基于RF-PSO-BP的电能质量稳态指标预测

电能质量问题日益严重,实现稳态电能指标的预测对于保障供电质量有重大意义。以某低电压台区监测点为研究对象,提出一种基于随机森林(Random Forest,RF)特征优选和粒子群优化(Particle Swarm Optimization,PSO)反向传播(Back Propagation,BP)神经网络的电能质量稳态指标预测方法。根据监测点的环境因素、动态电能数据以及电能质量指标的历史数据等多维度特征进行标准化处理,通过RF算法实现特征选择后,进一步将优选特征输入到神经网络,并结合PSO算法优化BP神经网络的权值和阈值,构建神经网络预测模型。将该方法结合实例与传统神经网络进行对比试验,结果表明,所提预测方法的MAPE均低于3%,预测效果较传统神经网络更佳。

基于TOPSIS和BP神经网络的高标准农田综合识别

为提高耕地综合生产能力,适应农业现代化发展需求,我国提出了高标准农田建设的重大战略部署。高标准农田的识别是建设前选址和建设后评价的基础。本文以耕地图斑为基本单元,融合遥感影像等多源数据,从本底条件、空间形态、建设水平、生态防护等方面,构建农田综合质量多特性表征体系,采用逼近理想点排序法(TOPSIS)进行初步评价,再以人机交互的方式选取各质量等级农田的真值样本,进一步采用BP神经网络算法修正各特性权值,得到农田综合质量的精确评价结果,实现高标准农田识别。以吉林省大安市为研究区,研究结果表明:基于多特性表征体系的农田综合质量评价方法精度达到96%以上;研究区高标准农田面积广大,主要分布在耕地集中连片、道路通达、生态防护良好、具有农业现代化生产优势的东北部、中北部、西北部边缘和部分南部区域;当地已备案的高标准农田和未备案、有潜力的高质量农田区域均得到有效识别。

基于GA-BP算法的隧道围岩力学参数反分析

建立智能位移反分析系统,用其确定隧道围岩的力学参数.针对BP神经网络易陷入局部极小值和训练时间过长等缺点,利用遗传算法全局寻优能力优化BP神经网络的权值和阈值.结合均匀设计法在围岩力学参数初始域范围内设计实验方案,这样不仅减少了迭代时间和次数,还提高了预测精度.通过对绿春坝隧道围岩力学参数的反演,验证了该方法的可靠性及适用性.将反演得出的围岩力学参数代入到数值模型中进行计算,结果表明,数值计算值与现场实际监测值的误差分别为-8.9%和4.5%.

基于Adaboost的BP神经网络改进算法在短期风速预测中的应用

进行较准确的风速预测对含大规模风电场的电力系统进行经济调度具有重要意义。针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。

基于BP人工神经网络的太原地区医院获得性肺炎发生情况的评测分析

目的鉴于医院获得性肺炎（NP）的高发病率及危害性，本研究对太原地区NP的流行趋势进行了评价和预测。方法收集太原地区十二年NP发病资料，以NP发生的危险因素：年龄≥60岁、基础疾病、联合使用两种以上的抗生素、入住ICU、住院时间≥21天、有创性机械通气或雾化吸氧为独立的6个危险因素作为网络输入，发病率为网络输出，构建BP人工神经网络模型。结果在评价基础上，对2006年12个月的NP发病率进行了预测，与实际发病率比较，符合率较高，预测误差较小，同时对2007年1～3月的发病率进行了预测。结论NP的发生受到很多因素的影响，各因素之间又存在着十分复杂的相互作用与不确定性，而BP人工神经网络有许多优点可以解决这些变量间关系不能精确地用函数表达的复杂问题。实践证明，该模型是可行的，同时有其普遍性，可推广到卫生领域其他疾病的评价和预测体系中。

