Circle BP Algorithm for MLP Neural Network

A simple new BP algorithm named circle BP algorithm is introduced.With this algorithm,local minimums can be completely got rid of and learning speed can improve dramatically.It can be easily designed into the circuitry and advance further the application of MLP neural network .

正交实验结合AHP和GA-BP神经网络优化益黄散醇提工艺

目的 优化益黄散的醇提工艺。方法 采用回流提取法,以乙醇体积分数、液料比、提取时间为考察因素设计正交实验,以橙皮苷、川陈皮素、橘皮素、没食子酸、诃黎勒酸、诃子酸、甘草苷、甘草酸、丁香酚含量和干浸膏得率为指标,采用层次分析法(AHP)进行赋权并计算综合评分。通过验证正交实验和遗传算法(GA)-反向传播神经网络(BP神经网络)所预测的结果确定益黄散最佳醇提工艺参数。结果 正交实验优选的最佳醇提工艺参数为乙醇体积分数60%、液料比14∶1(mL/g)、提取时间90 min、提取2次,验证所得综合评分为79.19分;GA-BP神经网络优选的最佳醇提工艺参数为乙醇体积分数65%、液料比14∶1(mL/g)、提取时间60 min、提取2次,验证所得综合评分为85.30分,高于正交实验所得结果。结论 采用正交实验结合GA-BP神经网络的寻优方法较传统的正交实验寻优方法效果更佳,其优选出的益黄散最佳醇提工艺稳定可靠。

基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明:CSSA-BPNN模型的平均相对误差为4.11%,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.395 0 MPa,平均绝对误差为0.359 2 MPa,决定系数为0.995 2,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。

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。

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0%~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP(Backpropagation)神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446、462 nm、玉米油为268、274 nm、葵花籽油为280、288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法(LMA)、动量梯度下降法(MGD)及弹性梯度下降法(EGD)掺伪模型识别率分别为98.15%、91.67%、95.52%。

基于改进GWO-BP神经网络的电磁线圈温升预测

针对差速器运转时电磁线圈温升的非线性与复杂性以及传统BP神经网络在预测中存在的问题,采用改进后的灰狼算法(gray wolf optimization,GWO)对BP神经网络进行优化,并根据室温环境下现场跟踪试验的数据建立以运行时间、直流电流、运转功率为输入,以某型电子锁式差速器电磁线圈连续工作8 h后的实时温度与初始环境温度间的温升差值为输出的网络预测模型。选取平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、均方误差(mean square error,MSE)作为系统评价指标,分别与传统BP网络模型、粒子群算法优化后的网络模型(PSO-BP)进行对比,结果表明GWO-BP神经网络模型具有更好的预测能力和更小的误差精度。为实现汽车轴间差速器上电磁线圈温升变化的精准预测提供了方法和思路。

基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

车轴滚齿加工工艺参数GA-BP模型NSGA-Ⅱ优化

研究了高速条件下的滚齿工艺参数设置与优化方面的工作,采用新的非支配遗传算法NSGA-Ⅱ设计了相应的优化数学模型,优化达到最低能耗以及最长的刀具使用期限,再以遗传反向传播算法(GABP)神经网络为目标设置预测模型并建立适应度函数,完成迭代优化后获得匹配滚齿工艺的Pareto最优条件。研究结果表明:这里预测模型经过5次循环计算后,均方差为10-5,得到0.000425的最优值,推断上述网络满足良好的稳定性。刀具寿命误差相对后者降低16%,降低了36%的能量损耗,发现GABP算法具备更优收敛能力。Pareto解集获得了比相近加工样本集更优的性能,因此采用多目标优化模型可以确保加工能耗和刀具使用寿命同时达到最佳状态。该研究对提高的滚齿加工工艺参数以及提高机加工效率具有很好的实际应用价值。

基于遗传算法优化BP神经网络的生石膏超细磨预测效果研究

为提高BP神经网络对生石膏超细磨效果的预测准确性,采用Pearson相关系数对超细石膏粉体正交试验产品细度与影响因素的显著性进行分析,并利用遗传算法优化BP神经网络对超细石膏粉体试验产品的d_(50)和d_(90)进行预测,结果表明:超细石膏粉体制备过程中影响细度因素的显著性由大到小依次为排矿口宽度、矿浆质量分数和超细磨时间。利用排矿口宽度和矿浆质量分数两个主要影响因素,利用遗传算法对BP神经网络进行优化,与未优化的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的精度,预测误差也更小,其d_(50)平均绝对误差为0.7575,均方误差为0.7977,均方误差根为0.8931,平均绝对百分比误差为4.4838%;d_(90)平均绝对误差为0.7870,均方误差为0.8294,均方误差根为0.9107,平均绝对百分比误差为1.6658%。研究成果可为超细粉体的制备提供参考。

