基于改进实数编码遗传算法的神经网络超参数优化

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。

基于改进松鼠搜索算法优化神经网络的数控机床进给系统热误差预测

为探究数控机床进给系统中各因素对热误差的影响规律,建立精准的热误差预测模型。在进给速度为10 m/min、环境温度20℃的条件下进行进给系统热误差测量实验,获得进给系统关键点的温升及热误差。为提高预测精度,采用Tent混沌改进松鼠搜索算法,并利用改进的算法对神经网络进行优化,建立热误差预测模型。利用热误差测量实验获得的数据进行验证,结果表明改进前的神经网络预测误差为12.23%,改进后的模型预测误差为8.92%,精度有较大提升。利用预测模型针对不同进给速度下相同位置处热误差进行分析,结果表明,进给系统中关键测温点的温度和丝杠各点的热误差随着进给速度的增加而增加。因此提出的预测模型可实现进给系统热误差的准确预测,为误差补偿提供理论依据。

小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别

井架钢结构损伤影响其承载安全性,为快速、准确对损伤位置进行识别,提出小波包与遗传算法优化BP神经网络相结合的井架钢结构损伤识别方法。首先利用小波包处理非平稳振动信号的优良性能对原始振动信号进行特征提取,获得表征井架钢结构损伤的信息;再通过特征参数建立数据集训练并测试井架钢结构损伤识别模型,该模型结合遗传算法自身特点改善了传统BP神经网络的不足。本文识别方法不需要损伤前的数据特征进行对比,便可对损伤位置进行确定。经过对石油井架钢结构模型实验验证:该方法对井架钢结构损伤识别准确率超过90%,相对于BP网络识别准确率以及识别速度均有所提高。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

BP神经网络算法在求解数学建模最优化问题中的应用

为了解决目标函数较为复杂、无法用初等函数表示的最优化问题,文章采用了结合BP神经网络与遗传算法的方法进行求解。求解过程分为两个模块:第一,利用BP神经网络算法确定目标函数的解析式;第二,利用遗传算法寻找目标函数的最优解。为验证该方法的可行性,文章对单变量和多变量两种情况进行了验证。

基于卷积神经网络算法的稀土酸度自动滴定技术研究

如今稀土产业发展迅速,市场需求越来越大,应用的范围也越来越广,需建立一个简便易操作且适用于测定各类稀土酸度的方法。目前传统稀土酸度检测方法存在效率低、准确度低、滴定终点差异大等问题,难以满足实时在线检测的需要。本文提出一种基于卷积神经网络算法的稀土酸度在线分析仪,可以助力在线检测的顺利进行。卷积神经网络算法是通过高清工业摄像头记录样品在滴定过程中的溶液颜色的变化,对溶液进行实时图像特征提取和学习,从而有效、准确地实现化学反应过程中溶液颜色的自动识别,配合步进电机和注射泵等部件实现自动滴定过程。图像识别本质上是对图像信息进行特征提取,而卷积神经网络算法有着传统识别方法不具备的优点,比如能够自行训练、识别速度更快、所需特征更少等。本仪器将自动滴定与卷积神经网络相结合,实现了滴定流程的自动化取样和前处理、滴定过程、终点判定等过程的一体化,且仪器能够同时进行五个样品的滴定试验,很大程度上提高了滴定效率和精度。

遗传算法优化BP神经网络在水质评价中的应用

通过对常规BP神经网络和遗传算法深入研究后,提出将二者结合起来,取长补短,并采用黄金分割算法确定神经网络模型隐含层节点数,借助MATLAB软件建立了遗传算法优化后的BP神经网络水质评价模型,解决了初始权值、阈值确定难,易陷入局部极值以及网络收敛慢等问题,同时结合2021年黄河上游部分断面地表水环境质量评价进行了实例仿真实验,验证了该模型的可行性和准确性。遗传算法优化后的BP神经网络不仅能从全局考虑污染因子对评价结果的影响,而且解决了常规BP神经网络易陷入局部极值的问题,提高了网络的识别精度,评价结果更准确,更符合实际水体情况,在一定程度上改善了传统评价方法的片面性和主观性,对现有的水环境质量评价方法的改进起到了积极作用。