基于近红外透射光谱分析和BP神经网络的大豆品种识别

为了实现大豆品种的快速无损鉴别,对16份大豆品种的近红外透射光谱(NITS)进行分析。首先通过平滑和马氏距离的光谱预处理方法消除噪声和去除奇异光谱。然后分别用主成分分析(PCA)和离散多带小波变换(DWT)提取光谱特征,作为BP神经网络的输入,构建PCA-BP和DWT-BP大豆品种识别模型。结果表明:PCA-BP模型的识别准确率为98.125%,平均识别时间为9.3 ms;DWT-BP模型的识别准确率为95.93%,平均识别时间为6.4 ms。研究结果为大豆品种的快速无损鉴别提供了理论依据和实用方法。

改进型BP神经网络PID控制在自动化测试装置中的应用研究

针对汽车交流发电机性能自动化测试装置中测试对象特性的多样性及测试环境的多变性：在进行测试条件参数调节的过程中，采用改进型BP神经网络PID控制器，实现PID参数的在线自整定，改善自动化测试装置的动态品质，从而有效提高发电机生产线的生产效率。介绍了改进型BP神经网络控制器的构成和算法实现，利用MATLAB对其在自动化测试装置中发电机速度调节进行了仿真研究，表明了方法的有效性。

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型.该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力.提出的模型和改进的算法模拟仿真表明:该方法对收敛速度和精度有更好的拟合性.

基于BP神经网络的堆积状不同品种茶叶识别研究

提出了一种对于堆积状不同品种茶叶的快速无损检测方法.所检测茶叶为自然颗粒堆积状,通过彩色相机拍摄茶叶彩色图像,经过图像预处理和灰度共生矩阵分析,获得茶叶纹理特征,经主成分分析后,得到3个特征参量作为BP神经网络模型的输入,建立模式识别模型.结果表明,该方法对于未知32个预测样本的识别率达到93.8%,实现了茶叶品种的无损快速检测,提高了茶叶在生产、加工、贸易过程中品种识别的准确性.

基于GA-BP神经网络的泡沫轻质土强度预测

泡沫轻质土的抗压强度是其重要的力学性能。精准地预测和调整泡沫轻质土的抗压强度,对于提高施工效率有重要的现实意义。为实现对泡沫轻质土抗压强度的智能控制和优化,设计了包含4节点输入层、8节点隐层、1节点输出层的拓扑结构,输入层采用遗传算法(GA)对BP神经网络的权重和阈值进行改进。以水固比、粉灰比、细集料掺合比以及气泡率4个参数作为输入参数,28天抗压强度为输出参数,以室内实验数据作为样本,使用均方差(MSE)、决定系数(R2)和相对误差等对优化前后两种模型进行验证和对比分析,并以此为基础建立了基于不同性能需求的配合比设计方法。结果表明:相比BP神经网络,GA-BP神经网络训练的适应度函数值更大、均方差更小,预测值与实际值的拟合度可达到0.946,具有更强的预测精度和泛化能力,同时遗传算法的全局搜索能力也弥补了BP神经网络容易陷入局部最优的缺陷,且能更好地指导粉煤灰泡沫轻质土强度预测配合比设计。基于GA-BP神经网络的泡沫轻质土强度增长预测模型可实现对泡沫轻质土抗压强度的灵活调整,对于工程施工具有重要的参考价值。

基于BP神经网络的城市公交服务质量影响因素主成分分析

为改善城市公交服务质量,根据乘客服务质量问卷调查数据分析,运用主成分分析方法对公交服务质量影响因素进行降维处理,把15个影响变量提取为8个主成分变量。在此基础上,运用MATLAB7.0建立影响因素主成分与公交服务质量认可度的BP神经网络模型,在不同参数下进行试验和比较,计算出模拟数据下公交服务质量认可度折减影响系数均方差为0.000 957,表明该模型所选参数值可以用于评估公交服务质量的影响因素分析。最后,根据权值和阀值计算得出影响城市公交服务质量的关键因素为公交车内拥挤程度、驾驶员服务态度和首末班车时间,其影响程度分别为53.09%、32.02%和30.36%。研究结论可以为城市公交服务质量改善提供依据并明确重点改进的方向。