基于改进 PSO-BPNN 的拖拉机液压油品质监测

为实现对拖拉机液压油品质的有效监测,保障拖拉机液压系统的平稳运行,基于改进PSO-BPNN设计一种针对拖拉机液压油品质的监测方法。首先,为研究拖拉机液压油品质恶化情况,在液压油新油的基础上配制不同比例的液压油油样。随后,搭建拖拉机液压油品质监测试验装置,并依据试验装置采集与监测液压油粘度、介电常数和温度参数。然后,设计并搭建一种基于改进PSO-BPNN的拖拉机液压油品质监测模型,该模型利用正弦调整惯性权重的PSO算法优化BPNN的权值和阈值初始值,提高模型收敛效率。最后,为验证基于改进PSO-BPNN的液压油品质监测方法的可行性,与基于传统BPNN、标准PSO-BPNN的拖拉机液压油品质监测模型进行对比。结果表明,基于改进PSO-BPNN的拖拉机液压油品质监测方法具有较快的收敛速度,监测正确率达到97.78%,为优化拖拉机液压油品质监测方法提供参考。

基于BP神经网络和遗传算法的设备故障诊断与健康管理模型研究

针对目前设备管理存在的故障处理周期长、维护保养任务重、维修成本高的现状,构建了设备故障诊断与健康管理架构,包括设备层、感知层、数据处理及存储层、数据分析层和应用层。其中,在数据分析层,综合采用BP神经网络和遗传算法,建立了设备故障诊断与健康管理模型。最后,以机电设备振动数据为例,进行设备故障诊断模型的预测结果分析,验证了该模型的可行性。研究结果表明,该模型能提高设备故障诊断正确率,具有较好的故障诊断效果;设备预测健康状态与实际健康状态的变化趋势基本保持一致,重合率大于90%。该成果可为制造企业的设备故障诊断与健康管理提供相关策略,有效排除故障问题,降低管理成本。

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。

用于碳酸盐岩储层裂缝检测的GWO-CS-BP算法及应用研究

碳酸盐岩储层中的裂隙是油气的运移通道和储集空间,对于油气勘探、开发和评价都具有重要的指导意义。针对研究区碳酸盐岩储层裂缝检测的难题,提出灰狼布谷鸟优化BP算法(GWO-CS-BP),该算法是将GWO-CS(grey wolf-cuckoo search algorithm)与BP(back propagation)相结合形成的裂隙检测方法。将含裂缝信息的相干、曲率、倾角、方位角和构型张量等属性作为GWO-CS-BP神经网络的输入数据,在工区地质资料约束下根据测井数据获得裂缝发育水平评价指标,进而对研究区裂缝发育水平进行评价并划分等级。研究区碳酸盐岩储层裂缝发育水平检测结果表明,GWO-CS-BP算法能够综合各属性特点对研究区的裂缝发育水平特征进行二次误差控制,获得裂缝发育水平评价指标f s并将研究区裂缝发育水平划分为3个等级及4个裂缝存在区域。其中,当研究区裂缝发育水平参数的值适中时,即f s的值大于4.0且小于5.8时,C区域最有利于油气的聚集,高产井的分布数量较多。利用GWO-CS-BP算法对研究区的裂缝发育水平进行了精细评价,并得出裂隙发育水平参数f s,实现了GWO-CS算法改进的BP神经网络在裂缝检测中的有效应用。

基于遗传算法和BP神经网络的矿区土壤重金属含量空间分布预测

本研究提出了一种基于遗传算法(Genetic algorithm,GA)和BP神经网络(Back propagation neural network,BPNN)的复合模型——GABP模型,以安徽省池州市某矿区及其周边为研究区,预测了土壤中p H和7种重金属元素(Cd、Pb、Cr、Cu、Ni、Hg、As)含量的空间分布,并与BPNN和反比距离权重法(Inverse distance weighting,IDW)进行了比较。研究结果表明:受采矿活动影响,研究区土壤p H和重金属含量呈显著的空间分异性;GABP复合模型的数据扩增能够有效弥补BPNN对样本数量的依赖,同时结合了地理位置和高程属性,精度评价结果显示GABP模型的平均R^(2)、r、RMSE、MAE分别是IDW和BPNN的3.03倍、2.56倍,2.93倍、2.39倍,0.85倍、0.61倍,0.79倍、0.62倍,预测精度更高。模型解决了传统空间插值方法结果中可能出现负值和边界无法插值的问题,为土壤重金属含量空间分布预测提供了一种新方法。

基于IPSO-BP的船舶航迹预测研究

目的面对复杂的海上交通及密集的物流交通流,及时有效地对船舶航迹进行跟踪预测显得尤为重要,针对传统船舶航迹预测方法精确度低且效率低下的问题,提出一种改进方法。方法在船舶自动识别系统(Automatic Identification System,AIS)数据的基础上,建立改进粒子群算法(IPSO)与BP神经网络相结合的船舶轨迹预测模型,利用船舶历史航行轨迹数据,实现对未来船舶运动的预测。选取宁波舟山港的船舶历史轨迹数据进行实验,并将IPSO-BP模型的实验结果与其他模型进行比较。结果不同模型航迹预测对比结果表明,IPSO-BP模型的性能较好,其预测精度较高,适用于船舶轨迹预测。结论使用IPSO-BP模型能够更加精准地预测船舶航迹,在船舶危险预警、船舶异常监测等方面具有重要的指导作用。

