遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

误差反向传播算法与信噪分离

研究了误差反向传播算法的基本原理及其在信号识别与噪声消除中的应用。通过与经典谱估计的信号处理效果进行比较 ,阐明了BP网络具有良好的信噪分离特性。

基于GA-BP网络的数控机床动态误差预测研究

动态误差是高速高精度数控机床的重要误差源,针对实际加工过程中动态误差对工件精度影响较大的问题,提出了一种基于遗传算法优化的反向传播(GA-BP)神经网络以预测动态误差。首先,为了提高神经网络对动态误差的预测精度,从线性特征与非线性特征两方面对动态误差影响因素进行了深入分析,确定了神经网络输入输出参数;然后,采用了遗传算法对BP神经网络进行了优化,建立了动态误差模型,获得了最优网络学习参数,从而实现了对动态跟随误差的精准预测;之后,采用三次样条插值的方法对理想轨迹与实际轨迹之间的轮廓误差进行了计算,有效提高了轮廓误差估算精度;最后,采用了五轴数控机床进行了实验,对模型的有效性进行了验证。研究结果表明:所建神经网络模型可以精准预测机床反向越冲特性对轮廓误差的影响,各轴的动态误差预测精度为±3μm,复杂轨迹轮廓误差预测精度为±1.5μm。实验结果验证了所建模型的可靠性,为后续机床动态误差建模与控制研究提供了一定的参考价值。

基于智能优化算法及其优化BP神经网络的室内定位

为研究智能优化算法在室内到达时间差(time difference of arrival,TDOA)定位方面的应用效果。首先,分别使用白鲨优化算法(white shark optimizer,WSO)、变色龙优化算法(chameleon swarm algorithm,CSA)、蛇优化算法(snake optimizer,SO)、鲸鱼优化算法(whale optimization algorithm,WOA)、灰狼优化算法(grey wolf optimizer,GWO)、麻雀优化算法(sparrow search algorithm,SSA)这6种智能优化算法进行室内的二维TDOA定位,对比分析上述算法在室内定位领域的表现,并和传统的Taylor算法的定位误差进行对比;接下来,使用SOA算法对BP神经网络进行优化,使用优化后的SOA-BP进行定位,与基础的BP神经网络的定位误差进行对比。结果表明:所使用的6种智能优化算法在室内定位领域有着不错的表现,各智能优化算法的效果相似,平均定位误差为0.44 m,相较于传统的Taylor算法提升约9.2%;SOA-BP的定位误差相较于基础的BP神经网络降低超过30%。

基于ACO-BP算法的熔融沉积成型翘曲变形量的预测方法

针对熔融沉积成型翘曲变形量预测问题,提出了一种基于蚁群算法(ACO)-误差反向传播(BP)神经网络算法的预测方法。采用ACO算法优化BP神经网络的初始权值、阈值,防止其训练时收敛于局部极小。基于正交试验分别设计4因素4水平的训练样本集和4因素3水平的验证样本集。训练样本集用于预测模型的学习,验证样本集用于验证预测方法的精度。基于极差法分析了各工艺参数对翘曲变形量的影响程度。结果表明,工艺参数对翘曲变形量的影响程度从大到小分别为层高、填充率、喷头挤出温度和打印速度。采用训练样本集充分训练预测模型后,验证基于ACO-BP算法的翘曲变形量预测方法的效果。基于均方根误差(RMSE)、均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)评价模型预测精度。对于RMSE,BP算法的预测精度约为ACO-BP算法的1.7倍;对于MSE,BP算法的预测精度约为ACO-BP算法的2.9倍;对于MAE,BP算法的预测精度约为ACO-BP算法的1.6倍;对于MAPE,BP算法的预测精度约为ACO-BP算法的2.2倍。基于ACO算法优化的BP神经网络预测精度更高。

单亲遗传误差反向传播算法及其在县级生态农业综合评价中的应用

针对误差反向传播 (BP)算法局部收敛等局限性和单亲遗传 (PGA)算法的优点 ,提出了融PGA和BP为一体的单亲遗传误差反向传播 (PGA BP)算法 ,并用于县级生态农业的综合评价 .评价结果表明 :PGA BP算法具有简便、高效、适应性强等优点 ,用于县级生态农业的综合评价是切实可行的 .

基于GA优化BP神经网络的机床转台定位误差分析

为了提高数控机床转台误差补偿效果,设计了一种通过遗传算法(GA)来完成BP神经网络优化过程,并加入坐标参数、运动速度指标建立了转台定位误差模型。通过Matlab软件构建GA优化BP模型,得到优化权值与阈值后,将结果移植至DSP内开展建模与预测,促进预测速率的大幅提升。研究结果表明:机床转台处于各空间位置与速率下形成了不同定位误差,总体呈现较为复杂的变化特征采用GA优化BP神经网络构建的模型预测时达到了更高精度,误差残差范围在-0.5~0.5μm,满足实际需求。该研究有助于提高机床转台定位精度,增强加工精度。

基于GA-BP网络的数控机床工作台定位误差分析

为了提高数控机床对测试误差的补偿效果,开发一种通过遗传算法(GA)来完成BP网络的优化过程,并加入坐标参数、运动速度指标,建立工作台的定位误差仿真模型。先通过Matlab软件构建得到GA-BP模型,得到优化权值与阈值后,再将结果移植至DSP内开展建模与预测,由此促进预测速率的大幅提升。研究结果表明:以DSP构建的预测系统对各定位误差残差分布进行预测得到的范围是-0.69~0.51μm。采用GA-BP网络构建的模型进行预测时达到了更高精度。

