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神经网络模型的呼出气δ^(13)C、δ^(18)O同位素丰度测量方法研究

碳13(^(13)C)尿素呼气试验在国内外作为检测幽门螺旋杆菌的“金标准”已被广泛采用,精准测量CO_(2)中碳(C)和氧(O)同位素特征对疾病诊断具有重大意义。可调谐半导体激光吸收光谱技术(TDLAS)具有结构简单、响应速度快、灵敏度高等众多优点,在多个领域得到广泛应用,同时完全适用于气体同位素的测量研究。该研究面向人体呼出气体中的CO_(2)气体检测需求,基于直接吸收光谱技术,采用中心波长为4.32μm的量子级联激光器(QCL)结合光程为14 cm/44 mL的小容积气体吸收腔体,完成了同时测量^(16)O^(12)C^(16)O、^(18)O^(12)C^(16)O和^(16)O^(13)C^(16)O的多组分同位素气体浓度的实验系统。基于反向传播(BP)神经网络模型,降低直接吸收光谱系统中光源稳定性和测量样品气体波动带来的噪声干扰。结果表明:基于BP神经网络模型的同位素丰度测量精度与稳定性均优于吸光度峰值比法,^(16)O^(13)C^(16)O与^(18)O^(12)C^(16)O的浓度测量精度分别提高约1.27与1.58倍。Allan方差分析表明,当积分时间为106 s时,采用BP神经网络模型的^(13)C与^(18)O同位素丰度测量精度分别为0.97‰和1.47‰,相比吸光度峰值比法测量精度提高了约2.1倍与1.2倍。充分证明了基于BP神经网络模型的同位素丰度测量方法的可行性,为研制高精度同位素丰度传感器奠定基础。

基于MFO优化BP神经网络构建冷鲜肉品质预测模型

为能准确预测冷鲜肉在贮藏中品质的变化规律及质量安全,本文探究贮藏温度(0、4和25℃)对冷鲜肉菌落总数、TVB-N、pH、水分含量、色度和生物胺含量的影响,确定冷鲜肉的特征品质指标。基于反向传播(Backpropagation,BP)神经网络和飞蛾火焰优化(Moth-Flame Optimization,MFO)BP神经网络,利用特征指标作为训练数据,构建不同贮藏温度下冷鲜肉的品质预测模型,快速准确评价和预测食品的质量安全。结果表明,不同贮藏温度下冷鲜肉的菌落总数、pH、TVB-N、色泽和生物胺含量随着贮藏时间的延长均呈上升趋势(P<0.05),且各指标在不同贮藏温度下的变化规律不一致,温度越高,腐败变质的速度越快。通过相关性分析得出菌落总数和TVB-N为冷鲜肉品质特征指标,以特征指标为训练数据构建BP神经网络和MFO优化BP神经网络模型。结果显示,MFO优化BP神经网络优于单一的BP神经网络模型,指标菌落总数和TVB-N通过BP神经网络模型训练后的R值分别为0.95018、0.94283,通过MFO算法优化训练后的R值分别为0.97538、0.98001,更接近于1,且优化后的RMSE、MSE和MAE值相对较小,其模型拟合度更好,在整个贮藏期的预测性能更好,准确率更高。因此,MFO优化BP神经网络可用于预测冷鲜肉在贮藏过程中品质的变化规律。

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BP神经网络的短距离无线通信数据传输丢帧测试方法

单一传输节点在不同传输信道的传输任务分配情况不同,导致短距离无线通信数据传输丢帧情况的测试结果误差往往较大。为此,基于反向传播(Back Propagation,BP)神经网络对短距离无线通信数据传输丢帧测试方法展开研究。考虑影响短距离无线通信数据传输状态的核心要素是传输节点的感知范围和目标点与传输节点之间的距离,利用布尔感知模型构建包含完全感知(概率为1)或未感知(概率为0)的短距离无线通信感知模型;在数据传输丢帧测试阶段,引入BP神经网络,围绕感知概率为0的节点,将传输节点在不同传输信道的传输任务分配情况作为隐藏层的学习目标,综合分析丢帧率。测试结果表明,在不同通信密度测试场景下,文章方法均未受到明显影响,测试结果与实际丢帧率之间的绝对误差仅0.01%,该方法具有高度稳定性和准确性。

基于改进PSO-BP神经网络的挖掘机液压系统故障诊断

由于现行方法在挖掘机液压系统故障诊断中存在一定不足,无法达到预期效果,提出基于改进粒子群优化算法(ParticleSwarmOptimization,PSO)-反向传播(BackPropagation,BP)神经网络的挖掘机液压系统故障诊断方法。采用无线传感器采集液压系统数据,对采集的数据进行预处理,利用PSO对BP神经网络进行迭代训练、优化网络参数,利用改进BP神经网络挖掘液压系统数据,识别诊断系统故障。实验结果表明,所提方法的平均绝对误差百分比不超过1%,漏诊比例也不超过1%,能够实现对挖掘机液压系统故障的精准诊断。

基于BP神经网络的光伏电站在线监控系统设计研究

文章设计一种基于反向传播(Back Propagation,BP)神经网络的光伏电站在线监控系统,通过分层架构实现数据采集、预处理、故障诊断以及预测预警功能。系统在某光伏电站的实证研究表明,设计的基于BP神经网络的监控系统在预警准确性、误报率、提前时间方面显著优于传统阈值判断方法,为光伏电站的智能运维提供有效支持。

