基于GRU-BP算法的高精度动态物流称重系统

针对动态物流秤测量精度对载重、采样频率、带速较为敏感的问题,提出了一种高精度动态物流称重系统。首先,采用三因素五水平正交试验法,结合皮尔逊相关性检验原则,使用低通巴特沃斯与卡尔曼滤波器对传感器压力信号进行了滤波降噪处理,并将加速度信号作为模型输入信号,进行了特征补偿;然后,基于深度学习算法,提出了一种改进的门控循环单元模型,在该模型采样区间内将压力与振动改写为时序化信号,并将其共同输入门控循环单元(GRU)模型;最后,对GRU模型进行了改进,对其结构输出了层堆叠误差反向传播神经网络(BP),有效加强了模型的非线性映射能力。研究结果表明:在各类传动速度及测试货物下,该模型的最大测量误差相对于同类型深度学习模型长短期记忆(LSTM)神经网络、循环神经网络(RNN)时序模型及传统数值平均模型的误差,依次降低了16.14%、27.14%、76%,可用于各类称重系统。

基于BP神经网络的耗占比预测研究

目的运用反向传播(Backward Propagation,BP)神经网络建立合适的耗占比预测模型,帮助医院管理部门评估各科室耗材使用是否合理。方法选取安徽医科大学第一附属医院2021年1月至2023年5月的运营数据构建数据集,通过训练集训练网络模型,通过验证集及测试集评价模型性能。结果建立BP神经网络模型并对耗占比进行预测,模型在验证集上的解释方差为0.998604,平均绝对误差为0.006219;在测试集上评价指标略有下降,解释方差为0.962396,平均绝对误差为0.027858,各评价指标仍优于其他模型。结论基于BP神经网络的耗占比预测模型可实现科室、总收入、药占比、出入院人次等指标的非线性关系描述,可对耗占比进行准确预测,为医院对各科室耗材的考核评估提供了量化的数据支撑。

基于BSO-BP的船舶油耗预测模型

为解决基于传统反向传播(back propagation,BP)神经网络的船舶油耗预测模型易陷入极小值和误差较大的问题,提出一种利用头脑风暴优化(brain storm optimization,BSO)算法优化BP神经网络的船舶油耗预测模型(简称BSO-BP模型)。以“维多利亚凯娅”号内河游船为研究对象,将BSO-BP模型的预测结果与采用传统BP神经网络以及模拟退火(simulated annealing,SA)算法、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法优化的BP神经网络的船舶油耗预测模型的预测结果进行对比分析。结果表明:与传统BP神经网络模型的预测结果相比,BSO-BP模型预测结果的可决系数R^(2)提高了0.003 9,均方误差、均方根误差、平均相对误差、平均绝对误差分别降低了0.034 4、0.154 1、0.010 2、0.017 8,说明在船舶油耗预测中BSO算法对BP神经网络的预测精度有显著的提升作用;BSO-BP模型预测结果的各项评价指标在所对比的5种模型中均表现最好,说明与SA算法、GA和PSO算法相比,BSO算法对BP神经网络的提升效果更好。

基于BP神经网络的上海生鲜农产品物流需求预测

针对传统的生鲜农产品物流非线性需求预测模型收敛速度慢、精度低等问题,构建由改进粒子群(improved particle swarm optimization,IPSO)算法优化反向传播(back propagation,BP)神经网络的预测模型。引入对立学习机制、自适应惯性权重、非对称学习因子提升粒子群(particle swarm optimization,PSO)算法的初始解质量,平衡算法的局部开发和全局搜索能力;利用IPSO算法优化BP神经网络的权值和阈值,解决BP神经网络收敛速度慢、容易陷入局部最优等问题。通过上海生鲜农产品物流需求预测实例对模型的有效性进行验证,结果显示:IPSO-BP神经网络模型在预测精度及收敛速度上均明显优于传统PSO-BP神经网络和BP神经网络模型。

基于BP神经网络的谐波减速器柔轮疲劳寿命预测研究

柔轮是谐波减速器的易损零件,在波发生器的高转速带动下转动,其疲劳寿命一直是备受关注的研究重点。以某型号杯型谐波减速器柔轮为研究对象,建立有限元仿真模型,得到柔轮最大应力与筒长、筒体壁厚和不同过渡圆角半径等参数之间的关系。根据柔轮S-N曲线,计算得到柔轮疲劳寿命,利用反向传播(Back Propagation,BP)神经网络实现了柔轮疲劳寿命的预测。

