采用MEA-AdaBoost-BP模型的工程结构可靠性分析方法

针对工程结构可靠性设计中算法和计算存在的问题,提出基于MEA-AdaBoost-BP神经网络算法模型的可靠性求解方法.运用思维进化算法(MEA)求解训练集权值和阈值优化的BP神经网络,并构造为弱预测器函数.然后,运用AdaBoost算法将多个优化后的BP神经网络弱预测器函数迭代训练,形成MEA-AdaBoost-BP神经网络算法模型强预测器函数.最后,利用逼近隐性功能函数求解可靠性指标,并将其与AdaBoost-BP算法和Monte-Carlo算法进行比较.研究结果表明:所提算法在计算中与Monte-Carlo算法相比,其迭代次数分别仅为16次和46次,效率高,计算精度与Monte-Carlo法接近;而和AdaBoost-BP法相比,其可靠性指标误差分别仅为1.59%和1.88%,计算结果更精确.

并行Adaboost-BP算法及其在海量图像分类中的应用

为解决基于单节点架构的传统分类算法存在的时间效率差、分类准确率低等问题,提出了一种基于并行Adaboost-BP神经网络的海量图像分类方法.将BP神经网络作为弱分类器,由Adaboost算法组合15个BP神经网络的输出,构建了强分类器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了海量图像的自动分类模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务.多组实验表明,相对于传统的AdaboostBP神经网络算法,提出的算法在Pascal VOC2007数据集和Caltech256数据集上的平均分类准确率分别提高了14.5%和26.0%,而且算法运行耗时少,系统加速比随集群节点个数增加而增加,在图像规模增加到20 000时,加速比几乎呈线性增长趋势.实验结果充分证明,提出的方法适合海量图像的自动分类和预测.

基于并行Adaboost-BP网络的大规模在线学习行为评价

针对传统的在线学习行为评价方法在处理大规模数据集时面临的问题,提出一种基于并行AdaboostBP神经网络的在线学习行为评价方法。将BP神经网络作为弱预测器,由Adaboost算法组合15个BP神经网络的输出,构建了强预测器;充分利用了Hadoop平台下Map Reduce并行编程模型,提出了大规模在线学习行为的自动评价模型,设计了并行Adaboost-BP神经网络算法的Map和Reduce任务。多组实验表明,提出的算法准确率高、运行耗时少,取得了良好的加速比,效率大于0.5,适合大规模在线学习行为的自动评价。

一种改进的Adaboost-BP算法在手写数字识别中的研究

为了提高神经网络对手写数字的识别率,基于Adaboost思想改进Adaboost-BP二分类算法,实现用于多分类的Adaboost-BP算法,提高了神经网络对手写数字的识别率。改进了“弱”分类器权重值的计算公式,将权重值归一化处理的步骤放到“弱”分类器迭代训练完成之后,“强”分类器的构成不使用符号函数而是直接计算分类结果。实验数据采用MNIST手写数据库,实验结果显示改进的Adaboost-BP算法构造出的“强”分类器分类结果正确率明显高于“弱”分类器。改进的Adaboost-BP算法可明显提高手写数字识别正确率。

Adaboost-BP在MBR膜污染中的应用研究

研究MBR膜通量进行膜污染预测是当今污水处理研究领域的重要课题之一,膜污染直接导致的结果是膜通量的下降。由于传统BP神经网络预测MBR膜通量存在局部极小值及模型的泛化能力较差的缺点,本文利用AdaBoost算法优化传统的BP神经网络,建立了AdaBoost-BP预测模型,并将该模型运用到MBR膜通量的预测中。通过预测数据和实验数据的对比,得出该模型的可行性,同时将其对比传统的BP神经网络模型,说明AdaBoost-BP预测模型具有更高的预测精度。

基于改进的Adaboost-BP模型在降水中的预测

针对目前分类算法对降水预测过程存在着泛化能力低、精度不足的问题,提出改进Adaboost算法集成反向传播(BP)神经网络组合分类模型。该模型通过构造多个神经网络弱分类器,赋予弱分类器权值,将其线性组合为强分类器。改进后的Adaboost算法以最优化归一化因子为目标,在提升过程中调整样本权值更新策略,以此达到最小化归一化因子的目的,从而确保增加弱分类器个数的同时降低误差上界估计,通过最终集成的强分类器来提高模型的泛化能力和分类精度。选取江苏境内6个站点的逐日气象资料作为实验数据,建立7个降水等级的预报模型,从对降雨量有影响的众多因素中,选取12个与降水相关性较大的属性作为预报因子。通过多次实验统计,结果表明基于改进的Adaboost-BP组合模型具有较好的性能,尤其对58259站点的适应性较好,总体分类精度达到81%,在7个等级中,对0级降雨的预测精度最好,对其他等级的降雨预测有不同程度的精度提升,理论推导及实验结果证明该种改进可以提高预测精度。

AdaBoost-BP模型在大坝变形预测中的应用

针对传统BP神经网络自身存在局部极小值及模型的泛化能力差时预测精度无法满足实际需求等的不足,本文用AdaBoost算法优化传统的BP神经网络得到AdaBoost-BP预测模型,可以减小局部极小值的影响,增强了模型的泛化能力,提高模型的预测精度.示例证明,AdaBoost-BP预测模型比传统的BP神经网络预测模型拥有更高的预测精度.

