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BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。

基于加权K-Means和局部BPNN的票房预测模型

电影作为典型的短周期、体验型产品,其票房收益受众多因素的共同影响,因此对其票房进行预测较为困难.本文主要构建了一种基于加权K-均值以及局部BP神经网络(BPNN)的票房预测模型对目前的票房预测模型存在的不足进行改进,从而提高票房预测的精度:(1)构建基于随机森林的影响因素影响力测量模型,并以此为依据对票房影响因素进行筛选,以此来简化后续预测模型的输入;(2)考虑到不同影响因素对票房的影响力不同的现实情况,为了解决以往研究中对影响因素权重平均分配的问题,本文构建了基于加权K-均值和局部BP神经网络的票房预测模型,以因素影响力为依据对样本数据进行加权的K-均值聚类,并基于子样本构建局部BP神经网络模型进行票房预测.实验证明,本文所构建的模型平均绝对百分比误差(MAPE)为8.49%,低于对比实验的10.39%,可以看出本文构建的基于加权K-均值以及局部BP神经网络的票房预测模型的预测结果要优于对比模型的预测结果.

基于BPNN/HMM神经网络的声学模型研究

研制了一种基于BP神经网络和隐马尔可夫模型 (HMM )的混合声学模型 ,BP神经网络的主要功能是把失真语音特征矢量转换成纯净语音特征矢量 ,而HMM则对转换后的纯净语音特征矢量进行分类 ,从模型级补偿的方面来提高语音识别系统的鲁棒性 .讨论了一种基于线性预测的MFCC语音特征提取方法 ,该方法把提取出的失真语音特征矢量作为神经网络的输入 。

基于量子微粒群的BPNN在转炉炼钢静态模型中的应用

针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络(BPNN)的拓扑结构,并依此建立了转炉炼钢静态模型。然后把量子微粒群算法(QPSO)应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法(PSO)、梯度下降法的学习性能。最后,基于某炼钢厂的历史数据进行了仿真实验,比较了三种BP网络学习算法下的炼钢终点命中率。研究结果表明,该研究提高了转炉炼钢静态模型的终点C含量和温度预测精度。

基于PSO算法优化的BPNN天然气脱CO_2膜分离过程软测量模型

天然气脱CO2膜分离过程是一个非线性复杂系统.针对其过程中一些关键性能参数如脱碳气流量和尾气CO2浓度难以在线精确测量,建立了基于PSO算法优化的BP神经网络天然气脱CO2膜分离过程软测量模型.其中,为克服BP神经网络收敛速度慢、易陷入局部最小值等缺点,引入惯性权重算法和收缩因子对传统PSO算法进行改进后,用PSO算法优化BP神经网络的权值和阈值;然后,基于Matlab软件和采集的现场数据对天然气脱CO2膜分离过程进行建模仿真.结果表明,模型收敛速度快,模型测量的天然气脱CO2膜分离过程中的关键参数脱碳气流量和尾气CO2浓度值与实测值符合较好,误差小.

基于PSO优化BPNN估计光伏阵列MPPT控制系统研究

为了充分利用光伏阵列转换能量,提高光伏阵列的发电效率,在分析光伏阵列的伏安特性及最大功率点跟踪(MPPT)原理的基础上,提出了一种基于粒子群算法优化BP神经网络(PSO-BPNN)的建模方法,并用这种改进的神经网络构建了光伏阵列的动态模型。通过PSO-BPNN模型拟合光伏阵列输出功率与输出电压的非线性关系,实现了对光伏阵列的最大功率点跟踪。Matlab/Simulink仿真及在线测试结果表明:基于PSO-BPNN估计的光伏阵列MPPT控制系统能快速、精确地跟踪光伏阵列的最大功率点,改善了BP神经网络收敛速度慢,易陷入局部极值,建模精度不高的缺点,提高了系统的稳定性和能量转换效率,是研究光伏发电这个复杂非线性系统的一个可行办法。

