BP改进算法及其在路面裂缝检测中的应用

针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小值等缺点,提出了一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法,给出了一种新的传递函数,设计了复合误差函数,同时采用了一种分层动态调整不同学习率的新方法,以加快传统BP算法的收敛速度和避免陷入局部极小值,并对路面裂缝图像进行了试验,比较了BP改进算法与传统BP算法在裂缝检测中的性能参数。试验结果表明,BP改进算法将全局均方误差减小了0.812 5,检测速度提高了30%,能够充分满足路面裂缝自动检测的实时性要求,是一种行之有效的方法。

BP改进算法研究及一种系统控制训练算法

为了实际应用的目的，本文对一些ＢＰ改进算法进行了研究，发现了这些改进算法的优缺点及应用范围，并提出了一种系统控制训练算法，实例验证表明该算法具有收敛快、能保证训练正常进行、应用方便等显著优点。

《神经网络BP改进算法及其性能分析》

目前神经网络模型已有40多种。BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输人一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。其结构包括输入层（input）、隐含层（hiddenlayer）和输出层（outputlayer）3类。

基于改进SABO-BP算法的电网谐波预测

针对日趋严重的电网谐波污染亟需大量谐波数据支撑分析和治理及电网谐波监测能力不足的问题,提出一种改进减法平均优化(subtraction average based optimizer, SABO)算法优化反向传播(back-propagation, BP)神经网络实现谐波预测,以缓解当前谐波数据匮乏的问题。为了克服现有SABO算法易于陷入局部最优解,初始化时使用Logistic混沌映射替代随机数,同时迭代搜索中利用黄金正弦优化算法辅助SABO跳出局部最优,从而提高BP神经网络预测准确率。最后,以某省实际运行数据验证所提改进SABAO-BP模型在谐波电压畸变率及单次谐波电压含有率预测中均具有较高准确性。

基于改进BP神经网络的计算机专业教学质量评价方法

为提高计算机专业教学质量评估准确度,文章提出基于改进BP神经网络的计算机专业教学质量评价方法。首先选取计算机专业教学质量评价影响因素,然后以此为基础,利用改进后的BP神经网络对各影响因素进行分析计算,确定最终的教学质量评价结果。测试结果表明,该评价方法对教学质量评价结果与专家组评价结果之间的误差始终稳定在0.15以内,最小误差仅为0.05,应用效果较好。

基于改进BP神经网络的风冷热泵除霜智能控制方法研究

当前的智能除霜过程没有考虑机组本身对除霜的影响,造成以BP神经网络为主的控制方法能耗高,效率低。该文提出改进BP神经网络控制风冷热泵除霜控制方法。结合质量守恒定理,明确风冷热泵中湿空气和风机翅片管热器间的换热关系,通过计算控制单元进口和出口处含湿量差值得到风冷热泵的结霜量;使用北方苍鹰优化算法改进BP神经网络,将空气侧换热器结霜相关参数和机组系统对结霜的影响参数作为网络输入,基于结霜量输出换热器除霜开始时间和加热结束时间,实现风冷热泵除霜智能控制。实验结果表明,所提控制方法可在170 s以内解除冻霜,并将结霜过程中的运行压力波动维持在0.3 MPa,降低能源消耗的同时加快了除霜效率,确保空调设备能高性能平稳运行。

基于改进BP神经网络的电气设备绝缘故障诊断研究

文章以变压器绝缘故障为例,首先采用改进谐波分析法进行在线监测,获取变压器绝缘的原始信号,并对已获取信号进行预处理工作。其次采用自适应学习率改进BP算法,并搭建3层前馈神经网络,构建新型神经网络模型。最后应用改进的BP神经网络模型,结合熵值法完成变压器信号训练,实现变压器绝缘故障诊断。实验结果表明,此方法可有效提升电气设备绝缘故障诊断的准确性,缩短整体诊断耗时,具有较高的实际应用价值。