基于DBO-BP的工业机器人定位误差补偿方法

为提高工业机器人绝对定位精度,提出一种基于DBO-BP与离线前馈校正相结合的方法。该方法适用于工业机器人定位误差补偿研究。通过使用拉丁超立方抽样法获取工业机器人的位姿样本,并利用BP神经网络建立误差预测模型,应用DBO优化算法改善了局部最优现象,从而提高了模型的收敛性和鲁棒性。经过离线前馈补偿处理后,降低了工业机器人定位误差,大幅提高了机器人绝对定位精度。这种方法能够有效提高机器人的精度和稳定性,并为工业机器人的精准定位问题提供了可行的解决方案。

基于布谷鸟—BP神经网络的页岩脆性指数预测研究

页岩储层具有低孔隙度、低渗透率的物理性质,因此在页岩气开采中往往需要对其储层进行压裂处理,而页岩储层的可压裂性可用脆性指数来评价。目前应用最广泛的岩石脆性指数计算方法是基于矿物组分法。基于矿物组分法计算获得岩心页岩脆性指数(BI),利用BP神经网络的自我学习能力,探寻测井参数与页岩脆性指数(BI)之间的非线性关系,再结合布谷鸟(CS)算法的全局优化能力和稳定性来提升BP神经网络的预测精度和稳定性,从而建立基于CS—BP神经网络的页岩脆性指数预测模型。使用CS—BP预测模型对研究区Y1井和Y2井两口井进行了页岩BI值预测,其预测结果显示:CS—BP预测值与岩心BI值的变化趋势基本一致;CS—BP预测值总体预测效果较好。研究结果表明:基于布谷鸟(CS)—BP神经网络,利用测井资料快速计算页岩脆性指数的方法在研究区具有一定的实用价值。

基于天气状态模式识别的SSA-BP神经网络光伏电厂功率及碳减排量预测

文章提出了一种基于天气状态模式识别并结合SSA-BP(Sparrow Search Algorithm-Back Propagation)预测光伏出力的方法。首先,在分析辐照度、温度、风速等参数变化规律基础上,基于高斯混合模型,针对专业天气类型开展分类,获得类晴、类雨和类阴3种典型的广义天气;然后,将数据作为SSA-BP神经网络输入,对光伏电厂出力分类进行预测;最后,结合碳核算方法学对光伏发电项目碳减排量进行核算。结果表明:利用分类识别和改进的SSA-BP神经网络,在3种天气类型预测中平均相对误差分别为0.195,0.243,0.310;SSA-BP与其他模型相比,平均相对误差降低了17.8%~66.7%。此外,预测CO_(2)减排量与实际核算值相对误差为3.37%,亦表现出良好预测效果。

基于K-means聚类和BP神经网络的电梯能耗实时监测方法

针对现有方法在对电梯能耗进行监测时,存在监测精度低、用时长、监测结果不理想的问题,该文提出一种基于K-means聚类算法和BP神经网络相结合的电梯能耗实时监测方法 .在经过清洗的能耗数据中提取影响建筑能耗实时监测的主要因素特征值,利用相似系数法进行相似度计算,获取相似系数.对相似电梯能耗数据进行小波分解获取高低频序列,分别采用LSSVM-GSA检测方法和均方加权处理方法对低频和高频部分进行处理,将两个结果进行重构,得到最终的实时监测结果 .仿真实验结果表明:所提方法能够获取高精度、低耗时、高稳定性的监测结果 .

基于HSS-MCC融合模型及SSA-BP神经网络开展深基坑超大变形预测研究

软土环境下深基坑开挖变形特性研究中,多采用硬化类弹塑性模型进行分析,如HSS模型和MCC模型.南京河漫滩软土地区,深基坑开挖时局部常发生较大变形,部分土体变形状态介于小应变与大应变之间,单一模型无法准确预测土体变形特征.同时,BP神经网络在基坑变形预测中得到广泛应用,但在训练过程中,权阈值易陷入局部最优解,影响预测的准确性.据此,依托南京地区典型软土深基坑工程,采用Midas中的HSS模型与MCC模型进行分析,比对两种模型的桩体变形量差异,并基于最小二乘准则对两模型进行线性融合,融合模型可对后续区段监测数据进行校准及补充.通过融合麻雀搜索算法对BP神经网络进行优化,在其训练过程中快速收敛,得到全局最优的权阈值,依托狭长基坑已开挖区段监测数据学习训练,进而依据后续区段浅部开挖揭露深部变形特征,预测结果与实测值吻合度较高.研究结果对软土地区深基坑大变形的预测研究具有重要参考价值.