基于GA-BP对叶片点云数据修补及逆向建模

为了获得某型号发动机叶片的三维建模及其相关数据,给逆向设计提供一些零件的三维建模尺寸。由于获得建模的三维点云数据时必然会产生孔洞,文中使用基于Genetic Algorithm(基因遗传算法)优化的Back Propagation(反向传播)神经网络(又称GA-BP神经网络)作为一个回归预测算法,来对产生的散乱点云孔洞加以修复和点云处理,最后再通过Geomagic Wrap对某型号发动机叶片进行逆向建模。通过对比BP神经网络可知,GA-BP修补孔洞的误差明显降低,满足对三维模型精度较高的要求,可应用于逆向工程。

基于BP神经网络的智慧农业云服务平台设计

传统云服务平台在处理大量数据时准确率较低,为此,设计基于BP神经网络的智慧农业云服务平台。总体架构方面,采用PHP、JavaScript等技术相结合的方式,将整体架构分为3个不同层级,实现平台内部层级的动态交互;系统软件设计方面,以D-S证据理论算法为基础,设计农业信息采集模块;建立BP神经网络模型,寻找权重数值与固定阈值的最优值,确定模型拟合状态的精准度;采取B/S与C/A/S结构设计介质库管理模块,利用IP网络平台实现数据的传输与备份。测试结果表明,所设计的云服务平台,当信息数量增加到6000个时,系统的平均准确率为95.17%,可达到预期效果。

基于加权组合算法的点云孔洞修补

为了对无人机航测数据中的点云孔洞进行修补,将最小二乘支持向量机算法LS-SVM和遗传算法GA优化的反向传播神经网络算法BP进行线性组合,构建一种加权组合模型,用于散乱点云数据中的孔洞修补。通过两种修补方法的误差进行两者的加权组合,建立出与两种修补方法误差相关的加权组合模型,并将加权组合模型的修补结果与单一使用最小二乘支持向量机、遗传算法优化的BP神经网络两种修补方法的修补结果进行残差和内外符合精度的比较与分析。结果表明:采用加权组合模型得到的点云修补结果内外符合精度较高,且具有更强的稳定性,为无人机获取的点云数据提供了一种有效的孔洞修补方法。

基于SOM-BP云神经网络的通信对抗作战能力评估

为了增强神经网络训练样本的可靠性和正确率,提高网络自学习和自适应能力,使评估结果快速准确,针对通信对抗作战能力指标体系,在云神经网络的基础上,提出了基于SOM-BP云神经网络的效能评估方法。该方法利用SOM对样本数据进行聚类,选择具有特征性的样本对改进型的BP云神经网络进行训练。结果表明,该方法相对于BP神经网络,不仅收敛速度快,迭代次数少,而且准确率高。

基于AIGA—BP神经网络的粮食产量预测研究

针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,本研究借鉴免疫算法和遗传算法的优点,设计具有浓度调解机制和全局寻优特性的自适应免疫遗传算法(AIGA),用该算法来优化BP神经网络的权值和阈值,并最终给出AIGA—BP神经网络的MapReduce实现。通过仿真实验验证:在精准度方面,AIGA—BP神经网络对于粮食产量预测的精度要明显优于BP神经网络;在效率方面,该算法的MapReduce实现具有更快的处理速度和良好的加速比,在使用大尺寸训练集时优势更为明显。

采用局部点云和BP神经网络的苹果树剪枝决策系统构建

针对当前果树智能化剪枝决策研究尚不完善的问题,以树形分析和人工智能剪枝决策为基础,建立苹果树剪枝决策系统。提出基于局部点云的树枝三维骨骼提取方法,该方法采用Harris角点检测、凝聚层次、深度层次分析算法提取三维骨骼关键点,并基于线覆盖法建立树枝的空间向量,获取苹果树枝的三维空间形态特征数据,从而生成树枝的三维骨骼图,实现真实树枝的数字化模拟;提出基于BP神经网络的剪枝决策方法,以三维骨骼图为特征,实现根据输入的果树数据自动分析并生成剪枝方案。结果表明,剪枝决策方案对于背上枝和向心枝的辨别程度较好,准确率均达到90%以上,对干扰枝的总检出率85.71%,整体符合要求。该系统实现了苹果树剪枝环节的数字化处理和智能化剪枝,为果树科学剪枝提供可靠的工具。