一种LM-BP加速搜索的周跳探测与修复方法

针对传统三频周跳探测与修复方法中的不敏感、漏检以及效率较低等问题,提出一种基于莱文伯格-马夸特(LM)-反向传播(BP)神经网络加速搜索法的伪距相位组合与电离层残差组合联合周跳探测与修复方法:利用2个伪距相位组合以减少不敏感周跳数量,利用1个电离层残差组合以提高小周跳探测敏感度;在构成3个线性无关的组合观测值后,使用LM-BP加速搜索算法进行周跳探测与修复。实验结果表明,相对常规的伪距相位组合与电离层残差组合联合方法,该方法能够提高周跳探测与修复性能,可探测小至1个的周跳,探测与修复整体时效有较大提升。

基于煤岩煤质多元指标的BP神经网络焦油产率预测方法研究

【目的】焦油产率是煤低温干馏利用最重要的煤质参数,决定着富油煤的清洁利用方向。但由于多方面的原因,在煤炭地质勘查阶段对煤焦油产率的测试数据十分有限,极大地制约了富油煤的精细评价和高效利用。【方法】为了提高富油煤精细评价的科学性和准确性,以陕北侏罗纪煤田以往测试1073组煤岩煤质数据为基础,并筛选出显微组分、工业分析、元素分析、灰成分分析等20项煤岩煤质参数齐全的141组数据,利用BP神经网络算法分别建立了20项煤岩煤质指标的焦油产率预测模型和以4项工业分析为基础的焦油产率预测模型,并对预测模型的准确性和合理性进行分析评价。【结果和结论】结果表明:以20项煤岩煤质指标为特征建立的预测模型最终训练均方误差为0.30,测试集数据预测结果平均绝对误差为0.65;以4项工业分析指标为特征建立的预测模型最终训练均方误差为1.07,测试集数据预测结果平均绝对误差为1.35;扩展集数据在两个模型中预测结果平均绝对误差分别为0.84和1.34,显示出20项煤岩煤质指标比4项工业分析煤质指标建立的预测模型具有更高的拟合优度和泛化性能。利用SHAP算法进一步对预测模型中20项煤岩煤质指标的重要性进行量化分析,显示出镜质组、氢元素、三氧化二铁、水分、挥发分、碳元素、壳质组、氧元素含量是焦油产率的正向影响因素,三氧化二铝、惰质组、固定碳、灰分、二氧化硅含量是焦油产率的负向影响因素,模型中煤岩煤质与焦油产率之间的内在联系很好地契合了地质上对焦油产率影响因素的基本认识,该焦油产率预测模型可以很好地应用于陕北侏罗纪煤田的焦油产率预测,为陕北地区富油煤的清洁高效利用提供支撑。

基于MFO-BP算法的移动机器人定位研究

针对移动机器人定位问题,以自主搭建的复合式机器人为基础,提出一种基于飞蛾火焰优化-反向传播(MFO-BP)算法的移动机器人定位预测方法。将移动机器人视为一个“黑箱”,不单独考虑系统和非系统误差的影响,输入理论坐标值,输出预测坐标值。试验结果表明,MFO-BP算法预测模型能有效进行移动机器人定位预测,并且精度远高于传统反向传播(BP)神经网络预测模型。为了验证模型结构对预测结果的影响,将MFO-BP算法预测模型分为单隐含层和双隐含层这两种。试验结果显示,MFO-BP算法双隐含层与单隐含层相比,前者平均绝对误差更小、误差波动范围也更小、预测误差趋势更平稳。MFO-BP算法双隐含层预测效果更优,可以应用于复合式机器人末端定位。

基于智能优化算法及其优化BP神经网络的室内定位

为研究智能优化算法在室内到达时间差(time difference of arrival,TDOA)定位方面的应用效果。首先,分别使用白鲨优化算法(white shark optimizer,WSO)、变色龙优化算法(chameleon swarm algorithm,CSA)、蛇优化算法(snake optimizer,SO)、鲸鱼优化算法(whale optimization algorithm,WOA)、灰狼优化算法(grey wolf optimizer,GWO)、麻雀优化算法(sparrow search algorithm,SSA)这6种智能优化算法进行室内的二维TDOA定位,对比分析上述算法在室内定位领域的表现,并和传统的Taylor算法的定位误差进行对比;接下来,使用SOA算法对BP神经网络进行优化,使用优化后的SOA-BP进行定位,与基础的BP神经网络的定位误差进行对比。结果表明:所使用的6种智能优化算法在室内定位领域有着不错的表现,各智能优化算法的效果相似,平均定位误差为0.44 m,相较于传统的Taylor算法提升约9.2%;SOA-BP的定位误差相较于基础的BP神经网络降低超过30%。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