基于递归神经网络算法的电子物流配送系统配送路径优化

传统电子物流配送系统无法有效优化配送路径,需要花费大量的时间进行路径搜索,从而导致分配成本的增加和效率的降低。因此,提出了递归神经网络算法(RNNs)的物流分布路径优化模型,并将递归模糊神经网络算、与布谷鸟搜索算法(CSA)与群体智能算法(ACO)进行电子商务物流分布路径比较。实验结果表明,递归模糊神经网络算法可以实现电子商务物流分布路径的优化,与群体智能算法和布谷鸟搜索算法相比,递归神经网络算法的最优路径长度分别减少3.7 km和3.5 km,并且在迭代200次数的条件下,递归神经网络算法可以获得最短配送路径。

基于反向传播神经网络和遗传算法的新鲜Halloumi奶酪生产工艺优化

为提升Halloumi奶酪品质,采用反向传播神经网络和遗传算法优化Halloumi奶酪生产过程的多工艺参数。选取CaCl_(2)添加量、热烫温度和压榨压强为优化变量,以成品奶酪得率和感官评分为优化目标,分别建立了2个神经网络模型,模型精度分别达到了98.936%和98.255%。之后,通过遗传算法进行寻优,结果表明,在得率≥10%以及感官评分≥85的前提下,以奶酪得率为目标的最优生产工艺条件:CaCl_(2)添加量0.0144%、热烫温度83.5℃、压榨压强5.12 kPa,该条件下最高得率为12.01%。以感官品质为目标的最优生产工艺条件:CaCl_(2)添加量0.0171%、热烫温度83.7℃、压榨压强10.38 kPa,该条件下最高感官评分为94.5。该方法能够有效实现Halloumi奶酪生产工艺的快速优化,为促进Halloumi奶酪工业化提供理论基础。

蜣螂算法优化概率神经网络的变压器故障诊断

针对仅靠人工经验选取平滑因子的概率神经网络(PNN)变压器故障诊断模型存在诊断正确率偏低的问题,提出1种采用蜣螂算法(DBO)优化PNN平滑因子的变压器故障诊断模型。选取测试函数对DBO算法进行寻优测试,并与粒子群算法(PSO)、人工蜂群算法(ABC)、灰狼优化算法(GWO)对比,DBO在寻优精度、收敛速度和避免局部最优方面更具优势;采用DBO对PNN平滑因子寻优以建立DBO-PNN诊断模型,并与PSO-PNN、ABC-PNN和GWO-PNN模型进行诊断对比,结果表明DBO-PNN模型的诊断效果更好,正确率达96%。

基于BP人工神经网络与遗传算法的航速优化

为了进一步提高船舶能耗效率,本文提出一种基于BP人工神经网络与遗传算法的航速优化技术路线。首先,介绍常见油耗模型的构建方法;其次,利用BP人工神经网络建立目标船舶的油耗模型。模型预测的平均绝对误差为2.3%,准确度和泛化能力基本满足工程应用要求。最后,利用遗传算法,并基于历史气象数据对目标船舶的航线做分段航速优化。计算结果表明,航速优化后目标船舶的航行时长不仅能减少1.35天,燃油损耗还可节省10.1%,由此说明对航行船舶做分段航速优化是一种可行方案。