基于MapReduce的BP神经网络在精准施肥中的应用

本研究借助MapReduce强大的并行运算能力和良好的扩展性,尝试解决传统BP神经网络在处理大数据训练集时的瓶颈问题。通过农田肥料效应实验数据,以施肥量作为神经网络输入,以最终产量作为输出,建立精准施肥模型。该模型通过求解非线性规划问题,能同时获得最大产量和最优施肥量,解决需要预估产量的问题。在预测精准性方面,通过大数据集学习得到的施肥模型效果明显优于小数据集的学习结果,能够有效地指导精准施肥。

基于BP神经网络法的地表变形监测

利用三维激光扫描技术监测地表变形时,需要对大面积的地形点云数据重建地面曲面。针对点云数据的海量性,提出利用BP神经网络的方法进行曲面重建,分别模拟出两期点云数据的曲面及两期点云数据的下沉曲面。实验结果表明,该方法对海量数据的曲面重建精度较高,并能提取变形信息,具有较高的使用价值。

云计算架构下基于BP神经网络负载预测策略的研究

目前,传统的数据中心运行方式暴露出在资源分配、管理灵活度、资源利用率、应用服务质量等方面的问题。随着虚拟化技术的成熟,采取基于云计算架构的资源池方案,可对虚拟化资源进行统一管理、调配,达到自动化、智能化管理信息系统的目的。文章在介绍云计算、虚拟化技术的基础上,着重探究基于反向传播(Back Propagation,BP)神经网络预测模型的虚拟机池负载均衡方案,并用仿真实验验证方案的可行性。仿真实验表明,预测模型能够在误差允许的范围内准确预测物理机的负载情况,具有一定的应用价值。

基于云模型和BP神经网络的入侵检测

云模型是进行定性定量转换的有效工具,正态云模型通过期望、熵和超熵构成特定结构发生器,这种特定结构使得正态云模型更具有普遍适用性,更简单、直接地完成了定性与定量之间的相互转换过程。结合BP网络局部精确搜索的特性,提出一种基于云模型与BP网络的入侵检测方法,将云模型和BP算法有机结合。通过KDD99 CUP数据集分别进行了仿真实验对比,结果表明:该方法不但收敛速度快,迭代次数较少,并且可提高入侵检测的准确率。

基于云遗传算法优化BP神经网络的轨道客流预测

城市轨道交通客流预测是线路规划和运营组织的基础,为提高客流预测的准确度,提出了基于云遗传算法优化BP神经网络的轨道客流预测模型。首先利用云模型云滴的随机性和稳定倾向性改进传统遗传算法中固定设置交叉和变异率的方式,克服了标准遗传算法搜索速度慢及容易早熟的缺陷;再通过改进后的遗传算法来优化BP神经网络的初始权值和阈值;最后结合重庆轨道交通3号线的客流数据进行实例分析,结果表明,基于云遗传算法优化的BP神经网络比传统BP神经网络的预测精度提升了5.95%,达到了97.84%。

基于优化BP神经网络的点云孔洞修补效果比较分析

针对逆向软件对三维点云模型孔洞修补精度不高,提出在软件修补的基础上利用神经网络算法进行调整的修补策略。以挖掘机斗齿内腔孔洞为例,利用思维进化算法(MEA)优化BP神经网络的初始权值和阈值,得到改进的神经网络模型MEA-BP,对修补数据进行调整,并与PSO-BP神经网络、GA-BP神经网络孔洞修补结果做出对比。结果表明:MEA-BP神经网络模型在预测精度有所提高的情况下,效率更高,修补效果更加优越,能够有效地、精确地对孔洞进行修复。

基于BP人工神经网络的蒸气云爆炸超压预测的研究

探讨用BP神经网络预测蒸气云爆炸超压的基本原理.重点分析影响蒸气云爆炸超压的各种因素,在此基础上利用BP神经网络算法,通过对80组不同反应活性气体在不同环境条件下爆炸的实验数据进行训练建立了预测蒸气云爆炸超压的网络模型,并对另外20组实验数据进行了爆炸超压预测.预测结果与实测结果基本吻合,说明该模型能够反映蒸气云爆炸超压与其多种影响因素的映射关系,可用于蒸气云爆炸超压预测.该方法为预测蒸气云爆炸超压提供了一条新途径,具有工程实际意义.

