基于BP神经网络的上海生鲜农产品物流需求预测

针对传统的生鲜农产品物流非线性需求预测模型收敛速度慢、精度低等问题,构建由改进粒子群(improved particle swarm optimization,IPSO)算法优化反向传播(back propagation,BP)神经网络的预测模型。引入对立学习机制、自适应惯性权重、非对称学习因子提升粒子群(particle swarm optimization,PSO)算法的初始解质量,平衡算法的局部开发和全局搜索能力;利用IPSO算法优化BP神经网络的权值和阈值,解决BP神经网络收敛速度慢、容易陷入局部最优等问题。通过上海生鲜农产品物流需求预测实例对模型的有效性进行验证,结果显示:IPSO-BP神经网络模型在预测精度及收敛速度上均明显优于传统PSO-BP神经网络和BP神经网络模型。

基于MFO优化BP神经网络构建冷鲜肉品质预测模型

为能准确预测冷鲜肉在贮藏中品质的变化规律及质量安全,本文探究贮藏温度(0、4和25℃)对冷鲜肉菌落总数、TVB-N、pH、水分含量、色度和生物胺含量的影响,确定冷鲜肉的特征品质指标。基于反向传播(Backpropagation,BP)神经网络和飞蛾火焰优化(Moth-Flame Optimization,MFO)BP神经网络,利用特征指标作为训练数据,构建不同贮藏温度下冷鲜肉的品质预测模型,快速准确评价和预测食品的质量安全。结果表明,不同贮藏温度下冷鲜肉的菌落总数、pH、TVB-N、色泽和生物胺含量随着贮藏时间的延长均呈上升趋势(P<0.05),且各指标在不同贮藏温度下的变化规律不一致,温度越高,腐败变质的速度越快。通过相关性分析得出菌落总数和TVB-N为冷鲜肉品质特征指标,以特征指标为训练数据构建BP神经网络和MFO优化BP神经网络模型。结果显示,MFO优化BP神经网络优于单一的BP神经网络模型,指标菌落总数和TVB-N通过BP神经网络模型训练后的R值分别为0.95018、0.94283,通过MFO算法优化训练后的R值分别为0.97538、0.98001,更接近于1,且优化后的RMSE、MSE和MAE值相对较小,其模型拟合度更好,在整个贮藏期的预测性能更好,准确率更高。因此,MFO优化BP神经网络可用于预测冷鲜肉在贮藏过程中品质的变化规律。

基于故障传播的模块化BP神经网络电路故障诊断

大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络(MBPFP)故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源"模块化";然后,通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优于传统BP神经网络等方法。

超临界CO_2中固体溶解度的逆向传播人工神经网络模拟

为了更好地模拟超临界CO2(SC CO2)中固体的溶解度数据,采用逆向传播神经网络(BPANN)对30种固体在超临界CO2中的873个溶解度数据进行了模拟,所得相对误差(AARD)都在10%以下,小于状态方程和经验方程的值,此结果表明BPANN能较好地模拟SC CO2中固体的溶解度数据。

基于智能优化算法及其优化BP神经网络的室内定位

为研究智能优化算法在室内到达时间差(time difference of arrival,TDOA)定位方面的应用效果。首先,分别使用白鲨优化算法(white shark optimizer,WSO)、变色龙优化算法(chameleon swarm algorithm,CSA)、蛇优化算法(snake optimizer,SO)、鲸鱼优化算法(whale optimization algorithm,WOA)、灰狼优化算法(grey wolf optimizer,GWO)、麻雀优化算法(sparrow search algorithm,SSA)这6种智能优化算法进行室内的二维TDOA定位,对比分析上述算法在室内定位领域的表现,并和传统的Taylor算法的定位误差进行对比;接下来,使用SOA算法对BP神经网络进行优化,使用优化后的SOA-BP进行定位,与基础的BP神经网络的定位误差进行对比。结果表明:所使用的6种智能优化算法在室内定位领域有着不错的表现,各智能优化算法的效果相似,平均定位误差为0.44 m,相较于传统的Taylor算法提升约9.2%;SOA-BP的定位误差相较于基础的BP神经网络降低超过30%。

