基于遗传算法-反向传播神经网络优化高压-超声-酶解法提取羊皮胶原蛋白工艺

采用高压-超声-酶解法提取羊皮胶原蛋白,对比遗传算法-反向传播(genetic algorithm-back propagation,GA-BP)神经网络模型和响应面模型的优化效果,确定最佳工艺参数。结果表明:GA-BP神经网络在模型拟合和预测方面表现优于响应面模型;最佳提取参数为高压时间23 min、超声时间22 min、酶添加量3.2%、酶解时间222 min,羊皮胶原蛋白提取率达到(80.5±1.6)%,较传统的木瓜蛋白酶法提高40%;紫外-可见吸收光谱和傅里叶变换红外光谱结果显示,此条件下提取的羊皮胶原蛋白结构完整,高压-超声-酶解法对胶原蛋白的破坏较小。

遗传算法结合反向传播神经网络优化牡丹花粉硬糖制备工艺

目的:利用反向传播神经网络(back propagation neural network,BP-NN)结合遗传算法(genetic algorithm,GA)优化牡丹花粉硬糖制备工艺,为牡丹花粉硬糖品质的改善提供最优的工艺参数。方法:以综合评分为指标,通过单因素试验遴选影响硬糖品质的主要因素,采用正交试验考察糖醇配比、牡丹花粉用量、熬糖温度对牡丹花粉硬糖品质的影响,在此基础上,利用反向传播神经网络建立预测模型,再结合遗传算法寻优得出各因素的最佳复配结果。结果:糖醇配比、牡丹花粉用量和熬糖温度对硬糖品质具有显著性影响(P<0.05)且彼此交互作用明显;反向传播神经网络模型的训练、测试和预测集的相关系数均大于0.95,表明模型准确度高、拟合程度好;经遗传算法寻优,得出牡丹花粉硬糖的最佳制备工艺为糖醇配比4∶5(w/w),牡丹花粉用量0.94%,柠檬酸用量0.6%,熬糖温度175℃,调和温度90℃。结论:反向传播神经网络结合遗传算法优化牡丹花粉硬糖制备工艺合理可行,为牡丹花粉相关产品的制备提供了新思路。

基于多目标遗传算法和反向传播神经网络的调节阀流道结构优化

以往的研究中,只针对调节阀迷宫流道结构和内部流场特性进行了分析,但对迷宫流道抗空化性能和流通性能的优化设计较欠缺。为了满足阀门实际工程中的设计需求,迷宫式调节阀需要具有流道抗空化性能和流通性能。为此,提出了一种基于多目标遗传算法(MOGA)和反向传播神经网络(BPNN)的方法,对调节阀迷宫流道进行了结构优化,提高了迷宫流道的抗空化性能和流通性能。首先,基于对冲耗能原理和多级降压原理,设计了弧形对冲式迷宫流道,并建立了流体力学仿真计算的数学模型;然后,利用计算流体动力学(CFD)仿真软件,对模型进行了空化仿真,根据仿真的数据构建了BPNN代理模型,通过结合Sobol敏感度分析方法与代理模型,分析了迷宫流道各参数对仿真结果的影响,采用多目标遗传算法,优化了迷宫流道的结构;最后,搭建了实验测试平台,测量了迷宫流道的阻塞流曲线,对比分析了测试结果与仿真结果。研究结果表明:采用优化算法得到的迷宫流道最大流量由0.0876 kg/s提高到0.1174 kg/s,提高了34%;线性压差由762.163 kPa提高到811.280 kPa,提高了6%;优化的迷宫流道实际最大流量为0.1159 kg/s,提高了33%;线性压差为819 kPa,提高了7%。迷宫流道抗空化性能和流通性能同时得到了提高,证明了仿真的有效性和该方法的可行性。

遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

基于层次分析法-熵权法结合遗传算法-反向传播神经网络优化金蒲橘泡腾片提取工艺

目的:采用正交试验及层次分析法(analytic hierarchy process,AHP)-熵权法结合遗传算法(genetic algorithm,GA)-反向传播(back propagation,BP)神经网络优选金蒲橘泡腾片提取工艺。方法:以绿原酸、木犀草苷、菊苣酸提取量和出膏率为指标,采用AHP-熵权法确定各指标的复合权重系数,根据L9(34)正交实验对加水倍数、提取时间、提取次数进行考察,并结合GA-BP模型进一步优选金蒲橘泡腾片提取工艺。采用高效液相法测定绿原酸、木犀草苷、菊苣酸含量,以Agilent ZORBAX SB-Aq(5μm,4.6 mm×250 mm)为色谱柱,以乙腈-4 mL/L磷酸水溶液为流动相梯度洗脱,柱温25℃,流速为1.0 mL/min,检测波长为350 nm,进样量为10μL。结果:绿原酸、木犀草苷和菊苣酸分别在24.6~787.2 mg/L、0.9~14.4 mg/L和5.4~172.8mg/L范围内线性关系良好,平均加样回收率分别为101.58%、99.60%、105.31%,RSD分别为1.87%、1.99%、1.15%。正交试验筛选出最优提取工艺为加12倍水,提取2次,每次0.5 h,综合评分为95.59分;GA-BP模型优选的最优提取工艺为加12倍水,提取2次,每次1 h,综合评分为96.86分。工艺验证表明,正交试验所得最优工艺RSD为3.15%,GA-BP模型所得最优工艺的RSD为2.75%,与预测值相对误差仅有0.14%。结论:GA-BP模型结合AHP-熵权法优选的金蒲橘泡腾片提取工艺稳定,有较好的预测性,可为其制剂工艺研究提供新的思路。

应用遗传算法-主成分分析-反向传播神经网络的近红外光谱识别树种效果

以风车木(Conbretum imberbe)和非洲小叶紫檀(Pterocarpus tinctorius Welw)为研究对象,应用LabSpec光谱仪采集光谱样本进行主成分分析(PCA),并运用遗传算法(GA)对主成分进行寻优,分别以未经GA寻优的主成分和经GA寻优的主成分作为反向传播(BP)神经网络输入量,测试了BP神经网络识别两种树种的效果。结果表明:寻优前,获得高识别率的主成分区间较窄,仅有5种情况识别效果理想,此种情况不利于主成分数的恰当选择;寻优后,获得高识别率的主成分区间较宽,从前6到前17有12种情况可供选择,此种情况更利于主成分的合理选择;寻优后的识别率比寻优前高,且稳定性较好。利用近红外光谱,依据GA-PCA-BP神经网络方法识别树种是一种理想的方法。

遗传算法-反向传播神经网络优化气相色谱质谱联用法测定香蕉挥发性组分

目的应用反向传播(back propagation,BP)神经网络结合遗传算法(genetic algorithm,GA)优化固相微萃取(solid phase microextraction,SPME)条件,建立更优的测定香蕉果肉挥发性组分的气相色谱质谱联用法(gas chromatography-mass spectrometry,GC-MS)和组分定性方法。方法通过正交实验优化SPME提取参数:超声时间、样品量和萃取温度,在正交实验基础上,运用BP神经网络结合GA寻找SPME最佳的萃取参数,应用GC-MS对香蕉果肉挥发性组分进行定性和定量分析。结果根据GA-BP神经网络寻优得到萃取参数:超声时间25.0 min、样品量2.9 g、萃取温度49.0℃。在此最佳萃取参数条件下测定香蕉果肉的挥发性化合物,共鉴定出香蕉果肉63个挥发性组分,主要以酯类为主(占相对总含量的75.75%),相对含量最大的组分是乙酸异戊酯(1281.26μg/kg)。结论本研究通过GA-BP神经网络优化SPME条件,再通过解卷积软件处理原始质谱图,提高了香蕉挥发性组分鉴定的可靠性和鉴定组分数量,为测定果蔬等农产品的挥发性组分与评价其品质提供参考。