基于SOMBP云神经网络的计算机网络对抗效能评估

构建了一种计算机网络对抗效能评估指标体系,提出一种云理论和神经网络相结合的SOMBP云神经网络评估方法,该方法不仅具有神经网络的学习、记忆能力,也具备云理论的模糊性和随机性。将此方法应用到计算机网络对抗效能评估中所获得实验结果表明:该方法不仅迭代次数少,收敛速度快,而且准确率高。

基于CAPSO-BPNN的铁路信号运行状态预警方法研究

为提高铁路信号运行状态预警的准确率,克服BPNN模型存在收敛速度慢和局部最优的缺点及其性能易受网络的初始权值、阈值等参数选择的影响,本文提出一种基于CAPSO-BPNN的铁路信号运行状态预警模型。结果表明,与PSO-BPNN和BPNN相比较,CAPSO-BPNN模型具有更高的预警准确率和更优的性能,为铁路信号运行状态预警提供了新的方法和途径。

基于BPNN-LSTM组合模型的云计算资源负荷预测

有效的负荷预测对提高云计算资源利用效率、降低电力消耗和运维人力资源成本具有重要意义。针对当前云计算资源负荷预测精度低、难以准确把握历史数据时序特征的问题,提出一种引入时序因素的BPNN-LSTM(BP神经网络-长短期记忆网络)组合预测模型。综合考虑对云计算资源负荷具有重要影响的日期和时间因素,采用LSTM对BPNN的预测残差进行修正,对不同时间维度的云计算资源负荷进行预测。通过与多种预测模型的对比实验,验证了所提出的模型在对云计算资源负荷预测上具有更高的精度和稳定性。

基于BP神经网络的气象云资源调度系统

人工调度气象云资源会造成资源浪费。本文设计一种基于BP神经网络的气象云资源调度系统。该系统使用BP神经网络学习虚拟机负载历史数据,并对其进行预测;基于预测的虚拟机负载,设计一种面向多类资源的虚拟机非增排序策略;使用首次适应算法对排序后的虚拟机进行云资源调度。该系统在江西省气象云平台中进行了实验和功能验证。

基于共轭梯度法和BP神经网络的火山灰云顶高度反演研究

对于火山灰云顶高度的反演问题本质上是一个不确定性反演问题,不论是一维变分的方法还是线性统计回归方法,在复杂气象条件下无法获得高精度解。为了减少对热红外辐射传输模式、物理反演方法以及辅助气象数据的依赖,提出了一种基于BP神经网络的火山灰云高度遥感反演方法。以2010年5月8日发生在冰岛的艾雅法拉火山爆发为例,利用覆盖研究区域的Meteosat-8卫星的SEVIRI仪器数据资料和美国NOAA开发的GOES-R火山灰云顶高度算法反演的火山灰云高度作为训练样本,建立了基于共轭梯度法和L-M法两种训练方法的优化神经网络反演方法体系。研究结果表明:在迭代次数相同的条件下,利用共轭梯度法的反演结果均方误差要优于L-M算法。我国新一代静止气象卫星风云四号成像仪具有与SEVIRI仪器相似的红外通道设置,本研究对建立基于我国新一代静止气象卫星FY-4数据的火山灰云顶高度定量反演模型也具有重要的借鉴意义。

基于BP神经网络的智能云效能模型

面对日趋庞大和复杂的智能应用,建立有效的云服务质量模型是评价云服务质量的重要手段。然而,由于智能云各层资源的多样性、动态性等特点,智能云服务效能的评估具有很大的难度。针对目前智能云计算领域缺乏标准和统一的云服务质量评价指标和云服务建模手段的问题,文中将智能云抽象的服务质量具体化为云服务效能,云服务效能被定义为反映云服务能力水平的服务可用性、可靠性,以及体现服务效率的性能,即通过云服务效能输出定量的评价智能云的整体服务能力水平。并且提出了一种基于BP神经网络的智能云效能模型,通过BP神经网络模拟智能云服务的输入特征与服务效能之间复杂的非线性关系,一旦确定输入特征,即可预测输出的服务效能评价指标,这就要求效能模型能够实时并准确地根据系统配置输入特征,预测当前系统的服务能力。实验结果表明,BP神经网络模型作为智能云服务效能模型的建模工具,具有较好的计算效率和准确率。

云边协同背景下基于融合RF算法的电网数据资产综合处理技术

针对现有大多数方法难以充分挖掘出电网数据潜在价值的问题,提出了一种云边协同背景下基于随机森林算法结合BP神经网络的电网数据资产综合处理技术。该技术在靠近电网数据源一侧部署边缘计算节点,以构建云边协同环境下的电网数字化资产管理系统。利用随机森林算法设计分类器完成电网数据类型的划分,并将各类型数据输入至BP神经网络中进行学习,通过不断地迭代优化输出相应的综合处理结果。基于Python平台进行的实验分析结果表明,所提技术的分类准确率均超过了90%,能够有效提升电网数据资产的处理效率。