基于BP神经网络模型的呼出气δ^(13)C、δ^(18)O同位素丰度测量方法研究

碳13(^(13)C)尿素呼气试验在国内外作为检测幽门螺旋杆菌的“金标准”已被广泛采用,精准测量CO_(2)中碳(C)和氧(O)同位素特征对疾病诊断具有重大意义。可调谐半导体激光吸收光谱技术(TDLAS)具有结构简单、响应速度快、灵敏度高等众多优点,在多个领域得到广泛应用,同时完全适用于气体同位素的测量研究。该研究面向人体呼出气体中的CO_(2)气体检测需求,基于直接吸收光谱技术,采用中心波长为4.32μm的量子级联激光器(QCL)结合光程为14 cm/44 mL的小容积气体吸收腔体,完成了同时测量^(16)O^(12)C^(16)O、^(18)O^(12)C^(16)O和^(16)O^(13)C^(16)O的多组分同位素气体浓度的实验系统。基于反向传播(BP)神经网络模型,降低直接吸收光谱系统中光源稳定性和测量样品气体波动带来的噪声干扰。结果表明:基于BP神经网络模型的同位素丰度测量精度与稳定性均优于吸光度峰值比法,^(16)O^(13)C^(16)O与^(18)O^(12)C^(16)O的浓度测量精度分别提高约1.27与1.58倍。Allan方差分析表明,当积分时间为106 s时,采用BP神经网络模型的^(13)C与^(18)O同位素丰度测量精度分别为0.97‰和1.47‰,相比吸光度峰值比法测量精度提高了约2.1倍与1.2倍。充分证明了基于BP神经网络模型的同位素丰度测量方法的可行性,为研制高精度同位素丰度传感器奠定基础。

基于BP神经网络的地质岩心钻探钻速预测研究

地质岩心钻探目前在自动化、智能化方面的发展还并未成熟。钻探参数的选取、改进还主要通过经验来判断,并且需要提钻后通过对岩心的判断进行钻探参数的调整,具有一定的滞后性,降低了钻探的效率。因此,通过搭建地质岩心钻探试验台获取钻探数据,采取反向传播(Back-Propagation)算法,将钻压(WOB),扭矩(TOR),泵量(Q),回转速度(RPM)作为输入量,机械钻速(ROP)作为输出量,同时考虑钻头磨损和钻头切削深度对实验的影响。以每块不同混凝土块为单位,按照80/20划分训练集与测试集,通过数据处理后共得到6180组数据进行训练和测试,训练出最优的神经网络模型,可以对机械钻速(ROP)进行预测,预测精度可达94.1%,后续通过选取合适的钻进参数,可以实现地质岩心钻探速度的优化。本研究为地质岩心钻探的钻速预测,地质岩心钻机自动化提供参考。

基于GA-BP神经网络的船舶空冷器状态预测

当前船舶空冷器的工作状态主要依靠空冷器冷却后的增压空气温度T_(A2)判断,通常按设定阈值触发报警,存在预警差和精度低等问题。对此,提出一种基于GA-BP(Genetic Algorithm-Back Propagation)神经网络的T_(A2)预测方法。利用BP神经网络构建空冷器状态预测模型,通过对比运行过程中T_(A2)实测值与预测值的偏差,及时发现空冷器的异常状态;引入GA解决BP神经网络存在的收敛速度慢和易于陷入局部最优解等问题。为验证基于GA-BP神经网络的预测方法的有效性,选取多组空冷器清洗前后的状态数据进行训练和验证,结果表明该方法能有效识别空冷器的异常状态。

基于BP神经网络的逆向物流中心选址模型研究

逆向物流中心选址是逆向物流中关键问题之一。文章根据逆向物流的物流环境、生产能力、经济效益三个方面的9个评价指标,用BP神经网络建立了逆向物流中心选址的评价模型。应用示例表明该模型具有较高的精度和效率,在逆向物流中心选址中具有较好地应用价值。

基于遗传BP神经网络的第三方逆向物流企业选择

分析了客户企业在评价第三方逆向物流企业时要考虑的影响因素,构建了评价指标体系,并提出了基于遗传BP神经网络的评价模型,通过仿真算例描述了对第三方逆向物流企业的评价过程。

基于PSO-BP神经网络的Savonius型叶轮阵列消波性能优化

为了提高Savonius型(S型)叶轮的消波性能,提出一种S型叶轮阵列装置。通过试验记录不同的叶轮间距和叶轮相对入水深度等5个参数下波浪经过叶轮阵列后的透射系数K_(t),建立基于粒子群优化(PSO)算法和反向传播(BP)神经网络的S型叶轮阵列消波性能预测模型。将采用该模型与采用BP网络模型和GA-BP网络模型得到的平均绝对误差、均方根误差和决定系数R^(2)指标进行对比,结果表明,采用PSO-BP神经网络模型优化能得到误差更小、更精准的预测结果。当相邻叶轮间距分别为0.62 m和0.41 m、各叶轮入水深度分别为0.15 m、0.18 m和0.19 m时,S型叶轮阵列具有相对最佳的消波性能。

多层神经网络逆向传播算法简明解析推导和一种变型MRⅢ计算技术

给出了多层神经网络逆向传播法整套计算公式的简明解析推导,提出了一种变型的MRⅢ计算技术。

基于BP神经网络的光伏电站在线监控系统设计研究

文章设计一种基于反向传播(Back Propagation,BP)神经网络的光伏电站在线监控系统,通过分层架构实现数据采集、预处理、故障诊断以及预测预警功能。系统在某光伏电站的实证研究表明,设计的基于BP神经网络的监控系统在预警准确性、误报率、提前时间方面显著优于传统阈值判断方法,为光伏电站的智能运维提供有效支持。