基于遗传算法-反向传播神经网络的径向式导叶多级泵水力性能优化

针对径向式导叶多级泵内部流动状态复杂多变而导致其水力性能曲线难以精确测量的技术难题,采用遗传算法(genetic algorithm,GA)迭代优化反向传播(back propagation,BP)神经网络的权值与阈值,构建了基于GA-BP神经网络的径向式导叶多级泵水力性能预测模型,以MD500-57型径向式导叶多级泵为研究对象,建立了输入层为13个神经元、隐含层为10个神经元、输出层为2个神经元的GA-BP神经网络,采用正交试验方法设计了试验参数的正交试验方案,运用数值模拟计算方法对正交试验方案进行求解,获得了试验参数的训练样本,并对神经网络进行训练与测试,计算了过流部件关键几何参数的最优组合方案。试验结果表明:优化后该多级泵在设计工况下扬程增加了2.4 m,效率提高了3.34%,且高效区范围变宽。

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题。通过对不同遗传操作的分析和改进，提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法。计算结果表明，该算法能快速地求出问题的全局最优解，且具有较好的计算精度。

反向传播神经网络联合遗传算法对复合材料模量的预测

为减少测试成本和缩短设计周期,基于机器学习方法对树脂基复合材料模量的预报方法进行了研究.采用一种全新预测方法——神经网络联合遗传算法(GA-ANN),将T800/环氧复合材料的强度、泊松比和失效应变作为反向传播(BP)神经网络的3个输入变量,在遗传算法(GA)中得出最优阈值和权重,并将所得数值赋给对应的网络参数,更新BP神经网络以更高的准确率预测树脂基复合材料的模量;同等条件下,用Adam算法进行预测.对比这两种方法,结果充分证明了GA-ANN的可行性.

基于遗传算法的BP神经网络交通冲突预测模型

交通冲突预测是预防交通事故的重要手段,但由于存在轨迹获取和冲突识别困难的问题,至今未能在交通安全领域进一步应用。通过搭建冲突预测模型,可以简化交通冲突次数获取困难的问题。文章针对反向传播(Back Propagation,BP)神经网路的缺点,提出基于遗传算法的BP神经网络交通冲突预测模型,并应用该模型预测实际交叉口的交通冲突量,验证了模型的有效性。

遗传算法结合反向传播算法神经网络优化党参多糖的提取工艺

目的通过遗传算法结合反向传播算法(back propagation,BP)神经网络,与正交实验结果对比,优化党参多糖的提取工艺。方法以党参多糖的提取率为指标,采用三因素(提取次数、提取时间、料液比)水平对BP神经网络模型参数进行优化,建立网络模型,并采用遗传算法对BP神经网络进行目标寻优,得到党参多糖的最佳提取工艺。结果得到的最优提取工艺为提取次数3次,提取时间2 h,料液比为1:10(m:m),在此条件下党参多糖得率预测值为55.29 mg/g,与实际测量值的相对误差仅为1.10%,具有较好的网络预测性。结论利用遗传算法结合BP神经网络对党参多糖的提取工艺进行优化具有较好的预测性,可以为党参的进一步研究开发提供新的思路。

基于多模型神经网络的湿度廓线反演研究

为提升微波辐射计对大气廓线探测的精度,利用ARM大气观测站提供的地基微波辐射计、毫米波测云雷达以及探空数据,构建了两种添加不同云信息的反向传播神经网络(back propagation neural network,BPNN)模型(添加入云和出云高度的C-BPNN模型与添加雷达反射率因子的Z-BPNN模型)与一种未添加云信息的BPNN模型(记为BPNN0),并对反演结果进行了对比,结果表明:C-BPNN模型和Z-BPNN模型在任何天气下(有云或无云),得到的反演误差都小于BPNN0模型;C-BPNN相较于另外两种模型反演结果具有更高的稳定性。对3种模型各自反演结果最好的个例分析发现,C-BPNN与Z-BPNN模型主要的误差存在于高空无云但是相对湿度却出现跃变的情况,说明神经网络模型对初始权值与阈值较为敏感,因此通过遗传算法(genetic algorithms,GA)对BPNN模型进行优化。经GA优化后的反演结果表明:BPNN0模型与C-BPNN模型具有明显优化效果,而Z-BPNN模型优化效果则不明显。

基于遗传算法优化BP神经网络的手写数字识别

手写数字识别是经典的分类任务,在支票阅读、街道编号识别等方面具有许多实际应用。为了提高手写数字分类准确性,文章提出了基于遗传算法(Genetic Algorithm,GA)优化的反向传播(Back Propagation,BP)神经网络模型,即GA-BP神经网络模型。基于MNIST手写数字训练集,GA-BP神经网络模型在迭代50次时能达到95.07%的分类准确率,显著高于BP神经网络等单一分类模型的准确率,验证了改进后的模型在手写数字分类上的有效性。