融合图神经网络与长短期偏好的序列推荐算法

针对序列推荐在捕获用户动态偏好方面存在明显不足,而且难以捕获用户复杂的长期依赖关系等问题。提出了一种融合图神经网络与长短期偏好的序列推荐算法。算法主要包含短期偏好学习和长期偏好学习。首先基于图神经网络进行短期偏好学习,图神经网络具有强大的图数据拟合能力,用图神经网络捕获用户兴趣点的联系并准确生成短期偏好表示。历史长期偏好具有全局性,波动较小,利用双向LSTM进行长期偏好兴趣学习,获得用户长期偏好表示。实验结果表明,融合图神经网络与长短期偏好的序列推荐算法显著优于其他先进的序列推荐方法。

基于GA-BP神经网络和改进粒子群算法的碰撞射流和冷却顶板复合空调系统优化

对碰撞射流和辐射顶板(IJV/RC)复合空调在不同室内负荷条件下运行时的室内热环境进行数值模拟,基于遗传算法-反馈(GA-BP)神经网络建立运行性能(吹风感R_(PD),头足温差Δt,空气交换效率e ACE,工作区平均温度t_(a))与设计变量(送风温度t_(s)、送风速度v_(s)、冷却顶板内表面温度t_(c)、房间负荷Q_(c))之间的预测模型,通过相关性分析确定设计变量对运行性能影响的显著性并排序。结果表明,增大v_(s)可使Δt降低,但R_(PD)增大;增大t_(c)有助于降低Δt和R_(PD),但t_(a)升高;为使t_(a)下降,可通过降低t_(s)来实现,但室内空气质量变差。为确保IJV/RC复合空调能在保证室内热舒适的同时提供良好室内空气品质,利用改进粒子群算法对复合空调的运行性能进行多目标同时优化,建立不同房间负荷条件下的设计参量最优匹配关系。研究结果可为IJV/RC复合空调的优化设计和运行控制提供理论指导。

基于非洲秃鹫算法优化卷积神经网络的重叠峰解析方法

利用光谱仪器检测土壤中重金属时,由于仪器分辨率较低,峰位相近元素的特征峰会产生重叠。光谱重叠峰严重影响定量分析结果的准确性,为了得到准确的重金属含量需要进行光谱重叠峰分解。提出利用非洲秃鹫算法优化卷积神经网络(AVOA-CNN)的重叠峰解析方法。首先,利用高斯函数模型模拟出150个双高斯含噪光谱重叠峰和43个三高斯含噪光谱重叠峰,选择不同小波基函数进行光谱数据去噪,以信噪比和均方根误差(root mean square error, RMSE)为评价指标,最终确定coif 3小波基函数,使用导数法进行光谱重叠峰预处理。然后,使用AVOA-CNN获得卷积神经网络(convolutional neural network, CNN)预测结果,解析结果表明:AVOA-CNN成功分解重叠峰且准确率高,双高斯光谱重叠峰和三高斯光谱重叠峰参数(峰强度,峰位,峰宽)的最大相对误差平均值分别为3.15%和5.90%。最后对比麻雀搜索算法优化CNN、CNN与AVOA-CNN,结果显示AVOA-CNN模型预测准确率最高。

基于神经网络与遗传算法的离心泵汽蚀性能优化设计

为了研究离心泵发生汽蚀过程时其内部流动规律和对其汽蚀性能的优化设计,在结合传统优化方法的基础上,提出神经网络与遗传算法结合的智能优化方法。通过Plackett-Burman试验设计从离心泵的叶轮进出口直径、进出口安放角、叶片数、叶片包角等7个设计参数中筛选出显著影响的3个优化设计变量。叶片出口宽度、叶片包角和叶轮出口直径3个优化设计变量,其影响汽蚀性能的显著性由大到小。运用拉丁超立方抽样方法抽取30组设计方案,分别进行数值模拟计算,得出相应的汽蚀余量值。建立神经网络模型,结合遗传算法在规定范围内进行寻优,得到最优设计变量组合及最优汽蚀余量值。取优化后的参数进行数值模拟计算,优化后的离心泵在相同工况下汽蚀余量降低了43.1%,说明优化后的离心泵抗汽蚀性能显著提高。