基于GA-BP网络的数控机床动态误差预测研究

动态误差是高速高精度数控机床的重要误差源,针对实际加工过程中动态误差对工件精度影响较大的问题,提出了一种基于遗传算法优化的反向传播(GA-BP)神经网络以预测动态误差。首先,为了提高神经网络对动态误差的预测精度,从线性特征与非线性特征两方面对动态误差影响因素进行了深入分析,确定了神经网络输入输出参数;然后,采用了遗传算法对BP神经网络进行了优化,建立了动态误差模型,获得了最优网络学习参数,从而实现了对动态跟随误差的精准预测;之后,采用三次样条插值的方法对理想轨迹与实际轨迹之间的轮廓误差进行了计算,有效提高了轮廓误差估算精度;最后,采用了五轴数控机床进行了实验,对模型的有效性进行了验证。研究结果表明:所建神经网络模型可以精准预测机床反向越冲特性对轮廓误差的影响,各轴的动态误差预测精度为±3μm,复杂轨迹轮廓误差预测精度为±1.5μm。实验结果验证了所建模型的可靠性,为后续机床动态误差建模与控制研究提供了一定的参考价值。

改进PSO-BP算法的短期电力负荷预测方法

针对电力负荷的周期性、随机波动性等复杂特点易造成预测精度低等问题,提出一种基于相似日分析、混沌映射优化粒子群算法(particle swarm optimization,PSO)和BP神经网络相结合的短期电力负荷预测方法。采用乘积法量化气象因素与时间因素间的综合相似度,选出综合相似度高的若干历史日作为相似日集;采用相似日集与非相似日集分别训练PSO-BP模型,相似日集的平均绝对百分比误差(mean absolute percentage error,MAPE)降低3.9%;利用Sine映射对PSO中粒子的速度和位置进行优化,增强PSO算法的全局搜索能力和寻优精度,采用2个集合分别训练SPSO-BP模型,相似日集的MAPE降低19.4%。结果表明,基于相似日分析和SPSO-BP模型的短期电力负荷预测方法可有效提高电力负荷的预测精度。

基于GA-BP神经网络的船舶空冷器状态预测

当前船舶空冷器的工作状态主要依靠空冷器冷却后的增压空气温度T_(A2)判断,通常按设定阈值触发报警,存在预警差和精度低等问题。对此,提出一种基于GA-BP(Genetic Algorithm-Back Propagation)神经网络的T_(A2)预测方法。利用BP神经网络构建空冷器状态预测模型,通过对比运行过程中T_(A2)实测值与预测值的偏差,及时发现空冷器的异常状态;引入GA解决BP神经网络存在的收敛速度慢和易于陷入局部最优解等问题。为验证基于GA-BP神经网络的预测方法的有效性,选取多组空冷器清洗前后的状态数据进行训练和验证,结果表明该方法能有效识别空冷器的异常状态。

基于Rayleigh-BP模型的压电驱动系统迟滞建模与前馈控制

针对可调谐半导体激光器压电驱动系统的迟滞非线性,提出了一种基于Rayleigh-BP模型的建模及控制方法。利用空间扩展法建立了Rayleigh-BP率相关迟滞模型,该模型实现了对压电驱动系统的率相关迟滞非线性的精准预测;利用逆向算法求解了Rayleigh模型的逆模型,并将该模型与BP神经网络结合,设计了前馈控制器对系统进行补偿;对前馈控制方法进行了仿真与实验验证。结果表明,建立的Rayleigh-BP模型具有较高的精度,在10 Hz时均方根误差仅为0.0469μm。前馈控制方法可以明显提高系统输出的线性度,在40 Hz时仿真结果均方根误差为0.0274μm,线性相关系数R 2为0.99992;在30 Hz时实验结果均方根误差为0.0506μm,线性相关系数R 2达到了0.99955,极大降低了迟滞现象。

基于PSO-BP神经网络的Savonius型叶轮阵列消波性能优化

为了提高Savonius型(S型)叶轮的消波性能,提出一种S型叶轮阵列装置。通过试验记录不同的叶轮间距和叶轮相对入水深度等5个参数下波浪经过叶轮阵列后的透射系数K_(t),建立基于粒子群优化(PSO)算法和反向传播(BP)神经网络的S型叶轮阵列消波性能预测模型。将采用该模型与采用BP网络模型和GA-BP网络模型得到的平均绝对误差、均方根误差和决定系数R^(2)指标进行对比,结果表明,采用PSO-BP神经网络模型优化能得到误差更小、更精准的预测结果。当相邻叶轮间距分别为0.62 m和0.41 m、各叶轮入水深度分别为0.15 m、0.18 m和0.19 m时,S型叶轮阵列具有相对最佳的消波性能。

