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。

BP神经网络算法在求解数学建模最优化问题中的应用

为了解决目标函数较为复杂、无法用初等函数表示的最优化问题,文章采用了结合BP神经网络与遗传算法的方法进行求解。求解过程分为两个模块:第一,利用BP神经网络算法确定目标函数的解析式;第二,利用遗传算法寻找目标函数的最优解。为验证该方法的可行性,文章对单变量和多变量两种情况进行了验证。

基于改进NSGA-Ⅱ和IGA-BP神经网络的索梁锚固区结构优化研究

为实现大跨度斜拉桥索梁锚固区钢锚箱的结构优化,依托某大跨度斜拉桥索梁锚固区结构实际工程,提出了一种基于NSGA-Ⅱ算法与IGA-BP神经网络模型的结构参数优化方法。首先基于BP神经网络确定了钢锚箱响应数据预测的拓扑结构,采用自适应交叉变异改进的遗传算法对钢锚箱结构响应神经网络预测模型的权值阈值调参,得到满足拟合精度要求的IGA-BP神经网络预测模型。然后建立考虑结构平均应力和主要板件上峰值应力的数学优化模型,采用改进交叉、变异算子的NSGA-Ⅱ算法设计了钢锚箱结构参数优化流程。最后联合改进NSGA-Ⅱ算法和IGA-BP模型实现了钢锚箱结构参数的优化求解。结果表明:自适应遗传算法对BP神经网络权值与阈值调参的效果良好,相较于标准BP神经网络,IGA-BP神经网络的拟合精度和训练效率均更高;改进NSGA-Ⅱ算法可以实现对钢锚箱结构参数的寻优求解,根据Pareto协调最优解的结果,钢锚箱支撑板与承压板厚度有一定增加,加劲板和锚垫板厚度略微降低;优化后的结构上平均应力降幅约为2.7%,其中承压板应力峰值由200.9 MPa降低至178.1 MPa,降幅约为11.3%,支撑板应力峰值由199.6 MPa下降至179.5 MPa,降幅约为10.07%。优化后结构高应力区域峰值应力明显降低,中等应力区域分布较优化前更大,一定程度上改善了结构应力集中现象,验证了该方法的可行性。

基于正交试验与BP神经网络-遗传算法的空气净化器外壳注塑工艺参数优化

目的以某空气净化器外壳为研究对象,进行注塑工艺参数优化,从而提高塑料制品的成型质量。方法设置4个影响塑料制品成型质量的因素:熔体温度、模具温度、保压压力、保压时间,以最大翘曲值作为衡量塑料制品成型质量的指标,通过Moldflow模流分析软件,基于正交试验及极差分析探究各因素的影响主次顺序;使用BP神经网络表征工艺参数与翘曲变形的非线性映射关系;采用遗传算法寻优获得最佳注塑工艺参数组合与翘曲变形量,并将所得参数组合用于实际生产指导。结果经极差分析,保压压力对塑料制品质量的影响最为显著,其次分别为模具温度、保压时间、熔体温度。经BP神经网络预测与遗传算法寻优,发现当熔体温度为229.5℃、模具温度为77.9℃、保压压力为84.4 MPa、保压时间为6.5 s时,可以使注塑件达到最优质量,预测的最小翘曲值为2.94 mm,此工艺参数组合下的仿真计算翘曲值为2.91 mm,二者吻合程度较高。将优化后的工艺参数组合用于实际生产指导,获得了质量良好的注塑产品。结论所提出的方法对产品注塑的成型及优化有良好的工程应用价值。

基于BP神经网络优化遗传算法的智能座舱感性意象预测

为减少主观因素干扰,满足用户多样化感性需求,提出基于BP神经网络优化遗传算法的智能座舱感性意象设计方法。从用户角度出发,获取用户感性意象并划分强度,应用因子分析法降维得到目标意象,获取新能源汽车座舱样本,应用聚类分析法筛选得到优势样本,并结合形态分析法提取智能座舱中控造型特征因子。基于BP神经网络构建特定目标意象与造型特征因子的映射模型,得到两者函数关系后将其作为适应度函数展开遗传算法分析,优选特定意象下造型因子的最优组合,完成评估方法与优选方法的结合。根据优势因子组合进行设计实践以验证方法实用性,结果表明该方法能有效满足用户多维感性需求,为智能座舱造型设计多样化提供新的思路和参考。

