基于多元非线性回归和BP神经网络模型对黄河水沙监测数据特征分析的比较

利用2016-2021年黄河水位、水流量和含沙量已有的历史数据,采用三次样条插值方法,可建立多元非线性回归和BP神经网络模型。比较两种模型的误差率,进而得到BP神经网络预测精度更高(平均误差率:0.1981)。这为预测含沙量提供可靠的依据,也为监管机关制定合理有效的检测方案提供了有力的支持。

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BP神经网络的高校教师精准教学能力评价模型构建

通过精准教学以促进学生个性化成长是教育理想和国家政策的不懈追求.高校教师是实施精准教学的“基”,现有关于其教学能力的评价体系中普遍存在概念不清和多采用主观构建评价指标的问题.为此,开展了基于BP神经网络的高校教师精准教学能力评价模型研究.首先,以理论研究为基础,对精准教学能力进行等级划分并构建评价指标框架,运用层级分析法建立指标权重;其次,利用BP神经网络智能学习的特性,以不同数据类型的指标值为输入,对应能力综合值为输出,检验精准教学能力分级及指标权重的合理性,进而生成较为客观的评价模型;最后,利用开发的评价系统和调查问卷进行样本数据采集和模型检验,从神经网络对数据的分类、拟合及仿真结果来看,模型能够对高校教师的精准教学能力进行客观评价,教师对模型测量结果的准确性也具有较高认可度.

基于非线性自回归神经网络模型对生活垃圾产生量的预测

旨在建立生活垃圾产生量预测模型,更好的预测生活垃圾产生量,以便有序筹划生活垃圾处置设施和构建灵活的收运调配体系。方法采用非线性自回归神经网络(NAR),通过调整延迟阶数和隐含层神经元个数等模型参数,建立基于生活垃圾产生量的历史时间序列预测模型。实验结果显示,NAR神经网络时间序列模型对于北京市生活垃圾产生量有较好的预测能力,当延迟阶数为5,隐含神经元个数为10时,预测模型测试集的r值为0.9717,平均绝对百分比误差为3.385%,均方根误差为5051.831 t/w,预测模型通过了残差序列非自相关检验,预测效果较好。结论表明针对生活垃圾产生量数据可以开展NAR神经网络模型非线性自回归预测,且可不用考虑其它相关影响因素数据的可获得性,具有一定的便利和实际应用意义。

基于最小二乘法和BP神经网络的磁流变阻尼器H-B模型参数辨识方法

针对Bingham模型磁流变阻尼器由于剪切稀化效应带来的阻尼力计算误差,在理论和仿真分析的基础上,提出一种最小二乘法和BP神经网络相结合的方法,对磁流变阻尼器H-B模型进行参数辨识,获得各参数与电流的关系,从而对磁流变阻尼器的阻尼力进行准确计算。最后通过磁流变阻尼器实验对理论方法进行验证。结果表明:借助于磁流变阻尼器的仿真分析,最小二乘法和BP神经网络相结合的磁流变阻尼器H-B模型参数辨识方法精确度高、吻合性好,验证了参数辨识结果的通用性及准确性。

基于BP神经网络的儿童乘员头部损伤预测模型及评估参数研究

智能座舱与虚拟测评规程的推广,给乘员损伤评价带来新挑战,损伤机理与损伤风险评估参数更加多样化。本文基于图斯特6岁儿童乘员损伤仿生模型与BP神经网络算法构建正面100%重叠刚性壁障工况中乘员坐姿角度与头部损伤指标相关性预测模型,探究不同坐姿下头部损伤风险以及不同评价指标之间的相关性与差异性。结果表明,构建的相关性损伤预测模型具有良好的可信度(R2>0.90),可以用于损伤预测与分析。现有头部损伤评价指标在小角度坐姿范围内(95°~108°)对头损伤评估及预测具有良好的一致性,但是对于大角度坐姿乘员,不同损伤评价指标对头部损伤风险的评估存在显著差异。因此,目前实施的头部损伤评价参数具有局限性,未来虚拟测评中应综合运动学和生物力学参数对头部损伤风险进行更加全面的评估。该研究结果可以为儿童约束系统的改善、虚拟测评以及大角度坐姿乘员头部损伤评价参数的选取提供数据与理论支撑。

