基于GA-BP神经网络的船舶空冷器状态预测

当前船舶空冷器的工作状态主要依靠空冷器冷却后的增压空气温度T_(A2)判断,通常按设定阈值触发报警,存在预警差和精度低等问题。对此,提出一种基于GA-BP(Genetic Algorithm-Back Propagation)神经网络的T_(A2)预测方法。利用BP神经网络构建空冷器状态预测模型,通过对比运行过程中T_(A2)实测值与预测值的偏差,及时发现空冷器的异常状态;引入GA解决BP神经网络存在的收敛速度慢和易于陷入局部最优解等问题。为验证基于GA-BP神经网络的预测方法的有效性,选取多组空冷器清洗前后的状态数据进行训练和验证,结果表明该方法能有效识别空冷器的异常状态。

基于BP神经网络的上海生鲜农产品物流需求预测

针对传统的生鲜农产品物流非线性需求预测模型收敛速度慢、精度低等问题,构建由改进粒子群(improved particle swarm optimization,IPSO)算法优化反向传播(back propagation,BP)神经网络的预测模型。引入对立学习机制、自适应惯性权重、非对称学习因子提升粒子群(particle swarm optimization,PSO)算法的初始解质量,平衡算法的局部开发和全局搜索能力;利用IPSO算法优化BP神经网络的权值和阈值,解决BP神经网络收敛速度慢、容易陷入局部最优等问题。通过上海生鲜农产品物流需求预测实例对模型的有效性进行验证,结果显示:IPSO-BP神经网络模型在预测精度及收敛速度上均明显优于传统PSO-BP神经网络和BP神经网络模型。

基于BP神经网络的电商企业库存需求预测

随着电子商务的迅猛发展,市场需求的不稳定性日益凸显,这使得很多企业难以准确设定库存量,容易导致大量库存资金被占用。要想降低库存成本,必须准确预测市场需求,并据此设定合理的库存。文章以H公司为例,利用反向传播(Back Propagation,BP)神经网络预测方法预测其产成品需求,使企业保持合理的库存,减少不必要的库存资金。

基于互相关序列和BP网络的声源定位算法

在基于麦克风阵列的声源定位算法中,一种常用算法的基本思路是通过麦克风接收到信号的相关序列来计算信号之间的时延,进而再根据阵列的结构确定声源的位置。在分析传统的声源定位算法基础上,针对双五元十字阵模型,介绍传统的基于广义互相关相位变换加权(generalized cross correlation-phase transform,GCC-PHAT)时延估计的定位算法,并给出基于GCC-PHAT时延估计和反向传播(back propagation,BP)神经网络的定位算法、基于抛物线互相关时延估计和BP网络的定位算法,进而通过分析影响时延估计的主要因素,提出了基于互相关序列和BP网络的新定位算法,该算法将GCC-PHAT互相关序列最大值点的位置、最大值点及其左右各一点的相关值作为BP网络的输入,通过对BP网络进行训练来实现声源的三维定位。仿真实验表明:与传统的基于GCC-PHAT时延估计的定位算法相比,所提出的各个算法均具有较好的定位效果,后者均比前者的定位精度更高,而且提出的基于互相关序列和BP网络的新定位算法在低信噪比和高混响的条件下,也具有较好的定位效果。

基于反向传播神经网络的三维足迹触觉步态特征识别

为有效解决当前传统步态特征人身识别技术过分依赖人工判读、识别准确率较低的问题,将计算机技术引入步态特征识别领域中,以获取一种基于反向传播(back propagation, BP)神经网络的步态特征识别新方法。将立体赤足足迹作为研究对象,通过光栅立体足迹采集仪对立体赤足足迹图像进行预处理,以获取计算机可识别出的三维足迹触觉步态特征信息,记录立体赤足足迹的深度差、区域面积、区域体积三类步态特征信息,并在法庭科学领域中的足迹检验理论为基础的前提下运用BP神经网络,对其中Multillayer Perceptron分类器参数进行优化调整,最后,将测试结果与传统的人工检验结果进行比对,从比对结果得出,相对于传统的人工鉴别方法只有84.7%的准确率,基于BP神经网络的步态特征人身识别算法的准确率可达到90%以上。

基于遗传算法-反向传播神经网络的径向式导叶多级泵水力性能优化

针对径向式导叶多级泵内部流动状态复杂多变而导致其水力性能曲线难以精确测量的技术难题,采用遗传算法(genetic algorithm,GA)迭代优化反向传播(back propagation,BP)神经网络的权值与阈值,构建了基于GA-BP神经网络的径向式导叶多级泵水力性能预测模型,以MD500-57型径向式导叶多级泵为研究对象,建立了输入层为13个神经元、隐含层为10个神经元、输出层为2个神经元的GA-BP神经网络,采用正交试验方法设计了试验参数的正交试验方案,运用数值模拟计算方法对正交试验方案进行求解,获得了试验参数的训练样本,并对神经网络进行训练与测试,计算了过流部件关键几何参数的最优组合方案。试验结果表明:优化后该多级泵在设计工况下扬程增加了2.4 m,效率提高了3.34%,且高效区范围变宽。

