优化BP神经网络模型的边坡安全多因素滚动预报

为提高BP神经网络模型在边坡安全预报中的普适性及预报精度,对原始数据进行卡尔曼滤波去噪处理,通过确定最优时间跨度大小、隐含层神经元个数,保障模型最优拓扑结构,提出基于BP神经网络模型的时间序列数据最优时间跨度边坡安全滚动预报方法。选取绥江县城新址边坡工程的地表沉降,结合水位、应力两种主要影响因素监测数据为预报指标,首先对监测数据采用Kalman滤波进行预处理,其次进行输入层时间跨度划分,求得三类数据最优BP神经网络拓扑结构,构建KF-BP神经网络预报模型进行适应性分析并预报。结果表明,①确定三类数据最佳时间跨度大小分别为5、8和7期,构建最优拓扑结构的BP模型预报精度均表现较好;②经卡尔曼滤波削弱原始监测数据中的干扰和噪声后,数据预报结果得到明显提高,其中对水位监测数据的预报效果显著,其平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)、相关系数(R)分别为0.009、0.01%、0.012和0.945;③采取3种类型监测数据对边坡安全进行多因素分析和预报,证明所构建模型对多类数据预报的普适性的同时,从整体上评价边坡安全,为边坡工程的安全预报及预警提供借鉴。

基于LMI和BP网络的非线性矩阵加权次优融合算法

为了解决互协方差未知的多传感器非线性系统融合估计问题,提出了一种改进的矩阵加权次优融合算法。利用舒尔补定理推导出线性最小方差意义下基于矩阵融合的最简约束条件。此约束条件可保证融合估计误差方差的正定性,以及所提出次优融合估计的一致性;基于线性矩阵不等式(LMI)提出了一种矩阵加权次优融合估计。考虑到LMI算法优化过程中存在的耗时问题,采用BP网络获取最优值;结合容积卡尔曼滤波算法(CKF),提出了基于LMI算法和BP网络的非线性矩阵加权次优融合算法。仿真分析结果证明了算法应用于非线性系统的有效性。

一种基于粒子群优化BP神经网络技术的震后压埋人员手机定位方法

近年全球地震灾害频发,如何快速准确定位压埋人员方位是震后搜救工作中的重点和难点。本文提出的基于粒子群优化BP神经网络技术震后压埋人员手机定位方法,通过对压埋手机的定位,间接定位到被压埋人员。利用WiFi探针捕捉被压埋手机发出的接收信号强度数据,采用高斯-卡尔曼混合滤波对数据进行处理。以粒子群优化BP神经网络解算出的压埋距离为基础,融合对数衰减模型与多项式衰减模型,建立多衰减模型融合的压埋距离修正模型,获取更为精确的压埋距离。通过加权六点质心定位算法求解压埋手机位置。实验结果表明:多衰减模型融合的压埋距离修正模型定位误差为0.579 m,相较于单一的信道衰减模型与神经网络,定位精度分别提升43.5%、30.9%和12.7%。

基于PSO-BP-UKF算法的锂电池SOC估计方法研究

锂电池的荷电状态(SOC)是锂电池质量管理的核心之一。基于有效的SOC估计是确保锂电池安全高效工作的必要条件,提出一种利用粒子群算法(PSO)优化反向传播(BP)神经网络,并将优化后的BP神经网络SOC输出值作为无迹卡尔曼滤波(UKF)观测值的锂电池SOC估计方法。使用来自马里兰大学的FUDS工况电池测试数据,将所提的PSO-BP-UKF算法与GA-BP-UKF算法、BP算法进行对比。结果表明,在25℃环境下,PSO-BP-UKF算法的最大偏差<3.17%,平均误差<6.44%,均方根偏差<0.0025,相比GA-BP-UKF算法和BP方法都有较大幅度的提高,说明所提算法具备有效性与实用性。

基于Gabor滤波和BP神经网络的二维条码区域提取

复杂背景下的二维条码区域提取一直是Data Matrix条码解码过程中的难题之一.通过对图像进行形态学分析从而确定条码的可能区域的方法因计算简单而被广泛应用,但存在着形态学结构体难以选择和虚警率比较高的缺点.为克服这些缺点,提出了基于Gabor滤波和BP神经网络的Data Matrix条码区域提取方法(GF-BPNN).用不同尺度不同方向的Gabor滤波器对图像进行滤波提取其纹理特征,再进行特征变换,使所得特征具有尺度和旋转不变性;然后利用BP神经网络按照前述特征对像素进行分类,再经过形态学后处理提取条码区域.实验结果表明,与进行形态学分析的方法相比,GF-BPNN具有较高的准确率和鲁棒性.