基于BP神经网络的电商企业库存需求预测

随着电子商务的迅猛发展,市场需求的不稳定性日益凸显,这使得很多企业难以准确设定库存量,容易导致大量库存资金被占用。要想降低库存成本,必须准确预测市场需求,并据此设定合理的库存。文章以H公司为例,利用反向传播(Back Propagation,BP)神经网络预测方法预测其产成品需求,使企业保持合理的库存,减少不必要的库存资金。

基于BP神经网络的短距离无线通信数据传输丢帧测试方法

单一传输节点在不同传输信道的传输任务分配情况不同,导致短距离无线通信数据传输丢帧情况的测试结果误差往往较大。为此,基于反向传播(Back Propagation,BP)神经网络对短距离无线通信数据传输丢帧测试方法展开研究。考虑影响短距离无线通信数据传输状态的核心要素是传输节点的感知范围和目标点与传输节点之间的距离,利用布尔感知模型构建包含完全感知(概率为1)或未感知(概率为0)的短距离无线通信感知模型;在数据传输丢帧测试阶段,引入BP神经网络,围绕感知概率为0的节点,将传输节点在不同传输信道的传输任务分配情况作为隐藏层的学习目标,综合分析丢帧率。测试结果表明,在不同通信密度测试场景下,文章方法均未受到明显影响,测试结果与实际丢帧率之间的绝对误差仅0.01%,该方法具有高度稳定性和准确性。

基于BP神经网络的智库微信公众平台信息传播力评价研究

[目的/意义]对智库微信公众平台信息传播力进行全面、科学的评价,引导智库机构高效地利用微信公众平台传播信息。[方法/过程]首先运用信息传播学理论,分析智库微信公众平台信息传播的过程;然后根据智库微信公众平台信息传播力的内涵从智库主体实力、信息内容特征、平台服务能力、平台用户表现4个维度构建智库微信公众平台信息传播力评价指标体系;最后提出基于BP神经网络的智库微信公众平台信息传播力评价方法,采集95组样本数据,并使用Matlab进行仿真验证。[结果/结论]结果表明基于BP神经网络的智库微信公众平台信息传播力评价模型具有较强的操作性和实用性,能够为评价智库机构借助微信平台进行信息传播的能力和效力提供新的方法和思路。

高科技产品逆向物流零部件库存预测方法比较——BP神经网络与传统方法

循环经济的发展,要求疏通逆向物流的流通渠道,通过闭环供应链建立经济的可持续发展模式。本文的研究对象锁定在逆向物流中的特殊一类高科技产品的逆向物流和闭环供应链库存的预测需求。本文重点分析了BP神经网络在库存需求中的预测方法,并将传统统计方法与BP神经网络进行对比分析。

优化的BP神经网络短时交通流预测方法

针对传统的误差逆向传播(BP)神经网络方法在进行交通流预测时存在网络准确性差,权值设置敏感等缺点,提出一种基于改进蝙蝠算法(BA)优化BP神经网络的交通流短时预测方法。引入自适应惯性权重和加速因子对原始蝙蝠算法进行优化,提高其收敛速度及寻优精度;用改进的BA对BP神经网络的权值和阈值参数优化并构建BA-BP模型进行短时交通流预测。实验结果表明:与传统BP相比,该方法平均绝对误差降低了3.0785,均方误差降低了4.4710。

基于逆向传播神经网络的工作面顶板矿压数据预测

为了将人工智能技术中的逆向传播神经网络应用于顶板矿压数据预测,以11个影响工作面顶板矿压数据预测的主要因素作为输入参数,以4个工作面顶板矿压参数为输出参数,确定隐含层层数为1层,隐含层神经单元个数为24个,并在此基础上建立了基于逆向传播神经网络的工作面顶板矿压数据预测模型。利用王家岭及周边煤矿具有代表性的工作面顶板矿压数据建立学习样本,以王家岭煤矿12309工作面实测矿压数据为验证样本,对预测模型精度进行了检验。经分析,利用逆向传播神经网络模型得到的初次来压步距、初次来压强度、周期来压步距、周期来压强度预测值与实测值相对误差分别为0.043 343 653、0.006 077 606、0.006 401 138、0.020 236 088,即矿压数据预测总体上相对误差小于5%,符合工程应用允许的误差范围,说明所建立的逆向传播神经网络模型具有较高的准确性和可靠性。

改进BP神经网络在负荷动静比例确定中的应用

指出了电力系统负荷动、静组成比例在实际电力系统分析、计算中的重要性,并应用一种改进的BP算法--Levenberg-Marpuardt 反向传播算法来对神经网络进行训练,进而利用人工神经网络(ANN)来确定电力系统综合负荷动、静组成比例为β=F[Y(t),Y(t-1),…,Y(t-n),U(t),U(t-1),…,U(t-n)].其中,β为动态负荷在综合负荷中所占的比例,Y=[P,Q]T,U=[V,f]T.该算法改进了BP神经网络学习速度慢的缺点.应用该方法对仿真数据、动模实验数据和现场实测数据进行了测算,得出了其相应的动、静组成比例.测算结果验证了在确定负荷动、静比例时可以忽略频率的变化,证明了BP神经网络用于确定负荷动、静组成比例的有效性.