基于遗传优化BP神经网络的发动机曲轴扭转减振器优化

发动机曲轴轴系的扭转振动会影响发动机的性能以及整车舒适度,对曲轴扭转减振器进行优化可有效降低曲轴扭转振动。首先,针对直列四缸汽油发动机曲轴轴系建立多自由度集总参数模型,求出不同谐次激振力矩响应的叠加结果;然后,以优化曲轴轴系扭振幅值为目标,建立曲轴扭转减振器优化设计的数学模型,应用遗传优化BP神经网络算法对扭转减振器进行优化;最后,在此基础上,将应用遗传优化BP神经网络算法和仅应用BP神经网络算法的优化结果进行对比,结果表明遗传优化BP神经网络模型的预测精度更高。将优化后的扭转减振器参数代入多自由度集总参数模型进行计算,得到与遗传优化BP神经网络算法预测值非常接近的曲轴轴系扭振幅值,进一步验证了遗传优化BP神经网络优化结果的准确性。

基于主成分分析和遗传优化BP神经网络的光伏输出功率短期预测

针对光伏系统输出功率的波动性和间歇性特点,提出一种基于主成分分析(PCA)和遗传算法(GA)优化的BP神经网络功率短期预测方法。通过历史功率数据和实时气象因素对输出功率进行直接预测,利用主成分分析法将多个原始变量降维成少数彼此独立的变量,作为神经网络的输入。同时利用遗传算法的全局搜索特性在解空间中定位一个较好的空间,优化BP的初始权值阈值,克服了传统BP神经网络易陷入局部极小点、学习收敛速度慢的问题。通过建立不同预测模型进行对比,验证了所提算法和模型的有效性。

基于遗传优化BP神经网络的供热管网故障诊断模型

为了克服传统BP神经网络收敛速度慢,易陷入局部极值的缺陷,提出一种遗传优化的BP神经网络供热管网故障诊断模型.通过建立泄漏工况数学模型,获取了泄漏工况下的节点压力变化情况,并以此作为BP神经网络的样本数据;利用遗传算法对BP网络初始权值和阀值进行了优化,再通过BP神经网络进行了供热管网的故障诊断,以确定泄漏管段和泄漏量,并对泄漏点进行定位.实验结果表明:该模型性能明显优于传统的BP神经网络故障诊断模型,且诊断精度高.

基于遗传优化BP神经网络的员工绩效评估实证研究

首先介绍了基于BP神经网络的单位员工绩效评估模型,再通过遗传算法对BP神经网络的参数进行优化,提高了BP神经网络算法进行绩效评估的精度和效率。最后通过实证分析证明了此算法在单位员工绩效评估中的可行性和有效性。

遗传优化BP神经网络在槽况预测中的应用

针对目前国内对铝电解槽槽况诊断存在的的难度大、效率低等问题,设计了一种以槽电压信号为特征向量的诊断样本和BP神经网络模型.利用BP神经网络的自学习能力,对铝电解槽的槽况进行分析预测.同时本文利用遗传算法的最优搜索能力对BP神经网络的初始权值和阈值进行优化.通过MATLAB对状态预测算法进行编程.结果显示,对铝电解槽槽况的判断基本正确.

基于遗传优化BP神经网络的尾矿库边坡稳定性预测

针对BP神经网络具有收敛速度慢以及极值容易陷入局部最小的劣势,提出使用遗传算法对BP神经网络进行改进,优化BP神经网络的权值和阈值,并将改进的算法应用于尾矿库边坡稳定性预测中.算例仿真结果表明,所提算法对尾矿库边坡稳定性预测具有较高的精确度.

基于遗传优化BP神经网络的GPS高程异常拟合模型研究

为解决标准BP神经网络模型存在的易陷入极小值、训练时间长、网络不稳定等问题,采用基于实数编码的遗传算法,优化网络初始权值和阈值,构建GPS高程异常拟合模型。通过实测数据进行计算分析,并将该模型的结果与平面拟合、二次曲面拟合及标准BP神经网络模型所得结果比较,得出如下结论:使用遗传优化BP神经网络进行高程异常拟合,模型误差和中误差均较小,故基于遗传优化BP神经网络模型具有较高的精度和较好的稳定性,可以应用于GPS高程异常拟合问题。

遗传优化BP神经网络在岩石节理图像分割中的应用

采用图像分割的方法对岩石节理图像进行处理,有助于准确获取岩石节理的力学行为和表面形态,对于消除水库区安全隐患有重要的意义。本文针对三峡库区的岩石表面裂隙节理特点,采用遗传算法优化BP神经网络对岩石节理裂隙图像进行分割处理,采用了自适应的遗传参数。实验表明,该分割算法能够大幅度提高分割效率,具有自适应性好、精确高、速度快等优点。

改进的基于遗传优化BP神经网络的电网故障诊断

BP神经网络具有良好的自学习、自适应和泛化能力,但运算过程中容易陷入局部极小值,同时隐含层节点数的选择也影响着诊断的效果。文中根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数。根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值,可以避免BP神经网络陷入局部极小值的问题。结合两种方法对电网进行故障诊断,实例分析表明该方法可以准确有效地诊断出电网故障位置,提高电网故障诊断的容错性。

基于遗传优化BP神经网络的水稻气象产量预报模型

利用1951—2010年江苏省水稻产量及同期14个气象站点的逐日平均气温、降水资料,采用因子膨化及相关分析,研究了水稻气象产量的影响因子及影响时段。在此基础上建立了逐步回归、PCA-BP神经网络以及PCA-GA-BP神经网络3种产量预报模型。结果表明:(1)7—9月份是水稻产量形成的关键时期,对气温、降水的变化最为敏感,气温对气象产量的影响大于降水;(2)两种神经网络模型预报效果好于回归模型;(3)遗传优化的神经网络模型比未优化模型的训练速度提高了70%左右,预报精度也提高了4.3%。