日光温室环境因子预测模型及应用——基于BP神经网络

为探讨北方日光温室内空气温湿度的变化规律,预测其变化趋势,进而确定合理的调控措施,采用L-M算法建立BP神经网络预测模型;选择S型函数作为网络激活函数,建立一种适用于北方日光温室空气温湿度环境因子的模拟预测模型。选取正常生产的日光温室为试验基地进行数据采集,采用皮尔逊相关系数确定模拟预测模型的输入因子,从1个月1440组实测数据中选取前29天的数据进行训练,对最后一天预测出的数据进行验证。研究结果表明:分段预测的预测值与实测值的符合度值大于全天预测,且分段预测的符合度大于0.99,均方根误差小于0.4,模型可用于模拟和预测北方日光温室大棚内空气温度与湿度的变化趋势,具有良好效果。

基于物理参数和BP神经网络的9310钢本构模型研究

采用Gleeble-3800热模拟试验机对9310钢进行了变形量为70%的等温恒应变速率压缩实验,在变形温度为800~1200℃、应变速率为0.01~50 s^(-1)的范围内研究了9310钢的热变形行为。通过不同热变形参数对自扩散系数D和杨氏模量E的影响,建立了基于物理参数的本构模型,同时基于实验数据构建了BP神经网络本构模型。结果表明:9310钢为负温度正应变速率敏感性材料,且流动应力随变形温度的升高和应变速率的降低而减小。基于不同条件构建的物理本构模型和BP神经网络模型的相关系数r均大于0.98,但BP神经网络模型的r值可达0.996,平均绝对相对误差为3.1%。经过流动应力曲线、相关系数和平均绝对相对误差的综合对比,得出BP神经网络模型对预测9310钢的流动行为具有较好的适用性。

基于BP神经网络构建简化翼结构动态代理模型

建立精确且可信度高的代理模型是数字孪生技术中的关键环节之一。为了研究航天结构动力学中动态代理模型的构建方法,选择简化翼结构作为研究对象,分别利用单点正弦定频激励及全场加速度扫频激励获得结构在瞬态动力学分析下的位移和加速度响应;将时间和部分节点响应结果作为输入,将希望关注的节点处的响应值作为输出,利用BP神经网络构建动态代理模型,当所建立的代理模型精度达标后即构建了翼结构瞬态动力学的动态代理模型。该法构建的模型不仅可用于快速预测多个节点的位移和加速度响应,亦可为后续构建航天复杂结构动力学数字孪生体奠定基础。

基于BP神经网络和二次指数平滑法组合预测模型的安徽省物流需求预测

为准确预测安徽省的物流需求,从经济发展、产量结构、地区贸易和消费水平4方面选取安徽省的地区生产总值,第一、二、三产业产值,社会消费品零售总额,固定资产投资,人均消费性支出7个影响因素作为安徽省物流需求评价指标,以安徽省货运量作为物流需求规模输出指标,采用灰色关联分析计算安徽省物流需求评价指标与物流需求规模间的关联度,判断评价指标的合理性。通过夏普利值法将BP神经网络预测模型和二次指数平滑法预测模型组合,预测2017—2021年安徽省物流需求。结果表明:BP神经网络预测模型、二次指数平滑法预测模型及二者的组合预测模型预测结果的平均相对误差分别为4.58%、6.70%、3.99%,组合预测模型的平均相对误差最小。通过组合预测模型预测2022—2024年安徽省物流需求分别为405 004.96万t、407 142.09万t、409 108.95万t,安徽省货运量呈持续增长趋势,但增幅降低。安徽省应加快传统物流向智慧物流的转移速度,扩大内需,加强物流枢纽城市间的联系,加速区域一体化发展步伐,确保物流高质量发展。

BP神经网络优化Stearns-Noechel模型的羊毛色纺纱配色

为了提升羊毛色纺纱配色的精确度,通过数理统计方法研究颜色特征中的色相、明度、饱和度与Stearns-Noechel模型参数M值之间的关系,采用BP神经网络对Stearns-Noechel模型参数M值进行优化,并与传统的最优平均M值和波长优化M值等方法进行对比。结果表明:采用BP神经网络优化Stearns-Noechel模型的配色方法比其他2种传统优化方法在颜色预测精确度上都有提高。在99个羊毛混色纱试验样本中,BP神经网络优化方法得到的平均色差最小,为1.1773,其中色差小于1的样本占54%,结合颜色特征采用BP神经网络优化的Stearns-Noechel模型参数具有较好的效果,对羊毛色纺纱的颜色预测精确度有较大的提高。

