基于ACO-BP神经网络的光伏发电短期功率预测研究

光伏发电存在着波动性和不确定性,对光伏发电系统的功率预测是提高光伏发电的利用率和经济效益的重要举措。通过构建蚁群算法(ACO)优化后的BP神经网络预测模型进行短期光伏功率预测研究,引入灰色关联度分析,确定影响光伏发电的主要因素,提高模型的预测准确性。该模型综合了ACO的寻优能力和BP神经网络的自学习、自适应能力。将训练好的模型用于光伏发电短期功率预测研究,对比仿真结果得出ACO-BP神经网络模型在晴天时的预测误差为8.60%,多云时的预测误差为12.53%,雨天时的预测误差为26.27%,其预测精度均优于原BP神经网络模型。

基于GA-ACO-BP神经网络的日用消费品物流需求预测

针对日用消费品的物流需求,从宏观经济发展水平、相关产业水平、消费能力、物流供应能力、互联网发展水平、贸易水平6个方面,采用灰色关联度分析法对影响因素的灰色关联度进行计算及排序,构建预测指标体系。考虑物流相关数据样本较少,其影响因素之间存在非线性,结合遗传算法的全局寻优能力和蚁群算法的并行计算能力,构建了基于遗传算法-蚁群优化-反向传播神经网络(genetic algorithm-ant colony optimization-back propagation neural network,GA-ACO-BP)的日用消费品物流需求预测模型。分别采用GA-ACO-BP模型、GA-BP模型和BP模型对全国日用消费品物流需求进行预测,结果表明,GA-ACO-BP模型更能拟合日用消费品物流需求变化,预测精度较高,为物流需求预测研究提供一种模型参考,具有一定的实用价值。

基于ACO-BP神经网络的光纤陀螺温度补偿方法研究

温度变化对光纤陀螺零偏的影响是制约其性能的关键因素之一,采用BP神经网络进行预测能在一定程度上提高温度补偿精度,但BP神经网络存在局部极小的问题。采用蚁群优化(ACO)BP神经网络算法补偿光纤陀螺漂移,优化了BP神经网络的初始参数。实验结果表明,采用ACO-BP神经网络进行补偿,可使得在-40℃~60℃温度范围内光纤陀螺零偏稳定性比补偿前有80%左右的精度提升,与以往的BP神经网络效果相比,补偿效果更好。

基于ACO-BP神经网络的刀具寿命预测

刀具使用寿命会直接影响刀具需求计划制定、刀具生产准备以及切削参数制定等。然而,由于刀具使用寿命的影响因素众多,目前虽然有多种刀具使用寿命的预测方法,但这些方法存在结果准确性不佳或对新材料新工艺无从入手等缺陷,均无法对刀具使用寿命进行有效快捷的准确预测。采用人工神经网络技术,针对反向传播算法存在收敛速度慢、容易陷入局部极小值、全局搜索能力弱等缺陷,采用蚁群优化算法(ACO)训练BP神经网络,建立了基于ACO-BP算法的铣刀寿命预测神经网络模型,在兼顾网络学习速度的同时保证了模型的全局搜索能力及鲁棒性。

基于ACO-BP神经网络的大坝渗流监测应用研究

随着我国水利工程的不断发展,施工环境复杂性和难度越来越高,坝体的安全监测内容十分重要,充分反应大坝实际安全稳定状态,降低施工风险。文章结合工程实例建立符合实际变形的ACO-BP神经网络预测模型,基于变形监测统计资料,定级预测坝体的渗流变形区间,通过计算成果分析该网络算法在大坝变形区间预测模型上能够实现设计要求。

基于ACO-BP神经网络的土石坝位移监测模型研究

建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。

ACO-BP神经网络在电梯交通流预测中的应用

电梯交通流预测为电梯配置与群控调度提供必要的乘客流数据信息。针对基于BP神经网络的电梯交通流预测模型在网络训练过程中表现出的对初值敏感、易陷入极小值等问题,提出利用全局寻优的蚁群优化(ACO)算法优化BP神经网络。同时,利用精英蚂蚁和排序策略对基本ACO算法进行改进。采集天津某办公大厦实际交通流数据进行实例分析,分别对基于传统的BP神经网络和蚁群优化的BP(ACO-BP)神经网络的电梯交通流预测模型进行仿真验证。结果表明:ACO-BP神经网络的预测效果远优于传统的BP神经网络,适用于电梯交通流预测系统。

基于时间序列ACO-BP神经网络在基坑变形预测中的应用研究

BP神经网络技术因其良好的非线性动力学特性、函数逼近能力、自组织和自适应能力,已广泛应用于基坑变形预测中。但实际应用过程中发现BP神经网络具有收敛速度慢、初始权阈值对计算结果影响较大,且易陷入局部最优等缺陷。采用引入具有启发式寻优、全局优化特点的蚁群算法优化BP神经网络,对基坑变形进行预测,并与BP神经网络进行比较。结果表明:ACO-BP神经网络模型预测基坑变形可行;预测精度高于BP模型,且结果稳定、速度较快、误差满足工程的要求。