基于BP神经网络的多类运动想象脑电信号识别系统研究

脑电信号识别指令多设定为单目标,导致系统误识率高,为此研究基于反向传播(Back Propagation,BP)神经网络的多类运动想象脑电信号识别系统。通过电极帽与脑电采集板的构建与搭接,完成系统硬件的设计;进行BP神经网络多目标识别指令集群的接入,同时利用分段BP神经网络功能识别模块增强系统的识别控制能力,完成系统软件的设计。最终的测试结果表明:对上述系统进行3个阶段,5组测试之后,系统在第3阶段的脑电波误识率明显控制在2%以下,系统的误识别率较低,具有较高的识别应用价值。

基于BP神经网络的大规模在线教育学习者满意度测评模型构建

为提升大规模在线教育学习者满意度测评效果,降低测评冗余值,构建了一种基于反向传播(Back Propagation,BP)神经网络的大规模在线教育学习者满意度测评模型。首先选取满意度测评指标,设定测评模型的路径系数图,其次估计路径系数图块结构参数,分析结构变量与观测变量间的关系,最后通过设计BP设计网络的结构并进行学习训练,实现大规模在线教育学习者满意度测评模型的构建。试验结果证明,构建模型能够取得更低的测评冗余值。

基于BP神经网络的高职英语教学质量评价方法

为进一步提高高职英语教学质量评价的有效性,提出了基于反向传播(Back Propagation,BP)神经网络的高职英语教学质量评价方法。文章通过建立高职英语教学质量评价指标体系,运用层次分析法确定各评价指标权重,设计一个BP神经网络评价模型,将评价指标与指标权重作为模型输入,实现高职英语教学质量评价。实验结果表明,设计方法可以定量评价高职英语教学质量,且具有较高的准确性和实用性。

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播(back propagation,BP)神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省统计年鉴数据为基础,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均国内生产总值(gross domestic product,GDP)作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证。结果表明:本文方法非线性拟合效果较好,具有较高的预测精度。

基于BSO-BP的船舶油耗预测模型

为解决基于传统反向传播(back propagation,BP)神经网络的船舶油耗预测模型易陷入极小值和误差较大的问题,提出一种利用头脑风暴优化(brain storm optimization,BSO)算法优化BP神经网络的船舶油耗预测模型(简称BSO-BP模型)。以“维多利亚凯娅”号内河游船为研究对象,将BSO-BP模型的预测结果与采用传统BP神经网络以及模拟退火(simulated annealing,SA)算法、遗传算法(genetic algorithm,GA)、粒子群优化(particle swarm optimization,PSO)算法优化的BP神经网络的船舶油耗预测模型的预测结果进行对比分析。结果表明:与传统BP神经网络模型的预测结果相比,BSO-BP模型预测结果的可决系数R^(2)提高了0.003 9,均方误差、均方根误差、平均相对误差、平均绝对误差分别降低了0.034 4、0.154 1、0.010 2、0.017 8,说明在船舶油耗预测中BSO算法对BP神经网络的预测精度有显著的提升作用;BSO-BP模型预测结果的各项评价指标在所对比的5种模型中均表现最好,说明与SA算法、GA和PSO算法相比,BSO算法对BP神经网络的提升效果更好。

基于多特征融合的反向传播神经网络高分影像分类与变化检测

传统的基于高分影像的分类方法分类精度较低,极大地增加了土地利用分类后的错分和漏分的可能性。为了提高分类以及变化检测精度,以广西桂林市临桂区为研究区,采用WorldView-2号以及高景一号高分影像,首先基于多层前馈反向传播(back propagation,BP)神经网络方法融合遥感影像的纹理、光谱、植被指数以及水体指数特征,制定出4种特征数据集融合方案;然后基于4种不同的方案对高分影像进行分类,并根据分类结果选取最优的分类方案,完成桂林市临桂区2017年与2020年土地利用变化检测。实验结果表明:融合纹理、光谱、植被指数以及水体指数特征的第四种方案可以得到较为有效的分类以及变化检测结果,分类的总体精度为92.92%,Kappa系数为0.9028。