基于Kalman滤波的BP神经网络方法在大坝变形预测中的应用

基于卡尔曼滤波的BP神经网络方法,对大坝变形观测数据进行滤波处理,用滤波后的数据参与BP网络的训练,使网络具有动态特性,减小了神经网络陷入局部极小值的可能性,提高了神经网络的泛化能力。实例证明,该方法具有很高的预测精度和较强的泛化能力。

基于H∞滤波算法的BP网络在SINS/GPS中的应用

实际系统中存在的各种不确定性和非线性将使估计精度降低、卡尔曼滤波发散.针对这些问题,文章提出了基于H(8)滤波算法的BP网络自适应滤波技术,采用H(8)滤波算法在线调节BP网络的权值,并应用在SISN/GPS中.仿真结果表明,该网络具有较好的鲁棒性,其精度与H(8)滤波算法的精度相当.

基于图像特征提取与BP神经网络的绝缘子憎水性识别方法

为了方便、快捷、准确地识别运行中绝缘子表面的憎水性等级,提出了基于图像特征提取与BP神经网络的绝缘子憎水性识别方法。首先,利用同态滤波和直方图均衡对憎水性图像进行增强预处理,然后利用改进的Canny算子提取了图像中水珠(或水迹)的边缘,并利用数学形态学对其进行修正得到最终的分割图像;提取图像中与憎水性相关的4个特征量,最后建立了基于BP神经网络的憎水性识别模型,并对测试样本的憎水性等级进行了识别。实验结果表明,该方法克服了人为因素的影响,能够有效识别绝缘子7种典型憎水性等级,总识别率达90%,为在线检测绝缘子憎水性提供一种新的有效方法。

两种改进BP算法神经网络滤波的比较

对两种改进BP(Back-Propagation)算法神经网络的滤波进行了比较,通过反复的训练得出两种改进算法在权值调整和误差收敛过程中所遇到的共同点和差别,并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响。

基于BP滤波的BDI周期性问题研究

国际干散货运输是开展海上贸易的主要运输方式。多年的实践证明国际干散货航运市场是一个具有明显周期性的产业,世界政治事件、经济波动、自然因素的周期性波动等都会影响国际干散货航运市场的行情,增加航运企业的经营风险。由于国际干散货运输市场具有一定的自我调节能力,即当运力超过运量时,运价下跌,导致运力减少,使运价上升,并趋于稳定。波罗的海运价指数(BDI)运价指数是根据严格、明确以及航运市场的规则计算出来,能够反映出全球干散货航运市场的运价水平,成为国际干散货航运市场发展和变化的"晴雨表"。目前国际上许多著名航运机构都对干散货航运市场周期性研究主要着眼于航运市场的定性分析以及统计资料的收集,采用定量模型来研究该问题则较为少见。本研究运用BP滤波实现趋势和循环要素的分离,获得国际干散货运输市场周期成分。研究表明,国际干散货运输市场中存在比较明显的长周期和短周期互现的态势。

BP神经网络在捷联惯导初始对准中的应用研究

提出了基于多层BP神经网络的滤波器,并用于捷联惯导初始对准中.采用BP网络替代初始对准系统中的闭环卡尔曼滤波器,可以确保系统的误差状态始终为小量,实现了惯导初始对准中的滤波与校正功能.采用BP神经网络滤波的优点是:数据并行计算速度快,在滤波时不需要初始数据.仿真结果表明,这种方法简化了系统运算的代数结构,提高了系统状态估值运算的实时性,并且可以保证系统的对准精度.