基于灰色GM-BP神经网络组合模型的中国镍原矿多情景需求预测

2016年我国颁布《全国矿产资源规划(2016—2020年)》,首次将镍列为战略性矿产资源。我国是全球最大的镍消费国,但镍资源储量少,对外依存度高,科学预测镍原矿需求量对保障镍矿产业链与供应链安全具有重要的现实意义。从需求侧出发,利用灰色关联度法选取中国不锈钢产量、人均GDP、电镀行业市场规模、城镇化率、产业结构、新能源汽车产量作为镍原矿需求情景预测的驱动变量,再在灰色GM(1,1)模型预测基础上,与BP神经网络算法相结合,构建基于残差优化的GM-BP组合模型,对2025—2035年中国镍原矿需求展开多情景预测。研究结果表明:组合模型实现了对小样本非线性时间序列数据的有效预测,且比GM(1,1)模型拟合误差更小,预测精度更高;根据组合模型,2025年、2030年、2035年我国镍原矿多情景需求均值分别为182.22万t、272.08万t、395.17万t,“十四五”“十五五”“十六五”期间需求年均增长4.26%、10.54%、9.78%。镍原矿需求呈稳定上升态势,镍矿供需矛盾将进一步加剧,我国必须提高镍供应能力,降低对进口镍的依赖程度。对此,提出如下政策建议:1)推进国内不锈钢产业的转型升级,优化生产工艺和产品结构,推广新型合金材料的应用;2)加大对镍矿勘探和开发的支持力度,如鼓励矿业企业技术创新,提高勘探效率和精度,同时积极推动国际合作,吸引国外先进技术、设备进入国内市场;3)促进进口多元化,与多个供应国建立合作关系,鼓励国内企业参与海外镍矿项目。

基于BP神经网络的乒乓球优秀女子单打比赛结果预测模型构建及仿真应用

为构建优秀女子运动员技战术表现与比赛获胜的理论模型,合理安排技战术训练及比赛策略提供参考借鉴。运用录像观察法、数理统计法及BP神经网络构建乒乓球优秀女子单打比赛结果预测模型。在此基础上,利用预测模型仿真分析新型塑料球时代优秀女子乒乓球运动员在不同水平技战术组合下的比赛获胜模式。本文构建的预测模型R为0.978,R~2为0.956,平均绝对误差为0.0085,模型精度达到98.4%;仿真分析1 024种技战术段组合结果可知,568种组合的预测结果为获胜,456种组合的预测结果为失败。结论:基于BP神经网络构建的乒乓球优秀女子单打比赛结果预测模型拟合效果佳,个案实证预测效果较好,具有较高的预测性能;新型塑料球时代优秀女子运动员在单打比赛中,各技战术段之间的补偿效应因技战术段和等级而有所不同,评估总分17分为女子单打比赛胜负的分界点,不同水平技战术段组合的比赛评估总分大于17分即可取得比赛胜利,低于17分则会落败。

基于Probit回归模型和BP神经网络模型的宁夏盐池滩羊产量影响因素及预测研究

通过对滩羊养殖户户主和家庭基本特征、养殖场生产经营特征、优质化生产认知情况以及疫病防治情况进行调查,采用Probit回归模型和BP神经网络模型分析了宁夏盐池县12个滩羊养殖村滩羊肉产量的影响因素,并预测了未来5年的滩羊肉产量情况,预测结果表明到2025年,宁夏滩羊产量将达12.5万t,宁夏滩羊产业总体呈现良好的发展势头。

基于BP神经网络的学术论文评价模型研究

[目的/意义]学术论文是学者科研水平与学术贡献的重要佐证和标志。构建科学的学术论文评价模型,对人才评价、科研经费分配、评奖评优、晋升及招聘等都具有重要指导意义。[方法/过程]文章选择Web of Science数据库中“Information Science and Library Science”学科类别下发表于2010年的论文作为研究对象。首先,基于论文多方面的关联特征构建模型特征空间;然后,采用机器学习中被广泛用于预测任务的有监督学习算法——BP神经网络训练模型,并进行十折交叉验证确保模型稳定性;最后,通过计算模型的校正决定系数(R_(adjusted)^(2))和均方根误差(RMSE),选择出最优模型。[结果/结论]本研究构建的最优BP神经网络模型的校正决定系数(R_(adjusted)^(2))达0.91,均方根误差(RMSE)约19.8,评价性能较好。