基于遗传算法-反向传播神经网络的地下无人驾驶车辆自主导航技术

以地下无人驾驶车辆为研究对象,将遗传算法和反向传播神经网络结合应用,提出一种基于遗传算法-反向传播神经网络的地下无人驾驶车辆自主导航技术。这一技术通过反向传播神经网络对传感器的输入信息进行融合,模拟人输出行为进行控制,充分发挥人工神经网络高度的非线性逼近能力和自适应能力。同时,利用遗传算法的全局搜索能力来调整反向传播神经网络的初始化权值和阈值,解决了局部极小值问题。通过仿真试验,确认基于遗传算法-反向传播神经网络的地下无人驾驶车辆自主导航技术的先进性。

基于遗传算法优化反向传播神经网络的锅炉NO_(x)排放研究及应用

为了降低NO_(x)排放浓度,提高机组运行效率,建立了锅炉燃烧系统遗传算法一反向传播模型,并利用该模型通过反向传播神经网络对锅炉燃烧系统中NO_(x)排放浓度进行建模,利用遗传算法对限定范围内的对象输入进行参数全局寻优。以内蒙古某330 MW超临界机组为研究对象,利用该模型对运行参数进行实时优化,结果表明该模型能够有效降低NO_(x)排放浓度,具有一定的推广价值。

基于遗传算法-鲸鱼算法优化反向传播神经网络的土壤参数预测

传统的土壤参数预测常采用物理、化学等方法,在预测准确性上存在较大误差,且易受到人为因素的影响。基于反向传播(BP)神经网络及其改进算法的土壤参数预测方法虽然不受人为因素的影响,但仍有较大的误差。为进一步提高神经网络预测精度,使用遗传算法-鲸鱼算法(GA-WOA)的混合算法优化BP神经网络,以此建立农业土壤参数预测模型,并与多种现有算法进行对比。结果显示,所提算法在农业土壤参数预测方面具有很强的适用性和更高的准确性。

基于反向传播神经网络的风力机涡流发生器优化

采用最优拉丁超立方试验设计法细化涡流发生器参数,确定试验方案,仿真计算风力机的推力和转矩,获得试验数据.基于反向传播(BP)神经网络,构建遗传算法优化BP神经网络的风力机涡流发生器气动性能模型,通过计算气动性能模型预测值与仿真值的误差与均方根,验证气动性能模型的可靠性;耦合鱼群算法和风力机涡流发生器气动性能模型,建立风力机涡流发生器优化方法,对涡流发生器高度、长度和安装角度进行迭代求解,实现涡流发生器优化.结果表明:相比原涡流发生器方案,涡流发生器优化后的风力机叶片截面流动分离得到有效抑制和延迟,表面流体分离现象得到改善,风力机功率提升1.711%,推力下降0.875%.

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。

模块化机器人最优越野构型神经网络规划方法

轮式模块化机器人在满足人类对于无人自主任务需求时具有很多优势,机器人组合体构型在搬运物资、山地越障等方面更具有独特优势,为此提出一种多模块机器人构型优化规划方法。构建数字化地形表达,建立参数化地形辨识模型,运用遗传算法构建能耗与时间加权组合的最优构型,改变约束条件在不同地形下进行大量平行运行得到大量地形-最优构型参数结果对,将地形集合构建为输入集,将最优构型集合构建为输出集,训练借助神经网络技术快速得到面向任意地形的最佳组合体构型,使得组合体在面对三维复杂地形时实现高成功率、高可靠性越障运动,同时将能耗成本和时间成本降至最低。通过物理引擎平台仿真搭建仿真野外地形,对规划得到的构型进行通过性验证和性能测试,各构型均能完成地形跨越,同时验证规划算法的优化能力;搭建模块化机器人样机实物进行实验,以6×1刚性连接构型完成了2倍轴距宽沟壑的跨越。研究结果表明,所提方法能够高效地规划各类地形下满足通过性要求和时间能耗最优的组合体越障构型。