ACO-BP神经网络模型在大坝变形区间预测的应用研究

近年来随着引水工程的不断建设,工程地质及施工条件愈发复杂,大坝安全和稳定性评价变得尤为重要。文章利用某土石坝工程的变形监测统计资料,建立神经网络预测模型定级预测大坝的变形区间,结合预测结果分析不同模型的适用性,得出ACO-BP神经网络在大坝变形区间预测更贴合实际,在实践分析中应用价值广泛。

SDN中基于ACO-BP神经网络的DDoS攻击检测方法

SDN网络是一种新兴的控制与转发分离并可直接编程的网络架构,因为其数据控制分离的特点,DDoS攻击对SDN网络有着巨大的破坏力,所以研究SDN中DDoS攻击检测与防御,有利于SDN网络安全性的提高。为了对DDoS攻击进行有效检测,通过获取SDN网络中OpenFlow交换机的流表项,提取出与DDoS攻击相关的四个重要特征作为检测模型的输入特征,对BP神经网络进行训练,构建基于BP神经网络的DDoS攻击检测模型。针对BP神经网络在训练过程中隐藏层节点和层数选取盲目的问题,使用全局搜索能力好的蚁群算法进行优化。通过在SDN网络中的部署,实验证明该方法不仅误报率低,而且检测率和准确率比原始BP神经网络算法高,还能在攻击发生的初期阶段对攻击进行处理,减少攻击所带来的危害。

基于ACO-BP神经网络的锂离子电池容量衰退预测

准确预测电池的容量衰退趋势对加强电池系统的管理和维护具有重要意义。本工作选择以锂离子电池为研究对象,根据NASA实验室公开的源数据集分析、预测锂离子电池的容量衰退趋势。在室温、恒流工况下对锂离子电池进行满充满放的循环充放电试验,得到各循环周期下电池的实际额定容量值,采用紧支集正交小波分析对获得的电池监测数据进行去噪优化处理,得到更加平稳规律的电池容量衰退过程,然后利用蚁群算法(Ant colony optimization,ACO)优化BP神经网络的初始权值和阈值,基于ACO-BP神经网络模型完成对锂离子电池容量衰退的预测,并与单独使用BP神经网络进行对比。结果表明,采用ACO-BP神经网络比单独使用BP神经网络具有更好的预测效果,且随着训练样本的增加,包含更多的电池容量退化信息,预测精度明显提高,当以前80个循环充放电周期作为训练样本时,预测的平均误差为1.46%,若继续扩大训练样本,预测效果将会更好。本研究有助于加强电池系统的健康管理,为高效预测锂离子电池的劣化轨迹提供技术参考。

改进的ACO-BP神经网络在锂离子电池SOC估算中的应用

针对单一BP神经网络模型估算锂离子电池SOC易陷入局部最优的问题,引入蚁群算法ACO,并与BP神经网络模型相结合,提出了改进的ACO-BP神经网络以估算电池SOC.采用惯性矫正算法,在校正权阈值时加入惯性量,以改进BP神经网络;利用改进的全局信息素更新规则来改进ACO算法,以解决其易早熟收敛的问题.将经改进的ACO-BP神经网络应用于18650锂离子动力电池SOC估算,结果表明,改进的ACO-BP神经网络估算SOC的相对误差能控制在±1.957%以内,MAPE为0.897%,精度和稳定性明显优于单一BP神经网络和ACO-BP神经网络.

基于蚁群算法的ACO-BP神经网络性能研究

BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一,存在收敛速度慢、易陷入局部最优等问题。将蚁群算法与BP神经网络相结合,在一定程度上克服了训练网络时间长、精度不高的问题,并与GA-BP神经网络对比分析,展示了ACO-BP神经网络的性能优势。

基于ACO-BP神经网络的光伏系统发电功率预测

为准确预测光伏发电量,减少并网光伏对大电网的影响,引入相似日概念,对夏季预测日的平均温度、最高温度、最低温度以及天气类型进行分析。在历史数据中选取具有相似天气特征的发电功率数据和天气数据作为神经网络的训练样本,建立ACO-BP神经网络光伏发电功率预测模型,并将预测结果与传统BP神经网络和PSO-BP神经网络预测结果相比较。实验结果表明,该模型具有较高的预测精度。