基于改进BP神经网络的土建工程造价精准预测方法

为提高造价预测结果的可靠性,规范项目施工中的造价支出,本次改进BP神经网络,以某土建工程项目为例,开展工程造价精准预测方法的设计研究。先从不同的部门、供应商或历史项目中收集土建工程的各项造价输入值,采用均值填充法进行数据值的填充,按照标准,进行土建工程造价输入值的统一化处理;然后引进改进BP神经网络,对完成预处理的造价数据进行训练,提高数据的可靠度;最后将待预测的工程造价数据作为输入数据,经过归一化处理后输入到神经网络中,进行工程造价精准预测与误差补偿。对比实验结果证明:设计的造价预测方法在应用中的预测结果精确度更高,能够将工程造价预测结果的偏差控制在一个相对较小的数值范围内。

基于改进后的BP神经网络在混凝土桥梁损伤识别中的应用研究

混凝土桥梁的损伤识别与定位是目前的研究热点之一。本文在传统BP神经网络的基础上对其进行改进,并将改进后的BP神经网络应用在混凝土桥梁损伤定位与识别过程中。首先建立了识别桥梁的数值有限元模型,然后得到不同损伤情况下的桥梁自振频率和曲率模态值。将自振频率和曲率模态值作为改进后BP神经网络的输入参数,以有限元单模型中的损伤位置和损伤程度作为输出值,进而实现对桥梁结构的损伤定位和损伤识别。最后通过南京浦仪公路混凝土简支梁和连续梁为工程背景进行了验证。结果表明:采用改进后的BP神经网络可以很好的实现对桥梁的损伤定位和损伤程度的识别,并且具有很好的识别精度。即使在噪声存在的情况下,改进后的BP神经网络仍然可以达到很好的识别效果。

改进BP神经网络钢筋混凝土井壁极限承载力随机分析

钢筋混凝土井壁模型试验分析发现最能影响极限承载力的是混凝土抗压强度,影响最弱的因素为配筋率。工程勘探发现:在深部井筒工程中,井壁极限承载力具有较大的不确定性。针对传统BP神经网络在解决随机性工程问题中的不足,采用随机因子和层间均方误差修正网络模型评价函数。在此基础上,以混凝土抗压强度、厚径比和配筋率为输入量,以井壁极限承载力为输出值,建立改进BP神经网络的井壁极限承载力随机预测模型。工程实例表明该模型在实际工况中能较好地预测深厚沉积层钢筋混凝土井壁的极限承载能力,且误差控制在4%以内,相比传统的计算公式方法精度有明显的提高。同时,改进的模型具有较小的权值和偏置,比传统网络的响应更趋于平滑,大大减少过度拟合的现象。

基于改进BP算法的岩石宏细观参数轻量化分析方法

针对PFC3D细观参数多、宏细观参数间影响机制分析难度大、参数标定模型可解释性不足等问题,以细观参数轻量化分析目标,通过引入含陡度因子的功能函数、自适应Nest-erov动量法及自适应学习率提出了一种改进的BP算法进行轻量化建模.与传统BP算法对比表明:改进算法提升了传统算法的稳定性与收敛速度,能够合理准确的对宏细观参数间的敏感性进行量化,筛选出关键的细观参数并获得轻量化的宏细观参数分析模型.基于轻量化模型对宏细观参数间的相关性及影响机制进行分析,研究了单个及多个关键细观参数对宏观参数的影响规律,研究发现:弹模随等效模量增大呈线性增长;平行黏结刚度比对弹模的增长具有抑制作用且当刚度比较高时弹模减小幅度较大.泊松比和颗粒刚度比及平行黏结刚度比间均存在线性关系,而摩擦系数的增大将引起泊松比的非线性减小.强度参数对峰值强度均具有激励作用,当平行黏结抗拉及抗剪强度在较高水平下的组合对峰值强度的提升作用最为显著,内摩擦角主要对岩石的峰后强度具有一定影响,这是由于试样在峰后加载时,内摩擦角对于剪切带两侧的颗粒滑动具有一定的控制作用.研究成果对于PFC参数标定问题具有一定的参考价值.