基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究

针对恒压控制法中采用BP神经网络预测最大功率点处电压存在较大误差的情况,提出了用遗传算法来优化BP神经网络,然后用优化后的算法来预测光伏系统最大功率点之处的电压,并以此值代替基于恒电压的光伏发电系统MPPT控制算法中的恒电压参数;同时结合恒电压控制法建立了基于GA-BP神经网络学习算法的改进恒压型光伏系统MPPT控制的仿真模型。最后算例仿真结果证明所提的基于GA-BPNN的光伏系统MPPT控制算法能够快速准确地进行光伏最大功率点跟踪,并且相比于BP神经网络算法、干扰观察法及FUZZY控制算法其稳定性更好、精度更高。

基于遗传优化BP神经网络的信噪比预测研究

BP神经网络良好的非线性拟合能力和精确的数据归纳能力,使其广泛应用于各个领域。但在训练过程中也暴露出网络结构不易确定和易陷于局部最小等不足。本文基于短波信号接收信噪比预测数据,利用遗传算法分别从BP网络结构和网络参数两个方面进行算法改进,最后通过仿真测试,比较出BP网络和GA+BP网络的优缺点。

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。

遗传优化BP神经网络在电液力伺服系统辨识中的应用

介绍电液力伺服系统的结构及原理,针对系统建模中参数时变和非线性问题,采用BP神经网络进行系统辨识建模;利用遗传算法优化BP神经网络,克服单纯BP算法容易局部收敛、训练速度慢的问题;借助MATLAB神经网络工具箱、全局优化工具箱编写系统辨识算法,建立系统的神经网络辨识模型。分析神经网络模型辨识结果,将其与ARMAX线性参数模型的辨识结果作对比,验证遗传优化BP神经网络系统辨识建模的高效性和适用性。

小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

遗传算法优化BP神经网络在水质评价中的应用

通过对常规BP神经网络和遗传算法深入研究后,提出将二者结合起来,取长补短,并采用黄金分割算法确定神经网络模型隐含层节点数,借助MATLAB软件建立了遗传算法优化后的BP神经网络水质评价模型,解决了初始权值、阈值确定难,易陷入局部极值以及网络收敛慢等问题,同时结合2021年黄河上游部分断面地表水环境质量评价进行了实例仿真实验,验证了该模型的可行性和准确性。遗传算法优化后的BP神经网络不仅能从全局考虑污染因子对评价结果的影响,而且解决了常规BP神经网络易陷入局部极值的问题,提高了网络的识别精度,评价结果更准确,更符合实际水体情况,在一定程度上改善了传统评价方法的片面性和主观性,对现有的水环境质量评价方法的改进起到了积极作用。

基于遗传算法优化BP神经网络的生石膏超细磨预测效果研究

为提高BP神经网络对生石膏超细磨效果的预测准确性,采用Pearson相关系数对超细石膏粉体正交试验产品细度与影响因素的显著性进行分析,并利用遗传算法优化BP神经网络对超细石膏粉体试验产品的d_(50)和d_(90)进行预测,结果表明:超细石膏粉体制备过程中影响细度因素的显著性由大到小依次为排矿口宽度、矿浆质量分数和超细磨时间。利用排矿口宽度和矿浆质量分数两个主要影响因素,利用遗传算法对BP神经网络进行优化,与未优化的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的精度,预测误差也更小,其d_(50)平均绝对误差为0.7575,均方误差为0.7977,均方误差根为0.8931,平均绝对百分比误差为4.4838%;d_(90)平均绝对误差为0.7870,均方误差为0.8294,均方误差根为0.9107,平均绝对百分比误差为1.6658%。研究成果可为超细粉体的制备提供参考。

基于BP人工神经网络与遗传算法的航速优化

为了进一步提高船舶能耗效率,本文提出一种基于BP人工神经网络与遗传算法的航速优化技术路线。首先,介绍常见油耗模型的构建方法;其次,利用BP人工神经网络建立目标船舶的油耗模型。模型预测的平均绝对误差为2.3%,准确度和泛化能力基本满足工程应用要求。最后,利用遗传算法,并基于历史气象数据对目标船舶的航线做分段航速优化。计算结果表明,航速优化后目标船舶的航行时长不仅能减少1.35天,燃油损耗还可节省10.1%,由此说明对航行船舶做分段航速优化是一种可行方案。

基于改进实数编码遗传算法的神经网络超参数优化

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。

正交实验结合AHP和GA-BP神经网络优化益黄散醇提工艺

目的 优化益黄散的醇提工艺。方法 采用回流提取法,以乙醇体积分数、液料比、提取时间为考察因素设计正交实验,以橙皮苷、川陈皮素、橘皮素、没食子酸、诃黎勒酸、诃子酸、甘草苷、甘草酸、丁香酚含量和干浸膏得率为指标,采用层次分析法(AHP)进行赋权并计算综合评分。通过验证正交实验和遗传算法(GA)-反向传播神经网络(BP神经网络)所预测的结果确定益黄散最佳醇提工艺参数。结果 正交实验优选的最佳醇提工艺参数为乙醇体积分数60%、液料比14∶1(mL/g)、提取时间90 min、提取2次,验证所得综合评分为79.19分;GA-BP神经网络优选的最佳醇提工艺参数为乙醇体积分数65%、液料比14∶1(mL/g)、提取时间60 min、提取2次,验证所得综合评分为85.30分,高于正交实验所得结果。结论 采用正交实验结合GA-BP神经网络的寻优方法较传统的正交实验寻优方法效果更佳,其优选出的益黄散最佳醇提工艺稳定可靠。