基于GA-BP神经网络和遗传算法优化雪梨莲子银耳羹工艺与风味

为探究雪梨莲子银耳羹的最优工艺,研究了熬煮时间、藕粉添加量、莲子添加量和雪梨添加量对感官评分的影响,并结合遗传算法优化反向传播(GA-BP)神经网络和遗传算法(GA)得出雪梨莲子银耳羹的最优工艺条件,从而建立雪梨莲子银耳羹感官评分的预测模型,实现雪梨莲子银耳羹工艺的优化,进而对其进行气相色谱-质谱法(GC-MS)分析、电子舌检测及感官评价以确定其中挥发性风味物质的种类和含量以及滋味强度。结果表明,熬煮时间、藕粉添加量和莲子添加量对感官评分影响显著,其中熬煮时间的影响最大,其次为藕粉和莲子添加量,且两者之间的交互作用较显著;最优工艺条件为熬煮时间20 min,藕粉添加量1.8%,莲子添加量1.2%;雪梨莲子银耳羹主要含有8种挥发性风味物质,其中呈焦糖香的5-羟甲基糠醛含量最高。电子舌检测及感官评价结果显示,雪梨莲子银耳羹以甜味为主,酸味和鲜味强度较弱且相近,无咸味和苦味。本研究为雪梨莲子银耳羹罐头的开发提供了理论参考。

基于遗传算法改进的建筑能耗预测模型研究

建筑行业作为国民经济支柱性产业,在推动社会发展的同时也消耗了大量的能源,加速建筑行业的节能减排,对实现我国2030年CO_(2)排放达到峰值的节能减排目标具有重要意义。因此,本文针对人员相对集中的高校建筑能耗进行了分析,通过收集校园内大量建筑能耗数据,充分挖掘建筑能耗特点,采用遗传算法优化BP和LSTM建筑能耗预测模型,通过实验对比选取最符合校园内的预测模型,以此预测未来校园内建筑能耗使用情况,为校园内后续碳排放预测和节能措施的制定提供基础数据。通过实验对比可以发现,GA-BP模型相较于GA-LSTM模型的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差分别降低8.83%,4.80%,2.43%,10.2%,GA-BP模型误差更小,拟合程度更高,对高校建筑能耗的预测更符合实际,可用于高校能耗预测。

基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明:采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。

基于遗传算法-BP神经网络的煤层注水效果分析

为了提高BP神经网络预测煤层注水效果的精度,采用遗传算法优化BP神经网络的权值和阈值,建立了遗传算法-BP神经网络模型,并采用该模型对煤层注水湿润半径进行模拟预测。Matlab模拟结果表明,遗传算法-BP神经网络模型的预测结果比BP神经网络模型更准确,平均相对误差降低了40.29%,训练步数减少了1 665步,收敛速度快,稳定性好。

基于GA-BP神经网络战储仓库选址决策模型

针对各战略方向战储仓库选址决策问题,提出基于GA-BP神经网络的战储仓库选址决策模型。通过分析战储仓库选址的影响因素,构建战储库选址决策指标体系;基于BP神经网络建立选址决策模型,运用遗传算法(geneticalgorithm,GA)对反向传播(backpropagation,BP)神经网络的权值和阈值进行优化,并给出实例证明遗传算法优化BP神经网络,可提高选址决策的效率和精准度。结果表明,该研究可为科学开展战储仓库选址工作提供思路和方法。

基于GA-BP网络的数控机床工作台定位误差分析

为了提高数控机床对测试误差的补偿效果,开发一种通过遗传算法(GA)来完成BP网络的优化过程,并加入坐标参数、运动速度指标,建立工作台的定位误差仿真模型。先通过Matlab软件构建得到GA-BP模型,得到优化权值与阈值后,再将结果移植至DSP内开展建模与预测,由此促进预测速率的大幅提升。研究结果表明:以DSP构建的预测系统对各定位误差残差分布进行预测得到的范围是-0.69~0.51μm。采用GA-BP网络构建的模型进行预测时达到了更高精度。

基于遗传算法的BP神经网络技术的应用

针对BP网络的不足,提出了基于遗传算法的神经网络技术。将两者有机的融合在一起,充分利用了GA算法的全局搜索能力和BP算法的局部搜索能力,加快了收敛速度,提高了收敛精度,将其应用于高速公路动态称重系统的神经网络控制器的训练中,取得了较好的效果。

基于遗传算法的BP神经网络在城市用水量预测中的应用

城市用水量的准确预测对供水系统的调度、改进具有重要意义。为解决传统BP神经网络预测模型易陷入局部极小、调整权值和参数需要不断尝试等问题,选用基于生物进化理论的遗传算法(Genetic Algorithms,GA)对其优化,提出了以GA优化BP网络的算法(GA-BP)。同时,针对以往BP神经网络预测模型因输入变量选取不当导致的误差精度过低的缺点,通过分析城市时用水量变化规律,得到合适的输入变量。最后,建立预测模型并使用历史数据进行训练和仿真。将预测模型应用于深圳市某供水公司,结果表明,该网络模型在城市时用水量预测中具有可靠性和适用性。