基于WPSO-BP和L-MBWO的多翼离心风机优化研究

针对多翼离心风机气动性能、噪声情况难以同时改进的问题,提出了一种基于变权重粒子群优化算法的反向传播神经网络风机性能预测模型(WPSO-BP),以及一种基于逻辑混沌初始化的多目标白鲸优化算法(L-MBWO),并将二者应用于多翼离心风机的优化设计中。首先,选取了叶片进出口角、倾斜蜗舌的最大蜗舌半径、叶片切除角度作为设计变量,把风机的全压、效率、声压级作为优化目标;然后,构建了WPSO-BP预测模型,以反映设计变量与优化目标之间的关系,定量分析对比了该模型与BP神经网络预测模型,预测值用于风机的性能优化;接着,将逻辑混沌初始化引入到白鲸优化算法(BWO),基于第三代非支配排序遗传算法(NSGA-Ⅲ)构建了L-MBWO优化算法;最后,在实验验证仿真可靠的前提下,将提出的预测模型和优化算法应用于风机优化,并对优化效果进行了综合分析。研究结果表明:优化后的风机全压增加了34.79 Pa,效率提高了0.67%,噪声降低了1.73 dB,实现了多个优化目标之间的平衡,有效改善了风机的综合性能,为多翼离心风机的优化设计提供了一种新思路。

基于BP神经网络的转辙机故障检测方法

为提高城市轨道交通中ZDJ9型转辙机故障维修效率,提出基于反向传播(BP,Back Propagation)神经网络的转辙机故障检测方法。文章深入分析转辙机动作电流采集原理及现场转辙机转换过程中不同阶段电流曲线特征,确定故障电流曲线种类;对转辙机转换过程中动作电流曲线进行小波分解与重构,对重构后的曲线进行关键特征值提取,将其作为基于BP神经网络的故障检测模型训练数据,最终经过8 000次迭代训练后,故障检测模型的故障检测准确率达到96%,表明该方法能够有效检测转辙机故障及其故障类型。

基于BP神经网络和模糊隶属度的PM_(2.5)浓度校准

基于大量数据,采用Pearson相关系数与模糊隶属度分析自建点与国控点的细颗粒物(PM_(2.5))浓度数据相关性。其间通过建立反向传播(Back Propagation,BP)神经网络模型进行训练,并采用遍历试错法确定神经网络的最优算法与相关参数。经反复调试,校准结果相对于国控点数据的均方误差下降到0.005,均等系数为0.95,系统显示出优异的校准性能。研究结果表明,结合模糊隶属度预处理原始数据后,训练算法选用适宜、结构设定合理的BP神经网络能很好地校准自建点PM_(2.5)浓度数据,提高自建点数据精度。

基于GABP-DEMATEL的自贸区港口产业生态圈关键因素识别

为识别与区分自贸区港口产业生态圈影响因素之间的关系,利用遗传算法(genetic algorithm,GA)对基于反向传播(back propagation,BP)神经网络的决策试验和评价实验室(decision-making trial and evaluation laboratory,DEMATEL)模型(记为BP-DEMATEL模型)进行优化。将GA输出的初始权重和阈值输入BP神经网络计算得出影响因素的权值,再求出直接影响矩阵。结合自贸区港口的实证数据,将GA优化的BP-DEMATEL模型与传统DEMATEL和BP-DEMATEL模型进行对比。结果表明:在自贸区港口产业生态圈关键影响因素识别的精度、运行时间等方面,GA优化的BP-DEMATEL模型优于BP-DEMATEL模型,可拓展DEMATEL的使用范围。该模型可确定对自贸区港口产业生态圈影响较大的因素,为相关决策提供参考。

基于GA-BP神经网络的风电功率预测方法研究

为了解决风电功率预测易受各种因素影响产生异常数据导致预测准确度不高的问题,提出了一种基于遗传算法-反向传播(GA-BP)神经网络的风电功率预测方法。首先,通过数学模型中的四分位算法对异常数据进行识别,并通过加入带通滤波器剔除异常数据。然后,在风电功率预测的方法上设计新型GA-BP神经网络算法,通过自检验及循环检测的方式获得准确的风电功率预测结果。试验结果表明,该方法不仅有很强的异常数据识别能力,而且在进行风电功率预测时可以保持90%以上的准确率,具有良好的数据处理稳定性。该研究大幅提升了风电功率预测的工作效率,为风电功率预测技术的进一步发展提供了技术参考。