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。

基于BP神经网络和遗传算法的设备故障诊断与健康管理模型研究

针对目前设备管理存在的故障处理周期长、维护保养任务重、维修成本高的现状,构建了设备故障诊断与健康管理架构,包括设备层、感知层、数据处理及存储层、数据分析层和应用层。其中,在数据分析层,综合采用BP神经网络和遗传算法,建立了设备故障诊断与健康管理模型。最后,以机电设备振动数据为例,进行设备故障诊断模型的预测结果分析,验证了该模型的可行性。研究结果表明,该模型能提高设备故障诊断正确率,具有较好的故障诊断效果;设备预测健康状态与实际健康状态的变化趋势基本保持一致,重合率大于90%。该成果可为制造企业的设备故障诊断与健康管理提供相关策略,有效排除故障问题,降低管理成本。

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。

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。

基于遗传算法和BP神经网络的矿区土壤重金属含量空间分布预测

本研究提出了一种基于遗传算法(Genetic algorithm,GA)和BP神经网络(Back propagation neural network,BPNN)的复合模型——GABP模型,以安徽省池州市某矿区及其周边为研究区,预测了土壤中p H和7种重金属元素(Cd、Pb、Cr、Cu、Ni、Hg、As)含量的空间分布,并与BPNN和反比距离权重法(Inverse distance weighting,IDW)进行了比较。研究结果表明:受采矿活动影响,研究区土壤p H和重金属含量呈显著的空间分异性;GABP复合模型的数据扩增能够有效弥补BPNN对样本数量的依赖,同时结合了地理位置和高程属性,精度评价结果显示GABP模型的平均R^(2)、r、RMSE、MAE分别是IDW和BPNN的3.03倍、2.56倍,2.93倍、2.39倍,0.85倍、0.61倍,0.79倍、0.62倍,预测精度更高。模型解决了传统空间插值方法结果中可能出现负值和边界无法插值的问题,为土壤重金属含量空间分布预测提供了一种新方法。

基于GA_BP遗传神经网络优化PID控制器参数研究

作为一种重要的控制技术,传统PID控制器具有设计独特、运行机理精准以及出色的可靠性等优点,被广泛应用于工业控制领域。但PID控制器存在参数整定困难,在面对复杂的非线性系统时会出现控制效果不理想等情况。针对以上问题,提出一种基于遗传算法与神经网络的新型PID控制器。通过BP神经网络的在线实时调整能力提升系统稳定性,利用GA遗传算法搜寻全局最优解,提高了控制器调整速度,并能避免BP_PID控制器陷入局部极限,实现了参数自动调整和控制效果的优化,提高了控制系统的性能。

基于GA优化BP神经网络的矿工不安全行为预警研究

为及时预警工人的不安全行为,防止煤矿生产事故的发生,综合运用事故统计分析、文献分析、专家咨询等方法确定了煤矿工人6个不安全行为及其21个影响因素,划分了不安全行为预警警级;构建了遗传算法(GA)优化BP神经网络的煤矿工人不安全行为GA-BP神经网络预警模型;通过Matlab训练学习得到了使其达到期望输出与实际输出效果一致的网络结构“21-7-4”;运用该模型对陕西省榆林市某煤矿工人的不安全行为警度进行了精准预警,并针对性地制定了预防工人不安全行为发生的措施。研究表明:当采用“21-7-4”网络结构时,GA-BP神经网络预警模型能精准预警煤矿工人的不安全行为,为煤矿工人不安全行为预警提供了一种方法。

基于遗传算法改进BP神经网络的电火花加工参数优化方法

针对电火花加工现行智能控制方式下,由于刀尖的震动幅值高,导致加工速度低和加工后零件表面粗糙度高的问题,提出基于遗传算法改进BP神经网络的电火花加工参数优化方法。通过分析电火花加工原理,构建基于BP神经网络电火花加工参数优化模型,以6个加工参数作为模型输入,以加工速度和零件表面粗糙度为模型输出,并将模型期望输出值和实际值之间的误差视作遗传算法的适应度函数,以适应度函数最小化为标准,获取最优权值与阈值作用于BP神经网络,实现电火花加工参数优化。实验结果表明,该方法最低加工速度仅为16.6 mm^(2)/min,表面粗糙度最高仅为6.7μm,有效提升了加工效率。