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络。该混合算法有效地解决了常规 BP 算法学习网络权值收敛速度慢、易陷入局部极小和 GA 算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性。

基于GA-BP算法的大坝边坡变形预测模型

针对大坝安全预测采用传统的统计模型、确定性模型和混合模型存在的不足,应用遗传算法(GA)与基于误差反向传播算法(BP)相结合,构成GA-BP混合遗传算法,建立大坝边坡变形预测的遗传优化神经网络模型(GA-BP模型)。该模型利用神经网络的非线性映射能力、网络推理和预测功能及遗传算法的全局优化特征,克服BP算法易限入局部最小问题。通过该模型对某大坝的实际观测数据进行预测,表明GA-BP模型的预测具有精度高、收敛速度快的优点,在大坝的预测方面具有应用价值。

GA-BP混合算法在变压器色谱诊断法中的应用

将一种改进的遗传操作与人工神经网络相结合的混合算法应用于电力变压器的故障诊断,有效地解决了常规BP算法易陷入局部极小、收敛速度慢和基本遗传算法早熟等缺点。实例仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。

一种基于GA-BP算法的PIDNN控制策略

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络(PID NeuralNetwork,PIDNN)控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明:GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。

基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究

为提高海洋工程材料腐蚀速率预测的精度,提出了一种基于遗传算法(GA)优化反向传播(Back Propagation,BP)神经网络的海洋工程材料海洋环境腐蚀速率预测模型。通过遗传算法对BP神经网络的权值和阈值进行优化,利用优化后的BP神经网络对试验数据进行预测。GA-BP模型选取具有代表性的2Cr1312不锈钢、Q235B碳钢和6082铝合金三种基本海洋工程材料数据进行试验,预测结果误差小于传统BP神经网络,并且在网络训练时间上有所缩短,预测精度上有所提高。本模型在海洋工程材料于海洋环境中腐蚀速率的实际预测中具有良好的推广价值。

基于遗传算法优化BP神经网络的基坑变形研究

随着我国经济建设的快速发展,大面积基坑施工工程越来越多。基坑的变形会对周围的建筑物等造成危险,影响施工的安全性,通过对基坑施工过程中的变形情况进行现场检测并建立预测模型预测基坑的变形趋势就显得尤为重要。本文以天津文化中心交通枢纽工程的基坑变形监测数据为基础,利用遗传算法对经典的BP神经网络进行优化,对基坑的变形进行预测。结果显示,基于遗传算法优化后的GA-BP网络输出的基坑变形预测结果较基本BP网络更精确,同一时刻同一测点各深度处墙体变形预测误差在大多数情况下都有所降低。

基于GA-BP神经网络的矿井粉尘浓度预测

为准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型、卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。实现了利用GA-BP神经网络预测模型对只有单一时间影响因素且样本数量较少条件下的矿井粉尘浓度预测。

基于遗传算法和BP神经网络的PID控制方法的交流伺服系统研究

BP网络模型己成为神经网络的重要模型之一,在很多领域得到了应用,但它也存在一些不足。如从数学上看,它是一个非线性优化问题,这就不可避免地存在局部极小点问题;BP网络学习算法收敛速度较慢,且收敛速度与初始权值的选择有关;网络的结构设计,即隐层及节点数的选择尚无理论直到,而是根据经验选取。本文针对BP算法局部极值的缺点,考虑将遗传算法和BP算法结合,进行对BP神经网络进行优化。用遗传算法优化神经网络,主要包括三个方面:连接权的进化、网络结构的进化,学习规则的进化。

GA-BP算法应用于核事故源项反演的研究

为了更准确地估算核事故源项,提高核事故后果评价的准确性,将用遗传算法优化的BP神经网络算法应用于核事故源项反演,改善BP神经网络学习算法应用于核事故源项反演时易陷入局部极小的缺陷。应用Matlab软件编码实现用遗传算法来优化BP神经网络的权值和阈值,将这些优化值赋给网络,得到优化的BP神经网络,即GA-BP神经网络。用7 852组训练数据训练GA-BP神经网络,训练结束后,用500组测试数据评估两种算法的性能。经统计计算得到GA-BP神经网络的平均训练误差为7.98%,小于原始BP神经网络的10.25%;GA-BP的平均测试误差为9.78%,小于原始BP神经网络的10.21%。训练和测试结果表明,经遗传算法优化的BP神经网络误差明显小于原始BP神经网络算法,GA-BP神经网络算法能有效地避免原始BP神经网络容易陷入局部极小值的缺陷,且缩短了训练时间,提高了源项反演的准确度。

基于GA-BP神经网络的搜索引擎数据资产价值研究

随着数字经济的发展,数据资产已发展成为一大经济产业,在互联网企业中发挥着极其重要的作用。本文通过对数据资产相关理论及评估方法的介绍,构建了GA-BP神经网络模型来评估数据资产,并从多方面考虑数据资产的价值影响因素,将影响因素量化,研究选取了因素与预测价值之间的关系。采用遗传算法优化神经网络,解决了BP神经网络容易陷入局部极值点或最优点,精度难以达到标准、收敛速度较慢等问题。