按照需要设计的以DSP2407为核心的专用内阻在线测试装置测得。结果表明,该装置达到性能要求,BP网络软测量模型能较好地预测电堆PEM含水量。

BPANN在仪表线性化中的应用

讨论了传感器、仪表利用软件实现线性化的优点及反向逆传播人工神经网络(BPANN)的构成.研究了半导体热敏电阻(SCTR)线性化的BPANN方法,并用MATLAB具体实现,得到了SC TR的线性特性.用插值法检验了该方法的有效性.

基于机器学习的玛湖地区水平井压裂设计优化

中国新疆玛湖致密砂砾岩油藏非均质性强,各井地质和施工条件参差不齐,压裂设计方案缺乏针对性,压裂效果的主控因素也有待进一步深化认识.为此,建立了一套基于机器学习的玛湖地区水平井产能预测及压裂设计优化的流程框架.以玛湖地区75口压裂水平井为例,针对储层和工程2类16个影响因素,采用随机森林算法确定了压后产能主控因素,建立了遗传算法优化的逆传播算法神经网络产能预测模型,并基于此对水平井的压裂进行优化设计.结果表明,现场2口井在优选压裂参数方案后,产能分别提高了9.3%和37.3%.建立的产能预测及压裂设计优化方法可为现场施工提供指导.