基于神经网络模型及遗传算法的贝莱斯芽孢杆菌发酵沙丁鱼下脚料抗氧化活性的条件优化

微生物发酵技术是提升海洋鱼产品加工副产物价值的一种重要而有效的途径,而作为沙丁鱼加工副产物的鱼头是一种优质蛋白质和生物活性物质的绝佳来源.本文拟利用从传统鱼露中分离筛选的具有多种蛋白酶活性的贝莱斯芽孢杆菌SW5发酵沙丁鱼下脚料鱼头制备抗氧化活性物质,采用人工神经网络与遗传算法(ANN-GA)相结合方法,以DPPH自由基清除率和蛋白水解度(DH)为考察指标,确定最佳发酵条件.结果表明,沙丁鱼下脚料抗氧化物质最佳发酵条件为发酵时间42 h,发酵温度37℃,接种量3%,并在此条件下通过实验验证DPPH自由基清除率为91.26%.研究结果可为SW5菌株在海洋蛋白质资源的有效利用及功能性海洋食品生产应用上提供数据参考.

基于麻雀搜索算法优化BP人工神经网络的短期湍流预报模型研究

提出了一种基于麻雀搜索算法优化BP人工神经网络(SSA-BP)的湍流预报模式。首先,采用BP人工神经网络作为湍流预报模型的基础框架。通过对温度、湿度、风速等气象因素的采集和处理,将其作为输入层的特征。然后,利用麻雀搜索算法对BP人工神经网络的权重和偏置进行优化。为了验证该方法的有效性,采用了来自地面气象站的大气湍流数据及气象数据进行实验。实验结果表明,SSA-BP人工神经网络能够成功预测大气湍流的发展趋势,并具有较高的预测精度和稳定性,能够充分利用大气湍流数据中的非线性特征,为湍流预测研究和实际应用提供了有力支持。

基于神经网络和粒子群算法的硅钢工艺参数优化

结合BP神经网络与粒子群算法,提出了一种降低硅钢铁损的工艺参数优化策略。首先,采用BP神经网络建立了对硅钢铁损的预测模型,模型具有很高的拟合精度和预测精度。然后在工艺参数的优化方面,以BP神经网络预测模型作为适应度函数,选取连续退火RTF炉段的各段炉温作为优化变量,采用粒子群算法优化这些工艺参数。结果显示,基于BP神经网络,采用粒子群算法对部分工艺参数进行优化后,硅钢铁损明显降低,具有一定的指导意义。

基于神经网络的HEVC帧内预测组合快速算法

为了提升高效视频编码(High Efficiency Video Coding,HEVC)帧内编码的实时性能,本文提出的方法利用了引入偶数边长与步长的卷积核以及自注意力机制的轻量级卷积网络来预测编码树单元(Coding Tree Unit,CTU)的帧内划分结构,从而减少了编码器对CTU进行四叉树递归遍历划分的编码时间。原始编码策略中粗模式决策通过基于残差经哈德曼变换的预测残差绝对值总和(Sum of Absolute Transformed Difference,SATD)的损失值来估计率失真优化过程中的率失真损失值来进行加速,但仍会耗费一定的编码时间。提出一种方法通过采样搜索的方式减少粗模式决策过程中计算的模式数,从35种模式降低到了18种模式,降低了粗模式决策过程中计算估计损失值的时间。由粗模式决策过程得到的较优的多个候选帧内模式来进行率失真优化,为了缩减粗模式决策需要计算的候选模式数,在候选模式列表中根据前后帧内预测角度模式的估计损失值的差距来筛选掉部分可能性较低的候选模式实现早停止决策,从而减少需要进行率失真优化的候选模式数量,进而减少率失真优化过程的计算时间。本文提出的算法在测试序列上平均实现78.15%的编码时间缩减,BD-PSNR为-0.168 d B,BD-RATE为3.49%。