弹性反向传播神经网络在冠心病发病率预报中的应用

目的探讨弹性反向传播(BP)神经网络在时间序列资料分析中的应用,建立冠心病发病率的预测模型。方法利用青海海西州地区2003～2009年登记的冠心病发病率时间序列资料,以双曲正切S型函数为传输函数、隐层节点为4与11的三层BP神经网络,建立两种冠心病发病率的非线性时间序列预测模型。结果建立的ANN2预测模型简单易行,预测值平均相对误差为0.005 547,预测精度高。结论 BP人工神经网络可以用于冠心病发病率的预测。

基于EMD-AVOA-BP的逆变器故障诊断方法

以CRH3C型动车组逆变器中的绝缘栅双极型晶体管(IGBT,Insulated Gate Bipolar Transistor)双管开路故障为研究对象,提出了一种基于非洲秃鹫算法(AVOA,African Vultures Optimization Algorithm)和优化的反向传播(BP,Back Propagation)神经网络的逆变器故障诊断方法。在Simulink中搭建列车逆变器的控制模型,取得故障电流;采用经验模态分解(EMD, Empirical Mode Decomposition)对电流信号进行去噪和故障特征提取,再利用AVOA对BP神经网络进行优化,实现了对列车逆变器IGBT双管开路故障的诊断。与传统方法进行对比可知,该方法具有更高的精准度,在测试集中其精准度达到100%。

基于FAHP-BP神经网络的临近道路深基坑施工风险研究

以长沙市某临近清风南路的深基坑开挖工程为例,根据工程实际情况,结合专家意见和现有研究成果建立临近道路深基坑施工安全风险评价指标体系,针对传统层次分析法确定权重的精度不能满足实际工程需要的问题,通过改进模糊层次分析法(FAHP)确定评价指标权重,再运用反向传播(BP)神经网络评估深基坑施工安全风险等级,预估该深基坑施工风险等级为高,评估结果与现场实际相符。

电力系统网络信息安全风险防范措施分析

为强化电力系统网络信息安全防护能力,聚焦于电力系统网络的信息安全风险,深入分析电力系统网络的基本架构和关键技术组件,并识别电力系统网络所面临的主要技术安全风险,并采用模糊预处理和反向传播(Back Propagation,BP)神经网络算法构建一个电力系统风险评估模型。结果表明,构建的全面风险评估体系,可以有效评估电力系统的安全风险,为电力系统网络的安全管理和决策提供实用的工具,从而保障能源和网络安全。

基于遗传算法的BP神经网络交通冲突预测模型

交通冲突预测是预防交通事故的重要手段,但由于存在轨迹获取和冲突识别困难的问题,至今未能在交通安全领域进一步应用。通过搭建冲突预测模型,可以简化交通冲突次数获取困难的问题。文章针对反向传播(Back Propagation,BP)神经网路的缺点,提出基于遗传算法的BP神经网络交通冲突预测模型,并应用该模型预测实际交叉口的交通冲突量,验证了模型的有效性。

基于BP神经网络的配网线损研究

配网线损是电力系统运行中存在的一个重要问题,对于电力公司的经济效益和社会影响有着极大的影响。传统的线损计算方法存在很多局限性,难以准确预测线路的损耗情况。为了解决这一问题,提出了一种基于反向传播(Back Propagation,BP)神经网络的配网线损研究方法。通过收集配电变压器的输入电量、输出电量和线路损耗等数据建立BP神经网络模型,利用模型预测线路损耗,通过实验验证方法的有效性,最后总结方法,提出未来的研究方向。

基于BP神经网络模型的人口预测方法

文章基于《中国统计年鉴》公布的数据,通过建立反向传播(Back Propagation,BP)神经网络预测算法,使用多项式拟合算法模型和修正的Logistic模型两种算法进行对比,对2030年的人口进行预测。预测数据结论表明,3种算法预测的人口总数同国家人口发展报告预测的人口总数相比,其绝对误差均在误差范围内。其中,误差最小的是BP神经网络预测模型,该模型预测2030年总人数为14.33亿,绝对误差为0.006。

基于改进BP神经网络的分布式光伏系统短期出力预测方法

为减小分布式光伏系统短期出力预测值与实际值的偏差,提高出力预测精度,保证光伏系统稳定运行,设计基于改进反向传播(Back Propagation,BP)神经网络的分布式光伏系统短期出力预测方法。首先,建立分布式光伏系统发电模型,获取分布式光伏系统的短期光伏出力衰减性特征与理论出力情况。其次,计算样板站出力相关系数,选择具备预测估算条件且能够代表分布式光伏系统集群出力特征的预测样板站。最后,进行实验分析。实验结果表明,该方法的短期出力功率预测值与出力功率实际值更接近,偏差较小,能够更加精确地预测出分布式光伏系统的短期出力情况。