电力系统潮流误差反向传播算法

文中将人工神经网络中的误差反向传播算法应用于电力系统潮流计算,通过算例表明,该算法具有较好的收敛特性。

基于MEA-BP神经网络的压力传感器误差补偿算法

针对压阻式压力传感器对环境条件变化较为敏感,温度变化时会产生热漂移,影响传感器性能的不足,文中采用思维进化(MEA)-反向传播(BP)神经网络算法对压阻式压力传感器建立误差补偿模型,该模型利用MEA算法对神经网络的初始权值和阈值进行优化,减少了由于初值的不确定性导致训练陷入局部最优的可能性,并采用Levenberg-Marquardt算法代替梯度下降法加快神经网络的收敛速度,增加补偿算法的可靠性。仿真试验结果表明, MEA-BP算法与原始BP神经网络补偿法和遗传算法-BP神经网络补偿法相比,均方根误差期望值分别降低了48.7%和8.29%,且标准差分别降为其他2种算法的5%和4%,证明经过MEA算法优化的BP神经网络补偿方法能更加精确地补偿温度造成的影响,且补偿结果更为可靠。

基于迭代式MapReduce的误差反向传播算法

针对误差反向传播（BP）算法计算迭代的特点,给出了迭代式MapReduce框架实现BP算法的方法。迭代式MapReduce框架在传统MapReduce框架上添加了传送模块,避免了传统框架运用在迭代程序时需要多次任务提交的缺陷。通过对K/TGR146对空台射电开关控制系统进行仿真得到BP算法训练样本,并在Hadoop云计算环境下,分别在基于传统框架和迭代式框架的BP算法中进行训练。实验结果表明,基于迭代式MapReduce框架的BP算法训练速度达到了基于传统MapReduce框架的BP算法训练速度的10倍以上,正确率提升了10%~13%,能有效解决算法训练时间过长和迭代计算中多次任务提交的问题。

基于误差反向传播算法的海上拖航风险

针对当前海上拖航作业失事后果严重、难以进行全线监测等问题,对大型海洋平台拖航作业的风险进行分析,结合事故致因理论从人、机、环境、管理等4个方面构建海上拖航作业安全评估指标体系。在此基础上,提出基于单隐藏层误差反向传播算法的海洋平台拖航作业安全评估模型,将指标数据作为网络输入、单一隐藏层作为中间层、拖航安全的评估值作为网络输出。试验结果表明,所提方法具有良好的精度和鲁棒性,对海上拖航作业具有一定的指导意义。

基于反向传播(BP)算法的核保风险分析模型探讨

针对高血压疾病建立风险判别模型,对投保人的患病风险以及属于何种风险类别进行判别。首先运用Ken-dall(tau-b)检验,选取相关性因素;然后以项目数据库作为建立风险判别模型的数据集,应用反向传播(BP)算法建立模型;最后通过改变训练集的样本数,来检验模型的精确程度。模型对投保人患病判别的吻合率达到81%左右,具有较强的可操作性,并可推广到相应的保险和金融等领域的风险分析。

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻型湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型迭代性能、标准偏差;最后发现当神经网络用L-M算法进行训练模拟时在迭代性能、标准偏差等方面具有更优异的表现,更适合湿度传感器的非线性特性的补偿校正。

基于遗传算法及BP网络的主轴热误差建模

针对基于多输入多输出(MIMO)反向传播(BP)神经网络的热误差建模方法过度依赖于训练样本、通用性与收敛性较差的问题,利用灰色聚类分组与相关分析法对温度变量进行分组并提取热敏感点,利用遗传算法(GA)将预测输出与期望输出的误差绝对值和的倒数作为判断隐含层节点数的准则,对MIMO-BP网络的拓扑结构进行优化,设定输出层残差误差限,实现了网络阈值与权值的有效优化。建立了基于MIMOM-BP与GA-BP的主轴轴向热伸长与径向热倾角的热误差模型。以精密坐标镗床主轴为研究对象,采用五点法对热误差进行测量,验证了测量及建模方法的有效性,表明GA-BP模型可实现不同工况下主轴空间位姿状态的高精度预测,更适合作为热误差补偿模型。

误差反向传播算法的数学推导及实现步骤

提供了人工神经网络的一种算法-误差反向传播算法的数学推导方法及上机实现步骤.

一种改进的反向传播神经网络算法

在标准反向传播神经网络算法的基础上,提出了一种改进的反向传播神经网络算法.通过对每个处理单元增加3个参数来增强作用函数,且3个参数与连接权一样,在学习过程中进行实时更新.此算法提高了学习速度,且减少了进入局部最小点的可能性.通过XOR问题的仿真证明了改进算法的有效性.

基于相对误差平方和的BP算法

考虑到在很多情况下 ,人们更关心预报模型的预报值与实际值的相对误差情况 ,从而该文采用实际输出与希望输出的相对误差的平方和作为目标函数 ,给出了一种基于相对误差平方和为最小的BP算法。考虑到网络的实际输出值介于 0到 1之间 ,该文对实际问题的理想输出值给出了一种规范化处理方法。通过大量算例检验证实 ,在基于相对误差平方和为检验标准前提下 ,利用该文所给算法求得的拟合值或预报结果要优于传统的基于绝对误差平方和作为目标函数的BP算法所得结果。

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。