基于BP和Adaboost-BP神经网络的羊肉新鲜度高光谱定性分析

【目的】实现对羊肉新鲜度的快速准确鉴别。【方法】研究通过对460~1 000 nm的羊肉高光谱图像纯肌肉部分提取光谱数据,以挥发性盐基氮(TVB-N)值对新鲜度等级进行划分,对预处理后的光谱数据分别采用连续投影算法(SPA)、主成分分析(PCA)两种压缩降维方法和反向传播(BP)神经网络、自适应提升BP(Adaboost-BP)神经网络两种建模方法开展羊肉新鲜度的分类比较。【结果】其中采用SPA、PCA建立的BP模型校正集与预测集准确率均为100%、83.33%,建立的Adaboost-BP模型校正集与预测集准确率均为100%、94.44%,两种压缩降维方法下Adaboost-BP模型效果均优于BP模型。【结论】利用高光谱图像技术结合Adaboost-BP方法对羊肉新鲜度等级进行分类判别是可行的。

基于Adaboost-BP神经网络模型的姿势识别研究

姿势识别是计算机视觉中的重要研究方向。本文基于BP神经网络模型构建姿势识别模型,并采用Adaboost迭代学习对BP神经网络模型的预测效果进行提升。在双手叉腰、单臂张开、跑步与散步等动作的识别上,比CNN卷积模型具有更好的效果,并且比直接采用BP神经网络模型能够更为精确地识别各类姿势。

基于PSO-Adaboost-BP的问题解决能力测评预测

为了更好地预测学生的问题解决能力测评,提高大规模数据运算速度和预测精度,提出了基于Spark平台下用Adaboost优化BP神经网络,使其进行并行化运算,提高大规模数据运算速度;同时也使用粒子群(PSO)算法帮助BP神经网络找到全局优化权值,优化BP神经网络收敛效率,避免其陷入局部极小值.实验结果表明,PSO-Adaboost-BP神经网络的问题解决能力测评预测从速度和精确度都优于其他类型的BP神经网络预测.

基于改进Adaboost-BP算法的用电行为大数据分析

在智能电网的构建中,电网与居民用电信息的交互主要由用户侧安装的智能监测和计量设备提供。智能设备数量随电网建设扩大完善而不断增长,其记录的用电信息将构成规模庞大、结构多元、类型复杂的用户侧电力大数据,挖掘电力大数据背后隐藏的电力信息是智能电网建设的重要内容。非侵入式负荷监测技术相比于传统电力数据分析,一方面保护了用户的用能隐私,另一方面能够完成对负荷更详细的特征辨识。主要通过非侵入式负荷监测技术结合数据挖掘手段研究居民用电大数据,并准确快速地预测负荷类型和分析居民用电行为。首先设计基于滑动窗口电器投切探测算法,之后介绍机器学习领域中的经典算法Adaboost和BP神经网络,设计了用于居民负荷特征识别和分类的Adaboost-BP改进算法并提出相关标准。算例从BLUED数据库中提取居民用电功率和电流序列,通过滑动窗口算法提取功率序列探测电器投切情况,将libSVM算法、BP神经网络和Adaboost-BP改进算法进行负荷分类测试。测试结果验证了改进算法能够有效提升大量数据样本下对负荷的识别精度并正确分类,同时分类速度快,适用于居民用电行为在线分析的场景。

基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于BP-Adaboost算法的输电塔-线结构整体可靠性分析

针对传统结构可靠性分析方法的应用局限性和计算成本较大等不足,引入BP-Adaboost集成学习算法,提出一种准确高效、简单易行的输电塔线结构整体可靠性分析方法。首先,建立输电塔线结构有限元分析模型,分析结构的失效准则并推导相应的极限状态功能函数;然后,将BP-Adaboost集成学习算法与蒙特卡洛模拟方法相结合,建立高精度预测模型来替代分析过程复杂的有限元模型,提出基于BP-Adaboost模型的输电塔线结构整体可靠性分析方法;最后,通过数值算例对所提方法进行应用与验证,证明所提方法具有更高的精度和效率,并进一步将其应用于实际输电塔线结构工程,分析多失效模式下输电塔线结构的整体可靠性。