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

BP神经网络耦合遗传算法优化呕吐毒素降解菌发酵培养基

为了获得一株可高效降解呕吐毒素(DON)的德沃斯氏菌(Devosia sp.)D-8的最佳发酵培养基。采用单因素试验和部分因子试验确定了发酵培养基的主要组分及浓度范围,并根据其进行正交试验设计,以正交试验及结果作为数据样本建立BP神经网络模型,并通过遗传算法(Genetic algorithm,GA)对该模型进行优化并全局寻优。结果表明:确定了最佳培养基配比:糖蜜30 g/L,酵母浸粉20 g/L,KH_(2)PO_(4)4.4 g/L,Na_(2)HPO_(4)·12H_(2)O 7 g/L;利用该培养基发酵验证,D-8菌的生物量(OD_(600 nm))为14.68,与模型预测值相差1.01%,是优化前生物量的6.87倍,较正交试验后生物量显著提高了6.55%(P<0.05)。BP网络模型可较好地应用于DON降解菌的发酵培养基优化,培养基配方为该菌后续工业化发酵生产及应用提供了数据支撑。

基于BP神经网络和遗传算法的平面钢闸门优化设计

钢闸门是水利工程中重要的过流控制设备,平面钢闸门多为非标设计,设计优化过程工作量大、计算时间长。文章针对平面钢闸门结构设计中存在的问题,提出了一种基于遗传算法的结构参数求解方案。基于有限元分析结果训练神经网络平面钢闸门受力分析预测模型;参照设计规范结合受力分析预测模型,设计了以门重为目标函数,以结构强度、结构稳定等约束条件为惩罚函数的遗传算法模型。对选择算子进行改进,解决算法不收敛问题。结合工程实例,将该优化方法与常规设计法对比,结论证明可有效优化设计门重,降低造价,缩短设计周期。

基于NSGA-Ⅱ和BP神经网络的螺旋板式换热器多目标优化

提出了一种带扰流片的螺旋板式换热器结构参数多目标优化方案,该方案主要采用快速非支配排序遗传算法NSGA-Ⅱ、BP神经网络以及CFD正交试验,在给定的范围内寻找最佳的扰流片结构参数。设置16组正交仿真试验模型,并根据试验样本数据得到扰流片结构参数和优化变量之间的非线性映射关系。以对流换热系数和压降为目标函数,使用NSGA-Ⅱ算法对优化后的BP神经网络进行极值寻优,得出优化目标下的Pareto解集,最后采用TOPSIS评价方法得到扰流片结构多目标优化的最终结果。仿真结果表明,优化后的结构同多目标优化算法的预测值误差都在15%以内,对流换热系数h较传统的螺旋板式换热器提高31.4%,说明该优化方法是可行的,为换热器结构优化和工程应用提供一定的参考。

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.

BP神经网络结合遗传算法多目标优化秦皮提取工艺的研究

目的:使用BP神经网络结合遗传算法用于秦皮提取工艺的多目标优化。方法:以秦皮甲素和秦皮乙素为指标,采用均匀设计法优化BP神经网络模型参数,并建立网络模型,再利用遗传算法对网络进行多目标寻优,获得秦皮的最佳提取工艺。结果:得到的最优工艺条件为提取温度99℃、乙醇体积分数50%、液固比7、提取时间94 min,网络在此条件下的预测值为秦皮甲素提取量为9.617 mg.g-1,秦皮乙素提取量为2.195 mg.g-1,和实际测量值的相对误差仅为-1.16%和-5.14%,具有较好的网络预测性。结论:BP神经网络结合遗传算法可用于秦皮提取工艺的多目标优化。

结合遗传算法优化BP神经网络的结构和参数

本文提出了一种改进的遗传算法 ,并用其实现BP神经网络的拓扑结构和参数的优化。改进的遗传算法采用了一种新的编码方式 ,并对遗传操作进行了改进。仿真试验的结果表明 。