基于遗传算法的BP神经网络在轻质路基沉降预测中的应用

为更好地掌握轻质路基施工过程中的沉降变形情况,选取宁芜保通线部分轻质路基沉降监测数据,在BP(back propagation)神经网络模型的基础上,采用遗传算法对其进行优化,并将优化后的模型应用于轻质路基沉降预测。结果表明:遗传算法优化的BP神经网络在全局搜索能力和收敛能力方面具有明显优势;在轻质路基沉降预测任务中,多数预测结果的相对误差集中在更低的范围内,监测点1和监测点2预测结果的模型评价指标MAE、RMSE、MAPE分别为0.017 mm、0.021 mm、0.679%和0.013 mm、0.016 mm、1.395%,预测结果拟合程度高,误差小,模型泛化能力强。因此,遗传算法优化的BP神经网络的沉降预测模型具有可靠的预测效果与预测精度,在实际工程中可行性较高,可作为轻质路基沉降预测和预警的一种辅助手段。

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验,通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法,将零序电流信号的各种特征量进行提取,经过故障测度函数计算得到故障测度数据,将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试,讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异,输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明,综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法,且其选线速度与精度优于单一BP神经网络,能够更快速、有效地进行故障选线,满足配电网故障选线要求。

基于SSA-GA-BP神经网络的数显千分表非线性误差补偿

利用数显千分表进行精密测量时,零部件的生产、装配及使用磨损、挤压、碰撞等带来的固有误差与弹性误差严重降低了测量精度。针对此问题,利用遗传算法(genetic algorithm,GA)寻优速度快、精度高、并行搜索能力的优势及麻雀搜索算法(sparrow search algorithm,SSA)的全局寻优性能,优化反向传播(back propagation,BP)神经网络的初始权值、阈值及网络结构等,提出了基于数显千分表测量数据非线性误差补偿的SSA-GA-BP神经网络模型。将其与传统BP神经网络、遗传算法优化的GA-BP神经网络进行比较分析。结果表明:所提出SSA-GA-BP神经网络可使数显千分表的非线性误差由没有补偿前的最大误差5.504μm降低至0.883μm,残差平方和、相对误差和R相关系数具有一定的优越性。

基于GA-PSO-BP神经网络的气象能见度预测

针对安徽省气象能见度数据缺测问题,选取安徽省4种不同地形条件下的自动气象站点(黄山站、灵璧站、山南溪谷站、白泽湖站)2017—2019年的气象数据,首先采用灰色关联分析法筛选出与能见度联系紧密的气象要素,然后构建遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm optimization algorithm,PSO)混合算法优化BP(back propagation)神经网络的预测模型,对4种不同地形条件下的自动气象站点的能见度进行预测,并与RF预测模型、XGBoost预测模型的预测效果进行对比,结果表明采用GA-PSO-BP神经网络预测模型无论在哪种地形条件下,预测误差更小,模型精度更高。

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GA-BP神经网络的316L多层多道焊残余应力和变形预测

残余应力与变形是焊接过程中普遍存在的现象,对焊接结构的性能及使用寿命产生严重影响,是焊接结构发生开裂和失效的主要原因之一.传统的多层多道焊残余应力和变形预测主要采用有限元分析法,该方法存在预测精度差,数值模拟结果可靠性低等缺点.针对预测20 mm厚316L平板对接焊的残余应力和变形,提出一种基于遗传算法(genetic algorithm,GA)优化的反向传播(back propagation,BP)神经网络预测模型GA-BP,选取最主要的4个焊接工艺参数作为输入,包括焊接电流、电弧电压、焊接速度和层间温度,以焊后最大横、纵向残余应力和变形作为输出.结果表明,BP神经网络模型的预测误差在15%以内,优化后的GA-BP网络模型预测误差小于3%,故GA-BP神经网络模型的预测更精准,该方法可为多层多道焊的焊接工艺参数优化以及焊后残余应力与变形的预测和控制提供思路与理论基础,具有一定的指导意义和实际应用价值.