地表沉陷预测的改进BP神经网络模型

为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。

基于反向传播-自适应提升算法的谐波阻抗估计

目前,关于量化谐波阻抗的研究大多数是基于系统侧谐波阻抗不发生改变而设定,当系统谐波阻抗变动时,如何估计谐波阻抗的研究相对较少。为此,本文提出一种基于系统谐波阻抗变动背景下的系统谐波阻抗估计新方法。首先,加窗处理谐波电压、电流测量数据,使用二元线性回归法估算系统谐波阻抗,并用小波包变换对测量数据进行分段,以找出系统谐波阻抗变动的时间;其次,采用反向传播-自适应提升算法精确量化每个采样数据段的系统谐波阻抗;最后,通过仿真与实例分析验证本文方法相较于其他方法具有更好的鲁棒性和精确性。

结合与集成学习的钻削过程刀具状态实时监测

为了能够有效识别钻削过程中刀具的磨损状态,为工厂实际加工过程提供刀具磨损的及时预警,开发了一种基于LabVIEW的钻削刀具磨损状态监测平台。平台可以实现实时采集振动信号并进行时域、频域和时频域的特征提取和数据保存。通过将遗传优化算法、BP神经网络与集成学习结合,构建了GA-BP-Adaboost模型,借助LabVIEW与MATLAB混合编程实现了模型搭建。最后,经过钻削实验分析实时信号及其多种特征对钻头刀具磨损状态的的表征情况,选择三层小波包分解的1、6、8频带作为模型的输入数据训练模型,经测试,模型的分类精度在90%以上。同时,平台的实时响应时间不超过3 s,可以满足实际加工过程的要求。

基于BP-Adaboost神经网络的非侵入式电机工作状态识别方法

大功率设备碳排放控制是实现“双碳”目标的重要环节,为了监测大功率设备的工作状态,提出一种基于BP-Adaboost神经网络的非侵入式电机工作状态识别方法。通过ATP-EMTP软件搭建电机并网模型,对电机入口端原始信号及电网端加噪信号进行数据采集。为了利用互相关算法从噪声电信号中提取稳定特征量,提出将Pisarenko谐波分解(PHD)算法与互相关算法相结合建立电信号特征提取的优化算法。通过BP-Adaboost强分类器构建电机工作状态的识别模型。应用仿真结果表明,经过PHD算法处理并结合提出的BP-Adaboost识别方法,可有效实现电机起动谐波的检测与电机工作状态的识别,并实测验证了该方法的高精度和可靠性,实验仿真识别率为100%,实验验证识别率为96%。

Adaboost—BP神经网络债券违约风险预警模型在金融基础数据中的应用分析

人民银行在2020年建立了债券业务基础数据统计制度,标志着金融统计信息正向着大数据时代跨步迈进。目前金融统计大数据分析存在的薄弱点主要表现在前沿数据分析技术应用欠缺、数据挖掘力度不够等方面,制约了金融统计分析决策支撑作用的有效发挥,因此引入风险预警模型等数据方法提高风险预判显得尤为必要。本文以Adaboost—BP神经网络债券违约风险预警模型对包商银行债券违约事件开展实证分析,并从完善金融基础数据统计制度的角度提出相关建议。

一种优化的GA-KF与BP-Adaboost地表下沉组合预测模型

为提高矿区GNSS CORS自动化监测系统地表下沉预测精度,提出一种结合小波分析,采用遗传算法优化的卡尔曼滤波模型(GA-KF)与相空间重构的BP神经网络强预测模型(BP-Adaboost)的组合预测方法。利用小波分析获取原始监测数据的趋势项和随机项,并分别通过GA-KF模型和相空间重构BP-Adaboost模型预测趋势项和随机项,两者之和即为最终预测结果。以亳州板集矿监测站数据为例进行预测,结果表明:1)与单一使用GA-KF和相空间重构BP-Adaboost模型预测值对比,该组合模型预测精度更高;2)组合模型受建模序列长度影响较小,平均相对误差在0.003%以内,远小于两种单一模型,具有一定抗干扰性。

基于BP-AdaBoost算法的复杂产品装配制造成熟度等级评估方法

现有复杂产品装配制造成熟度等级评估依赖专家凭经验确定指标权重和指标评分,存在主观性较强、工作量大、耗时长、无法传承评价实例所蕴含的知识等问题。为了提高复杂产品装配制造成熟度等级评估的效率以及客观性,利用成熟度等级评价实例数据,研究基于BP人工神经网络和AdaBoost算法的制造成熟度等级评估方法。构建复杂产品装配制造成熟度评价指标体系,给出基于模糊评价法和隶属函数的评价指标及成熟度等级达成度量化方法,建立基于BP神经网络的复杂产品装配制造成熟度等级评估模型,并使用AdaBoost算法优化成熟度等级评估BP神经网络模型。采用复杂产品分系统装配制造成熟度评价数据集对评估模型进行训练和实验,分析BP-AdaBoost的评估结果,获得最优评价模型。实验结果表明,基于BP-AdaBoost算法的复杂产品装配制造成熟度等级评估方法具有较好的可靠性与准确度。