基于遗传算法优化的BP神经网络在密度界面反演中的应用

BP神经网络方法在二维密度界面的反演中取得了较好的效果,但在反演三维界面时,由于模型更复杂、参数更多,BP神经网络的收敛速度和反演精度都有一定程度的下降。为了改善反演效果,本文利用遗传算法对BP神经网络的权值、阈值选择过程进行优化,获得了更好的网络模型;并将此模型应用于密度界面模型的反演中,预测误差从上百米减小到数十米,同时迭代计算步数减少了近2/3,有效减少了计算时间,反演结果更准确。利用基于遗传算法优化的BP神经网络反演了法国某地区莫霍面深度,预测相对误差仅为1.8%,取得了较好的应用效果。基于遗传算法优化的BP神经网络在密度界面的反演中具有良好的应用价值和研究前景。

遗传算法优化的BP神经网络遥感图像分类研究

以Matlab神经网络和遗传算法工具箱为平台,用量化共轭梯度法改进标准BP算法,采用GA优化BP网络的隐层神经元数目、初始权重,最后以香格里拉县ETM+图像为数据源,在DEM地形数据辅助下,训练网络使其收敛,仿真结果表明该方法优于最大似然分类法.

基于遗传算法优化BP神经网络的数控机床热误差补偿

以提高数控机床加工精度为主要目的,针对减少热误差而提出一种基于遗传算法优化BP神经网络的数控机床热误差补偿方法。首先,分析遗传算法优化的BP神经网络学习算法。然后,建立神经网络模型对三轴联动卧式加工中心进行实时补偿。实验仿真结果表明遗传优化BP神经网络模型具有预测补偿能力强、补偿精度高、拟合性能优、实时性好等特点。

基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计

在原有图谱设计方法的基础上,采用BP(Back-Propagation)人工神经网络模型和遗传算法GA(GeneticAlgorithm),建立了一种船舶螺旋桨优化设计方法。BP人工神经网络模型通过训练可以具备强大的非线性映射能力,以数学解析的形式,较好地提取了海量螺旋桨水动力性能数据特征;GA不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,为计算机辅助船舶螺旋桨优化设计提供了一种通用的多参数优化框架。针对三体消波艇半浸式螺旋桨和沿海巡逻艇螺旋桨的设计实例表明,该方法能快速可靠地搜索到最优解,不仅具有足够的工程精度,而且实用方便,适用性强。

基于BP神经网络和遗传算法优化茺蔚子水苏碱提取工艺的研究

【目的】优化茺蔚子中水苏碱的提取工艺。【方法】采用正交设计,应用误差反向后传(BP)人工神经网络建立茺蔚子水苏碱提取时间、乙醇浓度、料液比与盐酸水苏碱含量之间的关系模型,再结合遗传算法优化提取工艺参数。【结果】提取工艺优化参数为:提取时间62 min、乙醇浓度体积分数69%、料液比11倍,网络模型优化结果稍优于正交试验结果。【结论】BP神经网络结合遗传算法寻优,能较好地实现茺蔚子水苏碱提取工艺参数的优化,可为解决多维非线性系统的工艺参数优化问题提供崭新而有效的途径。

基于改进型BP神经网络和NSGA-Ⅱ遗传算法的机械零件多目标优化

文章针对传统的机械零件多目标优化算法的不足,提出了一种基于改进型BP神经网络和NSGA-Ⅱ遗传算法的机械零件多目标优化设计方法,该方法首先利用Workbench对零件进行分析得到实验数据,然后用改进型BP神经网络对实验数据进行训练并建立起多目标优化的模型,采用NSGA-Ⅱ遗传算法对模型进行多目标优化。结果表明,在满足优化零件使用条件的情况下,运用该方法求得质量的相对误差最大为11%,变形的相对误差最大为3.36%,验证了该方法的有效性和可靠性。并将该方法得出的结果与传统Workbench得出的多目标优化结果进行了比较,证明了该方法优于传统Workbench优化方法。

基于遗传算法优化BP神经网络的短期发电量预测

针对传统神经网络的网络初始权值和阈值随机给出,训练结果易陷入局部极小值的问题,本文提出一种采用遗传算法(GA)对BP网络的初始权值和初始阈值进行优化的方法.通过模拟生物进化中的自然选择和遗传机理,首先将网络的初始权值和初始阈值表示为染色体基因编码,再利用遗传算子进行组合交叉、变异、选择,产生出新的染色体来完成初始参数优化,形成初始权值和初始阈值,最后经BP网络训练得到最终权值和阈值,建立用于短期发电量预测的网络.实验结果表明,与传统BP神经网络预测方法相比,该预测方法精度更高,为短期电量预测提供了一种新途径.