基于改进BP神经网络的无线传感网络数据融合方法

为提高融合数据与网络节点的适配度,引进改进BP神经网络,以无线传感网络为例,设计一种全新的数据融合方法。采集无线传感网络数据,引进Kalman滤波器,根据滤波器在空间中的线性表达区域,给定一个无线传感网络数据的线性归回范围,设计无线传感网络数据的预处理与特征提取;利用改进BP神经网络的数据反向传播特点,参照网络在学习中的映射规则,调节网络传播节点的阈值与权值训练数据;设定无线传感网络数据集合的参考视场和步长,计算数据与节点适应值;选用Max-min标准化处理法对数据归一化处理,采用LEACH算法深度融合网络数据。设计对比实验,实验结果证明:该方法可在提高融合数据与节点适应值的基础上,提高节点对数据的收敛速度,以此达到最优的融合效果。

基于改进BP算法的岩土地质勘察质量控制技术研究

为提供准确的地质勘察结果,研究基于改进BP算法的岩土地质勘察质量控制技术。该技术以BIM技术为基础,通过建立工程地质体模型,利用该模型输出工程地质体的地质勘察孔平面布置图、地质剖面等信息;再利用地质雷达向地面发射高频电磁波方式得到地质裂隙反射电磁波,并使用改进BP算法以及地质雷达勘察成像方法得到地质体内部形态信息,为建筑施工方提供地质裂隙图像。试验结果表明:该技术获取的地质勘察孔量测点位置较为精准,其生成地质裂隙图像较为清晰完整,且受干扰噪声影响较小;应用该技术后,工程施工地基沉降数值较小,质量控制应用效果较为显著。

基于改进BP神经网络的空调系统传感器故障诊断

针对普通BP算法存在的收敛速度慢以及容易陷入局部极小点等问题,提出了一种改进的BP算法,应用该算法对空调系统传感器故障进行诊断。Matlab仿真运行证明,在相同的条件下,改进的BP算法加快了网络的收敛速度,避免了陷入局部极小的问题。在故障诊断的准确率方面优于普通的BP神经网络。

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题,提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先,利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题;其次,基于灰度特征的特征量提取方案,实现对红外伪彩图特征量的提取;最后,引入粒子群优化BP神经网络(PSO BP)算法对变压器套管特征进行分类识别。实验结果表明,该方法对红外图像中套管的运行状态具有较好的检测效果,对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%,平均准确率达到93.518%,优于传统BP算法和支撑向量机(SVM)算法。

基于改进BP神经网络的水轮机进水蝶阀故障诊断方法

传统水轮机进水蝶阀故障诊断方法RMSE性能较差,无法有效精准诊断到故障,提出基于改进BP神经网络的水轮机进水蝶阀故障诊断方法。建立BP神经网络,利用粒子群算法改进网络参数,采用传感器采集进水蝶阀振动、噪声以及压力等数据,利用改进后的BP神经网络分析故障信息,提取故障特征,识别与诊断进水蝶阀故障类型,实现故障诊断。经实验证明,设计方法RMSE值在0.2以下,诊断精度较高,具有良好的应用前景。

基于BP网络及其改进的湿空气状态参数预测

考虑空调实时控制的需要,利用人工神经网络方法,建立了湿空气状态参数的神经网络预测模型,实现了湿空气状态参数的智能化预测。由于BP模型的计算量大,收敛速度慢等缺点,本文作者提出了三种改进BP模型和RBF模型,以加快收敛速度,提高收敛性。并用实际数据对这几种模型进行了训练,实例证明这些改进模型是有效的、可行的。

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。

基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明:该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。

改进BP神经网络在地下水环境质量评价中的应用

以LM算法和步长自适应法对BP神经网络进行改进,并将输入数据采用压缩系数法进行处理, 用改进后的BP神经网络对黄河流域某地区地下水环境质量进行评价,并和内梅罗指数法、灰色聚类法评价结果相比较,结果表明改进后的BP神经网络计算速度快、评价精度高、结果客观准确。