基于BP神经网络和路径分析模型的生态园林城市——以郑州为例

生态园林城市绿化规模的预测是生态园林城市发展中的一个核心问题,其与经济指标、社会指标、环境指标存在着复杂的非线性关系。BP神经网络由于具有良好的非线性拟合性能,而被应用于各种预测领域。首先,采用文献分析法梳理出固定资产投资额、GDP等26个影响生态园林城市绿化建设的因素。其次,以2019年被命名为国家生态园林城市的郑州市为研究对象,基于BP神经网络理论训练了生态园林城市绿化规模的预测模型,并对训练集、测试集的预测值和真实值进行对比分析。最后,通过构建路径分析模型梳理出26个影响因素中复杂的因果关系,包括直接间接影响、正负反馈、路径系数等。研究发现:训练的“26-7-1”网络结构的BP神经网络能够准确预测出生态园林城市的绿化规模,进而可为生态园林城市发展中,如何科学、合理地预测适应城市发展的绿化规模提供依据;构建的路径分析模型,可以反映城市发展中各影响因素以何种方式和强度影响生态园林城市绿化建设。

基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型

针对当前犯罪预测模型无法捕捉到犯罪时序数据的复合特征且无法及时反应环境变化等问题,提出基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型。该模型将SARIMA和GRU对犯罪数量的预测结果通过BP网络实现非线性组合,采用反向传播算法进行权重学习,将各层神经元所确定的权重矩阵作为两种方法在组合预测中的比重,综合利用SARIMA模型在线性时序预测中的优势和GRU网络在非线性特征挖掘上的优势,从而获得更好的预测结果。通过温哥华和旧金山的真实犯罪数据对组合后的模型与其他模型进行对比实验,结果表明,基于BP神经网络非线性组合的SARIMA-GRU模型可以捕捉到犯罪时序数据的复合特征,与其他模型相比具有更高的准确率。

基于BP神经网络模型的水泥行业碳排放量预测及达峰路径研究——以徐州市为例

为开展水泥行业碳达峰碳中和路径研究,采用碳排放因子法计算了1995—2021年徐州市水泥行业CO_(2)排放量,运用BP神经网络模型对水泥行业CO_(2)排放量进行了评估,基于不同情景对2022—2030年CO_(2)排放量进行了预测。结果表明:1995—2021年徐州市水泥行业CO_(2)排放量为736.78~2732.27万t。水泥行业CO_(2)排放整体呈先升高后降低的趋势。2010年碳排放量达到峰值2732.27万t后,逐渐波动下降到2021年的812.81万t。BP神经网络模型预测水泥行业CO_(2)排放量是可行的。根据基准情景、低碳情景、强化低碳情景,通过BP神经网络模型对2022—2030年徐州市水泥行业碳排放量预测:基准情景下,2030年徐州市水泥行业CO_(2)排放量为2484.75万t,相比于2021年,年均增长率约为22.86%。低碳情景下,2030年CO_(2)排放量为1979.80万t,年均增长率约为15.95%。强化低碳情景下,2030年CO_(2)排放量为1502.43万t,年均增长率约为9.43%。建议从政策和技术升级等方面实施CO_(2)减排,助力徐州市水泥行业碳达峰碳中和的实现。

基于改进BP神经网络的数显千分表非线性误差补偿

数显千分表零/部件制造和安装误差及使用磨损是影响其测量精度的主要因素。为了提高其精度,基于数显千分表的单片机嵌入式控制系统,提出采用北方苍鹰优化(Northern Goshawk Optimization,NGO)算法和贝叶斯正则化(Bayesian Regularization,BR)算法改进BP神经网络(NGO-BR-BP神经网络)的非线性测量误差软件补偿方法,并将其与基于BP神经网络、贝叶斯正则化BP神经网络的补偿模型进行了比较,论证了基于NGO-BR-BP神经网络的数显千分表非线性误差补偿模型具有较高的预测精度,且模型可靠性高、稳定性好。实验结果表明,在0~50 mm的测量范围内,所提出的方法可使最大误差降低到0.888527μm,而没有补偿前的最大误差为5.626μm。在数显千分表的嵌入式系统中植入NGO-BR-BP神经网络以提高千分表的测量精度,是可行和有效的。

基于改进BP神经网络模型的辽西地区农业灌溉用水预测

文章引入小波分析函数对传统BP神经网络模型进行改进,提高模型收敛精度,并将改进的BP神经网络模型对辽西地区农业灌溉用水进行预测。结果表明:与模型改进前相比,改进后模型对辽西地区年尺度和月尺度农业灌溉用水量预测相对误差分别降低6.9%和10%。研究成果对于区域农业灌溉用水预测方法具有参考价值。