基于BP神经网络和遗传算法的智能配煤系统开发与应用

针对炼焦煤品种繁多,同一矿点来煤的煤质波动较大,混煤现象严重的问题,宁波钢铁有限公司通过搭建煤焦数据库,开发智能配煤系统,实现全流程监测煤焦数据变化。智能配煤系统结合历史生产数据分析提取影响焦炭质量的关键指标,采用多元线性回归和BP神经网络的建模方法,建立焦炭质量关键指标预测模型。同时,智能配煤系统结合焦炭质量预测模型、配煤专家系统和炼焦单种煤库存信息,采用优化后的遗传算法进行配煤模型的构建,从而实现快速实时调整配比、合理利用炼焦煤资源、稳定焦炭质量并且有效降低炼焦成本的目的。智能配煤系统运行稳定,实现了对炼焦煤资源的合理利用和降本增效的目的。

基于GA-BP神经网络模型的石墨烯发声器研究

为了解决传统石墨烯发声器物理模型计算量大、精度不高的问题,提出了一种基于GA遗传算法的BP神经网络模型,该算法模型具有更高的精度和适应性。首先,介绍了石墨烯热声发声原理以及实验设计,建立了GA-BP神经网络模型。其次,对模型的参数进行了调节,并对比了基于dropout、基于正则化、基于正则化和GA遗传算法的三种神经网络模型。随后在模型中输入石墨烯发声器的正弦激励幅值、频率以及测量距离,使用GA遗传算法对隐藏层的权值和偏置进行全局寻优,将寻优结果代入BP神经网络,最终预测出给定条件下的声压级。结果表明,在均使用正则化的条件下,BP神经网络预测准确度为98.05%,均方差为0.23;GA-BP神经网络预测准确度达到98.62%,均方差仅为0.14。优化后精准度提高了0.57%,均方差降低了41.36%,展现出更加优异的准确性和适应性。该研究为预测多类特征传感器的非线性输出结果提供了一种高精准度、高适应性的方案。

基于GA-BP神经网络的月生活需水预测——以黄河流域为例

在水利高质量发展的背景下,为了更精准地反映未来需水情势,探索月尺度需水的预测方法十分必要,有利于有效规划和管理供水系统以解决水资源短缺问题。以黄河流域9个省区为例,对月生活用水规律进行分析,通过奇异谱分析(singular spectrum analysis,SSA)法对用水规律进行验证,引入遗传算法对BP神经网络预测模型进行改进,分别建立基于时间序列的单变量模型和基于影响因子的多变量模型,并将预测结果与BP神经网络模型预测结果进行比较。结果表明:改进预测模型对各省区2020年月生活需水量预测的平均相对误差基本在5%以内,精度优于BP神经网络模型,对水资源精细化管理具有一定的参考价值。

基于GA-BP神经网络的致密砂岩横波时差预测方法

横波时差资料对开展致密砂岩储层水平井井壁稳定性与压裂效果研究有着关键作用。受开发成本的制约,横波时差测井资料极少,对研究致密砂岩力学性质造成很大困难。以井径、自然伽马和纵波时差等常规测井资料为基础,提出了基于GA-BP神经网络的致密砂岩横波时差预测方法。利用定边油田L区D166井长7、长8段数据,分别进行了GA-BP模型和BP模型的训练和检验,并对比分析了2种模型的预测效果。结果表明,GA-BP模型不受井眼环境、岩性和沉积环境等因素的影响,平均绝对百分比误差较BP模型小3.109个百分点,精准性更高、泛化性更强、可靠性更好。该方法对提高横波时差预测精度具有实际应用价值,为后续研究奠定了基础。

GA-BP神经网络在发射场的气温预报应用研究

为减小发射场气温预报误差,将BP神经网络和遗传算法结合起来,以2018—2022年的欧洲细网格气温预报数据和发射场实况数据为基础,利用相关系数筛选预报因子,建立了发射场气温预报模型。结果表明:模型气温预报平均绝对误差为1.132℃,较业务使用的欧洲细网格预报平均绝对误差优化了7.8%;模型气温预报的误差标准差为0.907℃,模型能较好修正欧洲细网格的温度预报误差离散值,较欧洲细网格预报的误差更稳定,能大幅减小预报员的人工订正工作;在神舟15号任务保障中,该模型预报的窗口温度为-18.02℃,而实况为-17.9℃,在临界条件下温度精细化预报保障提供了一种可靠性较高的预报手段。