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。

水处理中线性回归和BPNN预测混凝投药量的比较

BP神经网络和线性回归模型是混凝投药前馈控制中2种不同的预测混凝投药量的方法。分别用这2种方法建立了混凝投药量前馈控制模型,并基于同一样本数据进行仿真比较。结果表明,该3层结构BP模型通过学习可以根据原水水质进行投药量的有效预测,优于传统的线性回归模型,具有较强的自适应性和实用性。但对某些水质的投药预测值还存在一定误差。

基于RSM和RA-BPNN的锌窑渣中铜浮选试验优化

云南某地锌窑渣矿样,原矿为高碱性矿石,矿石含铜1.38%,氧化率为30.12%。以磨矿细度、戊基黄药用量、碳酸钠用量、硫酸铜用量和硫化钠用量作自变量,以浮选回收率为因变量,分别建立了CCD响应曲面设计模型(RSM)和基于回归分析-BP神经网络(RA-BPNN)的浮选预测优化模型。根据两种模型的优化能力、优化精度进行分析和对比,结果表明,基于RA-BPNN模型进行预测及试验验证,铜回收率达到了64.06%,误差为0.74%,浮选回收率较RSM模型提高了1.54个百分点,且误差明显小于RSM模型,这表明RA-BPNN模型的优化能力高于RSM。根据试验结果,确定了锌窑渣浮选回收铜的最佳浮选条件为:磨矿细度90%、戊基黄药用量370g/t、碳酸钠用量720g/t、硫酸铜用量1080g/t、硫化钠用量870g/t。通过“一次粗选、三次精选、两次扫选、中矿顺序返回”的闭路浮选工艺流程,获得了品位为6.58%,回收率为55.98%的铜精矿。

Height prediction of water flowing fractured zones based on BP artificial neural network

Factures caused by deformation and destruction of bedrocks over coal seams can easily lead to water flooding(inrush)in mines,a threat to safety production.Fractures with high hydraulic conductivity are good watercourses as well as passages for inrush in mines and tunnels.An accurate height prediction of water flowing fractured zones is a key issue in today's mine water prevention and control.The theory of leveraging BP artificial neural network in height prediction of water flowing fractured zones is analysed and applied in Qianjiaying Mine as an example in this paper.Per the comparison with traditional calculation results,the BP artificial neural network better reflects the geological conditions of the research mine areas and produces more objective,accurate and reasonable results,which can be applied to predict the height of water flowing fractured zones.

基于改进BAS-BPNN的Stewart平台位姿正解

针对目前Stewart平台位姿正解难以兼顾高精度和实时性的问题,设计出满足平台精度要求且运算时间尽量少的正解方法是研究并联平台运动学的关键。首先建立平台运动学反解模型求得BP神经网络(BPNN)的训练集,然后调整步长策略和引入惯性权重改进天牛须搜索算法(improved BAS,IBAS),提升算法性能,通过改进后的算法优化BP神经网络的初始权阈值,反复学习训练至最小误差,最后选取一段位姿变化进行仿真验证。仿真结果表明,IBAS-BPNN正解法在选取的100组位姿点中的最大位姿误差小于0.6%,运算时间为31.9 s,通过与遗传算法(GA)、粒子群算法(PSO)和天牛须搜索算法(BAS)优化的BP神经网络模型进行对比分析,验证了IBAS-BPNN模型在精度和运算速度方面具有优越性。算法模型有效提升了Stewart平台位姿正解的精度和实时性,为平台的运动学和控制提供了理论和方法参考。

基于BPNN的超声波电动机转速控制与实验研究

为改善行波型超声波电动机因强非线性问题引起的转速跟踪准确性低和控制平稳性差等问题,设计了基于BP神经网络(BPNN)超声波电动机转速控制算法,并对设计算法进行了仿真分析;通过超声波电动机实验系统证明了该控制算法的有效性。研究结果表明,基于BPNN的控制策略可实现超声波电动机快速响应和高精度速度跟踪,控制误差小于2r/min。

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型。首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报。为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了“分解-预测-重构”模型。经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点。