基于Markov-BP神经网络的手写签名手机身份认证技术

手写签名认证技术作为一种有效的生物特征识别技术,具有易于采集、难以模仿、不易伪造的优点。文章提出一种采用马尔可夫状态转移概率矩阵为特征,BP神经网络为用户身份识别分类器的手机身份认证方法。基于Android手机平台和Java语言,实现了文章提出的手机身份认证系统,实验结果证明所提出的基于Markov-BP神经网络的手写签名身份认证系统的有效性。

BP神经网络在机器人运动轨迹规划中的应用

介绍了BP神经网络及其学习规则,将Matlab软件与BP神经网络工具箱相结合,运用到了机器人轨迹规划中,仿真实验证明了BP网络能够解决机器人运动轨迹规划中的某些问题.

利用GA-BP算法对模糊神经网络进行优化

分析了ＢＰ算法和遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍｓ，以下简称ＧＡ）各自的优缺点．将改进的ＧＡ与ＢＰ算法相结合，提出了一种新的ＧＡ－ＢＰ算法，并将其应用于模糊神经网络的参数优化．仿真结果验了本算法的有效性．

基于经验模式分解和BP神经网络的刀具状态监测方法

为提高刀具检测识别率,采用经验模式分解法分解不同状态刀具的切削声音信号,计算各信号分量的能量百分比,形成特征向量。利用三次样条插值方法对特征向量进行插值,插值后的特征向量保留了原始信号的所有特征成分,应用BP神经网络识别刀具的状态。实验结果表明:经验模式分解方法和BP神经网络相结合可以有效识别铣刀状态,平均识别率达86%。

地基沉降预测中CSI和BP-ANN生成“填空数据”精确度比较

基于地基沉降观测数据,同时采用三次样条插值法(Cubic Spline Interpolation,CSI)和经遗传算法优化的BP人工神经网络(Back Propagation Artificial Neuron Network,BP-ANN)仿真生成"填空数据"(插值),并与对应的实际观测数据进行比较.结果发现,BP-ANN仿真生成的数据比CSI仿真生成的数据精确度更高.在具体工程实践中,BP-ANN可作为一种可供选择的"填空数据"生成技术,进行地基沉降预测.

基于贝叶斯正则化BP人工神经网络的煤与瓦斯突出预测的研究

文章介绍了BP人工神经网络和贝叶斯正则化算法的原理,探讨了贝叶斯正则化BP人工神经网络模型的建立,通过改变隐含层神经元个数的实验建立了只含1个隐含层且隐含层仅需1个神经元的煤与瓦斯突出预测模型的最佳网络结构。对该网络采用煤与瓦斯突出的预测指标进行训练、检测的结果表明,该网络预测的煤与瓦斯突出的危险程度与实际情况完全吻合;对该网络输入层输入的煤与瓦斯突出的预测指标、对输出层输出的预测结果的权值进行分析的结果表明,煤层地质构造类型对煤与瓦斯突出的影响为最大。上述研究结果对煤与瓦斯突出的预测预防研究、提高煤与瓦斯突出预测的准确性具有一定的参考价值。

BPNN-SVM混合模型法监测乏燃料剪切机刀具磨损状态

提出了一种基于本征模态函数能量距法对乏燃料对剪切机工作噪声进行特征提取,并融合了BP神经网络和支持向量机构建了一种混合模型用于乏燃料剪切机刀具磨损状态的监测。对乏燃料剪切机刀具的正常、轻度磨损、重度磨损和损坏四种状态下的工作噪声信号分析的结果表明,该方法可以准确、有效地识别这些状态。

基于BP神经网络的温室草莓光照及光质控制分析

结合BP神经网络,优化神经网络算法,利用tensorflow构建神经网络,将数据代入进行100次训练,代入模型求出准确率,经过仿真后得到的结构具有有效性。通过改进的控制过程,实现草莓在光照、光周期、光质3个方面的最优控制,使红颜草莓在北方地区达到高产、高品质。