基于BP神经网络的电商企业库存需求预测

随着电子商务的迅猛发展,市场需求的不稳定性日益凸显,这使得很多企业难以准确设定库存量,容易导致大量库存资金被占用。要想降低库存成本,必须准确预测市场需求,并据此设定合理的库存。文章以H公司为例,利用反向传播(Back Propagation,BP)神经网络预测方法预测其产成品需求,使企业保持合理的库存,减少不必要的库存资金。

基于PCA-BP神经网络的煤与瓦斯突出预测研究

为提高煤与瓦斯突出预测的效率和准确率,将主成分分析(PCA)法与神经网络相结合,对煤与瓦斯突出进行预测。以平顶山八矿为研究对象,基于地质动力区划方法,搜集影响煤与瓦斯突出的因素的相关数据。通过PCA法提取影响因素的主成分,选取贡献率大于80%的3个主成分,代替原有的9个影响因素,将其作为反向传播(BP)神经网络的3个输入参数。将突出强度划分为4个等级,建立PCA-BP煤与瓦斯突出预测模型。选取典型的突出样本对PCA-BP神经网络进行训练,用检验样本检验训练好的网络,结果表明预测符合实际情况。

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能;利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。

基于改进二进制萤火虫的BP神经网络并行集成学习算法

针对传统BP神经网络的随机初始权值和阈值易导致网络学习速度慢、容易陷入局部解及运算精度低等缺陷,提出基于改进二进制萤火虫算法(IBGSO)的BP神经网络并行集成学习算法.首先构建以高斯变异函数作为概率映射函数的IBGSO,并从理论上分析算法的有效性.然后结合IBGSO与BP神经网络构建并行集成学习算法,并将算法应用于农业干旱灾害评估中.实验表明,相比传统算法,文中算法在计算速度及精度方面更优,可以提高旱情等级评估的准确性.

优化的BP神经网络短时交通流预测方法

针对传统的误差逆向传播(BP)神经网络方法在进行交通流预测时存在网络准确性差,权值设置敏感等缺点,提出一种基于改进蝙蝠算法(BA)优化BP神经网络的交通流短时预测方法。引入自适应惯性权重和加速因子对原始蝙蝠算法进行优化,提高其收敛速度及寻优精度;用改进的BA对BP神经网络的权值和阈值参数优化并构建BA-BP模型进行短时交通流预测。实验结果表明:与传统BP相比,该方法平均绝对误差降低了3.0785,均方误差降低了4.4710。

一种BP神经网络机场噪声预测模型

机场噪声预测对机场噪声控制、航班计划制定和机场规划设计具有十分重要的作用。现有的机场噪声预测模型都是以飞机的噪声距离曲线(NPD曲线)为核心,用相应的数学模型将其修正至与具体机场的特定环境条件相关的噪声传播模型,存在预测成本高和误差大的缺点。针对这种情况,提出一种使用BP神经网络利用机场噪声历史监测数据进行NPD曲线修正计算方法,从而建立适用于特定机场环境条件的机场噪声预测模型。实验表明,在特定机场的特定环境条件下,允许误差为0.5dB时,该模型预测准确率高达91.5%以上,具有预测成本小、准确度高的特点。

基于BP神经网络的外姿态测量系统线阵CCD标定

在基于线阵CCD相机的空间物体外姿态测量系统中,线阵CCD相机的标定是空间合作目标定位的一个重要步骤。利用神经网络所具有的处理复杂非线性映射问题的能力,提出了基于反向传播(BP)神经网络的线阵CCD标定方法。该方法能够很好地描述外姿态测量系统中三维空间合作目标与像点之间的映射关系,无需建立复杂的数学模型,可直接恢复空间合作目标的三维信息,从而计算空间物体的姿态信息。实验结果表明:基于BP神经网络的线阵CCD标定方法与传统的DLT方法比较精度可提高41.7%。

基于遗传算法的BP神经网络的LED寿命预测模型

提出了一种新型的基于遗传算法（GA）优化的误差反向传播（BP）神经网络的寿命预测模型。选取不同公司生产的LED,以LED光源光通量维持率测量方法 （LM-80-08）测试报告中的电流、结温、初始光通量和初始色坐标作为神经网络的输入,LED在网络输入的应力条件下的寿命为输出,可以预测LED在任意电流和结温下的寿命。研究结果表明,该GA-BP模型相比于LED光源长期流明维持率的预测方法 （TM-21-11）更具灵活性,预测误差较传统BP神经网络降低了65.5%,平均相对误差达到1.47%,优于Adaboost模型的54%和3.16%,训练样本相关系数达到99.4%,GA-BP模型预测LED寿命误差更小,普适性更高,在LED的寿命预测中具有实际意义。

变压器局放监测与改进BP神经网络预测模型研究

采用传感系统监测变压器局部放电的变化情况,选取高频电流信号和超声波信号作为变压器局部放电的监测参量,利用改进逆传播(BP)神经网络算法对变压器局部放电量进行建模分析。以D9—QY—40000/220型电力变压器(220 k V变压器)为例进行实例研究,结果表明:基于改进BP神经网络的局放预测模型训练集误差系数为0.0118,测试集误差系数为0.0232。此模型的局放预测值与实际值的曲线趋势基本一致,有效地对变压器局部放电量进行预测,为变压器故障诊断奠定了基础。