永磁同步电机BP神经网络 智能PID滑模观测矢量控制算法

针对永磁同步电机(PMSM)转速超调量大、转子位置检测精度低等问题,提出一种BP神经网络智能PID滑模观测器控制策略,将BP神经网络与传统PID控制相结合,利用BP神经网络实现对PID增益的在线调节,实现对永磁同步电机启动、突加负载干扰时稳定控制。采用无位置传感器控制,在永磁同步电机数学模型α-β坐标系中建立了滑模观测器结构,并且在Matlab/Simulink仿真系统中建立了仿真模型进行了仿真分析;从PID参数、电机转速等方面对BP神经网络智能PID控制的有效性进行了评估和仿真验证。通过仿真分析,采用滑模观测器检测转子实际位置与预期位置之间的误差小于7%,在0.3 s之后转子实际位置与预期位置完全重合。采用BP神经网络智能PID控制的永磁同步电机在启动时转速超调量减少了10.6%,在突加负载干扰时减少了1.4%。相比起传统PI控制,提出的BP神经网络智能PID控制能够有效提高PMSM的自适应性及抗干扰能力,并且显著减少了电机在启动及突加负载时超调量。

基于BP神经网络的传感器特性补偿新算法的研究

在用人工神经网络对传感器特性进行补偿的基础上,进行了一些改进与简化,提出了一种简化的快速算法,通过多步继承法、神经元功能函数平移法、停止条件比较法等措施,对BP神经网络本身的一些缺陷,如收敛速度慢、容易收敛到局部最小点等进行了弥补,并用MATLAB语言编制了训练程序。结果表明,该算法可以进一步提高数据拟合的精度。

基于BP神经网络的挤压模具磨损预测

基于修正的Archard磨损模型,将人工神经网络与有限元分析相结合,用有限元模拟数据作为学习样本,训练BP神经网络模型,以此模型预测挤压模具的磨损,实现了模具寿命的快速预测,也为模具型腔等磨损设计奠定了基础。

基于BP神经网络的船舶号灯识别模型与仿真

建立基于误差反传神经网络的船舶号灯智能识别模型,在众多的号灯识别参数中进行优化分析,确定了能见度、号灯亮度、背景亮度和眩光4个重要输入参数;利用这4个参数,基于误差反传神经网络对船舶号灯的可识别性进行建模和仿真,比较利用Levenberg-Marquart(L-M)、动量梯度下降、变学习率动量梯度下降和弹性反向传播等学习算法建立的误差反传神经网络模型,并确定L-M算法具有最优结果.通过号灯识别的仿真结果表明,识别结果与航海专家评估的结果一致.本模型实现了复杂光环境下船舶号灯可识别性的预报和影响因素分析,对保障船舶的夜航安全有着重要意义.

BP网络应用于长江水质研究

运用我国地面水环境质量标准 (GB3838-88)作为学习样本 ,选取了包括氧平衡参数、营养元素、重金属离子、油类等 14个指标 ,运用人工神经网络BP模型对长江干流和主要支流 (含湖泊 )的水环境质量进行分类研究。将计算结果与GIS数字化图形相结合 ,表明长江干流和大部分支流水质状况基本良好 ,上游支流沱江、下游支流大运河及太湖已受到较为严重的污染 ;

基于主成分分析的BP神经网络及其在需水预测中的应用

以甘肃省瓜州县为例，利用1988~2007年的总需水量数据，采用主成分分析法对影响水资源需求量的7个因子进行主要影响因子分析，根据确定的主要影响因子构造BP神经网络的输入样本，从而进行不同水平的年总需水量预测。结果表明：国内生产总值、工业总产值、农业总产值和大牲口数4个因子为影响研究区需水量的主要因子，将此作为主要因子构造BP神经网络的输入样本，确定网络输入节点数，建立瓜州县总需水量预测模型。模拟计算结果表明，基于主成分分析的BP神经网络模型取，预测结果的绝对误差小于±0．05×10^9m3。