基于ACO-BP神经网络的土石坝垂直变形监测模型研究

为准确预测垂直沉降变形位移数据,确保大坝安全稳定服役,文章引入蚁群算法(ACO)在全局范围内搜索BP神经网络连接权值和阈值的最优参数组合,并构建ACO-BP土石坝沉降变形位移预测模型。在样本数据中选取具有代表性的10个测点数据作为样本数据,对BP和ACO-BP模型分别进行学习训练。预测结果表明:两种模型对大坝垂直变形数据的预测均具有有效性,但ACO-BP模型相对BP模型收敛性好、精度高且具备全局稳定性,可在大坝安全检测中发挥良好应用效果。

基于ACO-BP神经网络的光伏发电优化控制系统的设计

为了解决以往PI调控已无法满足光伏并网逆变系统的稳定运行控制性能这一问题,阐述光伏发电系统优化控制,提出基于ACO-BP神经网络的光伏发电优化控制系统设计思路。探讨光伏发电系统的工作原理,基于ACO-BP神经网络算法原理,建立ACO-BP优化控制模型,实现数据归一化处理。提出ACO-BP神经网络优化控制思路,用于光伏发电优化控制系统的预测模型准确性进行验证,对比PSOBP神经网络算法模型,验证ACO-BP神经网络算法的控制精准性与合理性,实现光伏发电优化控制。

基于图卷积神经网络的节点分类方法研究综述

节点分类任务是图领域中的重要研究工作之一。近年来随着图卷积神经网络研究工作的不断深入,基于图卷积神经网络的节点分类研究及其应用都取得了重大进展。图卷积神经网络是基于卷积发展出的一类图神经网络,能处理图数据且具有卷积神经网络的优点,已成为图节点分类方法中最活跃的一个研究分支。对基于图卷积神经网络的节点分类方法的研究进展进行综述,首先介绍图的相关概念、节点分类的任务定义和常用的图数据集;然后探讨两类经典图卷积神经网络——谱域和空间域图卷积神经网络,以及图卷积神经网络在节点分类领域面临的挑战;之后从模型和数据两个视角分析图卷积神经网络在节点分类任务中的研究成果和未解决的问题;最后对基于图卷积神经网络的节点分类研究方向进行展望,并总结全文。

基于多尺度特征深度神经网络的不同产地山楂细粒度图像识别

中药是中医治疗疾病的主要途径,也是我国中医药事业传承与创新发展的物质基础,其真伪优劣也会直接影响中医临床的疗效,因此研究科学合理且高效的中药材质量检测方法符合当前行业热点.山楂作为中国著名的药食两用类药材,在烹饪和治疗中具有保护心血管、降低血压的作用,被广泛应用;但由于自然环境与栽培条件的不同,不同产地的山楂易被混淆从而对品质产生影响.尽管化学、生物鉴定的方法广泛而重要,但专业门槛高,耗时较长;且传统图像处理方法容易受外在环境因素干扰,可靠性差.因此亟待研究快速准确的方法以实现山楂产地的精准鉴别;受CoAtNet与Swin-Transformer网络启发,本文结合MBConv模块中深度可分离卷积网络对局部信息建模的特点与Swin Transformer模块多层次结构可弥补网络非局部性损失的特性,提出一种多尺度特征的混合神经网络模型,通过获取图像不同层级特征,将获取的形状、颜色与纹理等浅层特征作为先验知识与高层级语义信息进行特征融合,研究了一种快速有效的识别方法以实现对不同产地山楂的有效鉴别;此外,本文提出一种新的局部空间注意力机制,通过形成通道注意力模块联合空间注意力模块的新结构,实现对图像细粒度特征的聚焦与学习.实验结果表明,本文所提出的方法有最高的鉴别准确率为89.306%,优于其他基线模型.实践证明,本文的研究提高中药材鉴别的科技水平,拓宽传统中医药的研究思路.

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

基于神经网络优化模型的中药复方安慰剂配色模拟研究

目的构建粒子群反向传播(Particle swarm optimization-back propagation,PSO-BP)神经网络对中药复方颗粒剂安慰剂制备着色剂的用量进行预测,为中药复方颗粒剂安慰剂颜色的模拟提供一种新思路。方法运用BP神经网络建立样品颜色参数L、a^(*)、b^(*)与色素质量分数的模型,利用粒子群算法的全局搜索能力优化BP神经网络权重和偏置,防止模型出现局部最小值,再采用线性降低权系数法和引入变异算子提高粒子群算法的全局寻优能力;以颜色综合评价指标(ΔE)为客观评价标准,验证试验结果。结果训练结果表明,改进的PSO-BP神经网络拟合精度最高达到98.31%;预测结果表明,改进的PSO-BP神经网络的预测误差最小,平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均色差(ΔE)分别为0.4115、2.1646、2.56;制备3种颗粒的验证样品进行验证,验证样品与模型药物的ΔE分别为1.73、2.63、4.11,肉眼直观评价其中两组与模型药物色差较小。结论基于改进粒子群优化算法的BP神经网络可模拟中药复方颗粒剂安慰剂制备着色剂用量预测,可作为安慰剂配色研究的推荐优化模型。