应用BP网络校正的卡尔曼滤波器

当目标作机动飞行时,由于未知机动引起的估计误差的影响,卡尔曼滤波器的跟踪性能将会严重下降。提出了一种应用BP神经网络对卡尔曼滤波结果进行校正的机动目标跟踪方法,BP网络可以辨识非线性机动,修正卡尔曼估计值,改善跟踪效果。同时还研究了BP网络的自适应算法。对两个变加速机动目标的跟踪结果表明,经过BP网络校正的卡尔曼滤波器不会发生误相关,跟踪的精度较高。

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。

基于改进BP算法的微带射频带通滤波器设计

给出了1/4波长微带线射频带通滤波器设计的ADS仿真以及神经网络方法,微带滤波器的4个重要参数:线长L、线宽W、缝隙S,以及频率freq作为神经网络的输入;反射系数S11和端口传输系数S21以及输入端电压驻波比VSWR1作为网络输出。给出了采用激活函数增益改变梯度搜索方向思想而改进的BP算法,并给出了仿真实例。神经网络训练结果和用电磁仿真软件ADS对滤波器的仿真结果基本一致。为微带射频滤波器的设计提供了一种新的方法。

BP神经网络优化的无迹卡尔曼滤波核事故源项反演方法研究

核事故发生后,通常很难根据厂内仪表数据判断事故严重程度,只能通过厂外监测数据估计源项释放量。利用CALPUFF软件模拟了核事故后放射性核素I-131释放的过程。将无迹卡尔曼滤波算法与高斯多烟团大气扩散模型结合,构建无迹卡尔曼滤波核事故源项反演方法模型,实现核事故后厂外源项实时跟踪反演。由于污染物I-131在大气中扩散过程受温度、气压、风速、云量、太阳辐射、地形条件等多种因素共同影响,源项反演为复杂的非线性问题。针对高斯多烟团大气扩散模型将实际条件简化引起的缺陷,使用BP神经网络对反演模型中的量测方程进行优化,从而减小模拟结果与真实情况的误差。无迹卡尔曼滤波核事故源项反演方法模型与卡尔曼滤波核事故源项反演模型相比,能更好地适应非线性条件下释放率变化的情况,反演结果与真实值更接近。

基于BP神经网络的体外诊断试剂不良事件风险评估模型研究

目的改进体外诊断试剂不良事件监测流程和手段,提高不良事件上报数量和质量,减少监管部门工作量,保障体外诊断试剂的安全有效。方法基于BP神经网络的前置过滤风险评估系统对体外诊断试剂不良事件进行初步评价,监管部门根据评价结果采取相应的应对措施。结果 BP神经网络通过历史数据学习对不良事件所作的风险评价结果与专家组的基本一致。结论利用BP神经网络可对不良事件进行风险评估,实现不良事件的风险信号聚集。

野值存在下的BP网络自适应卡尔曼滤波

提出了一种抗野值的BP网自适应卡尔曼滤波算法。通过BP网络对新息序列的方差和均值的速率进行在线实时监测计算,输出一组加权系数对新息做修正处理,从而有效地抑制了野值对滤波器的影响。仿真证明该算法保持了新息的统计特性,提高了滤波器的精度和稳定性。

基于BP-EKF算法的电动汽车电池管理系统SOC精准估计

以数字信号处理器DSP(TMS320LF2407)为主控芯片,完成了电动汽车电池管理系统平台的搭建。电池荷电状态(SOC)的精准估计是电动汽车电池管理系统的核心任务之一,本文为提高SOC估计的准确性,提出了基于BP神经网络法与拓展卡尔曼滤波(EKF)法相结合的一种新算法(BP-EKF)。在对磷酸铁锂电池进行试验分析之后,运用Matlab的人工神经网络工具箱建立BP神经网络,并利用试验得到的数据对所建立的BP神经网络进行训练,从而利用训练好的BP神经网络优化补偿拓展卡尔曼滤波算法的估计结果。经过仿真实验验证两种算法的准确性,结果表明,与单纯的EKF滤波法相比,基于BP-EKF算法的SOC估计值的准确性有了显著的提高,且具备很好的适用性。

基于BP神经网络和逆滤波器的小波域半盲离焦图像复原(英文)

本文利用BP神经网络和逆滤波器提出了一种新的半盲离焦图像复原算法.在小波域,提取特点向量,然后训练BP神经网络,利用训练后的网络估计离焦参数.根据离焦参数得到点扩展函数,利用逆滤波器复原模糊图像.仿真实验结果表明:该方法能有效地复原离焦模糊图像.

基于滤波与BP神经网络的水下探测信号检测算法

针对水下探测系统探测船舶磁场信号时信噪比较低的问题,首先根据磁异常信号的频域特征,设计了约束最小二乘FIR滤波器,通过对含噪信号进行带通滤波,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取船舶目标特征信号。将该算法应用于船模实测实验,结果表明:该算法可以显著提高信噪比,增强对船舶磁场信号的检测能力。