基于小波变换和GA-BP神经网络的电力电缆故障定位

由于电力电缆敷设于地下,当发生故障时难以快速且准确定位,出现了故障定位问题。因此,提出一种基于小波变换和遗传算法反向传播(Genetic algorithm back propagation,GA-BP)神经网络的电力电缆故障定位方法,在分析对比各小波能量集中程度和波动次数的基础上,选择多贝西小波(Daubechies wavelet 6,Db6)作为小波基函数,对于各故障位置,采集正向故障行波的α模分量,并对其进行小波分解。选取在d1尺度下的模极大值点作为特征值,同时将故障距离作为标签值,从而构建了训练和测试样本数据集;利用遗传算法(Genetic algorithm,GA)的种群进化和全局最优搜寻能力来改善误差逆传播(Back propagation,BP)网络对初始权重敏感的缺点,并使用优化后的权值、阈值重新对BP神经网络进行训练和预测,最后通过与传统双端行波定位算法、BP算法、粒子群优化BP算法(Particle swarm optimization BP,PSO-BP)相比较,证明了所提方法在测距性能方面的优越性。

正交实验结合AHP和GA-BP神经网络优化益黄散醇提工艺

目的 优化益黄散的醇提工艺。方法 采用回流提取法,以乙醇体积分数、液料比、提取时间为考察因素设计正交实验,以橙皮苷、川陈皮素、橘皮素、没食子酸、诃黎勒酸、诃子酸、甘草苷、甘草酸、丁香酚含量和干浸膏得率为指标,采用层次分析法(AHP)进行赋权并计算综合评分。通过验证正交实验和遗传算法(GA)-反向传播神经网络(BP神经网络)所预测的结果确定益黄散最佳醇提工艺参数。结果 正交实验优选的最佳醇提工艺参数为乙醇体积分数60%、液料比14∶1(mL/g)、提取时间90 min、提取2次,验证所得综合评分为79.19分;GA-BP神经网络优选的最佳醇提工艺参数为乙醇体积分数65%、液料比14∶1(mL/g)、提取时间60 min、提取2次,验证所得综合评分为85.30分,高于正交实验所得结果。结论 采用正交实验结合GA-BP神经网络的寻优方法较传统的正交实验寻优方法效果更佳,其优选出的益黄散最佳醇提工艺稳定可靠。

基于BP神经网络的九寨沟地区地震滑坡危险性预测研究

BP神经网络因具有良好的精度和拟合能力,被广泛地运用在区域性滑坡危险性预测中。本文建立了基于BP神经网络的地震滑坡危险性评价模型并应用于四川九寨沟地区,以2017年8月8日的九寨沟MS7.0地震引发的4834个历史滑坡为例,将其随机划分为70%的训练样本集用于九寨沟地区地震滑坡危险性预测,以及30%的验证样本集对预测结果的精度进行评估。选取高程、坡度、坡向、平行发震断层距离、垂直发震断层距离、震中距离、距道路距离、地面峰值加速度(PGA)以及岩性共9个影响因子,分析发震断层对地震滑坡的控制作用,并总结九寨沟地区地震滑坡空间分布规律特征,其中发震断层、岩性和坡度对九寨沟地区地震滑坡分布产生重要影响。利用模型得到九寨沟地震滑坡危险性预测图,结果显示73.19%的滑坡位于极高和高危险区域,与实际地震滑坡分布基本相符。通过30%的验证样本集来绘制预测成功率曲线,结果表明模型预测成功率(AUC值)为0.90,证实了BP神经网络在九寨沟地区地震滑坡危险性预测中具有良好的精度和拟合能力,评价结果为后续地震滑坡灾害预测和防震减灾工作提供了科学的参考。

基于BP神经网络的高桩码头基桩损伤识别研究

针对高桩码头基桩的损伤识别问题,基于BP神经网络开展了损伤定位研究。传统损伤定位方法在识别过程中受到人为主观因素的干扰,且对于只有一阶模态数据的情况定位效果有限。为克服这些问题,构建了不受人为因素影响的损伤定位神经网络,以第三类损伤指标ULSC和δFC作为训练样本,实现了对基桩局部损伤的准确定位。在建立合理的高桩码头有限元模型的基础上,构建了基于BP神经网络的损伤定位模型,并使用ABAQUS模拟数据和实测振动信号数据进行训练和测试。实验结果表明,该神经网络模型具有较高的定位准确性和鲁棒性,在不同损伤工况和10%噪声水平下仍表现优异。

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明:所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致;该预测模型充分挖掘了混凝土拌和站生产实时监控数据的价值,实现了传统混凝土抗压试验结果提前化,对提高工程建设质量水平具有重要意义。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于GA-BP神经网络模型预测水基炭黑-胶原蛋白纳米流体热导率和黏度

纳米流体由于其独特的强化传热性能,已广泛应用于各个领域。而热导率和黏度直接影响纳米流体在实际工程中的适用性,因此在考察纳米流体的强化传热特性前首先要分析研究其热导率和黏度。本研究利用炭黑和胶原蛋白,采用两步法制备了水基炭黑胶原蛋白纳米流体。实验分析了炭黑和胶原蛋白质量分数、温度对纳米流体热导率和黏度的影响。采用灰色关联方法对这些参数的权重进行了数学计算,基于实验数据建立了三输入两输出的BP神经网络预测模型,并利用遗传算法(GA)对BP模型进行优化。结果表明,遗传算法优化后的BP神经网络模型对预测输出具有更高的准确性和更好的稳定性,回归系数和最大偏差分别为0.99918和0.002。本研究不仅对于理解和控制水基炭黑-胶原蛋白纳米流体的热物理性能有重要意义,而且为工程设计和材料科学等方面的应用提供了新思路。

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。

基于BP神经网络的高校教师精准教学能力评价模型构建

通过精准教学以促进学生个性化成长是教育理想和国家政策的不懈追求.高校教师是实施精准教学的“基”,现有关于其教学能力的评价体系中普遍存在概念不清和多采用主观构建评价指标的问题.为此,开展了基于BP神经网络的高校教师精准教学能力评价模型研究.首先,以理论研究为基础,对精准教学能力进行等级划分并构建评价指标框架,运用层级分析法建立指标权重;其次,利用BP神经网络智能学习的特性,以不同数据类型的指标值为输入,对应能力综合值为输出,检验精准教学能力分级及指标权重的合理性,进而生成较为客观的评价模型;最后,利用开发的评价系统和调查问卷进行样本数据采集和模型检验,从神经网络对数据的分类、拟合及仿真结果来看,模型能够对高校教师的精准教学能力进行客观评价,教师对模型测量结果的准确性也具有较高认可度.

基于改进BP神经网络的河北省碳排放预测

“双碳”目标背景下,针对河北省高碳经济发展模式难以改变、以往预测模型难以满足现实需求等问题。论文根据统计年鉴数据,研究河北省能源消费趋势和分行业碳排放特征,并借助脱钩指数探究河北省碳排放动态变化趋势,选取IPCC二氧化碳排放的计算方法,基于6项碳排放量影响因素建立遗传算法(GA)优化BP神经网络的河北省碳排放模型,对河北省2021—2030年碳排放量进行仿真预测。结果显示:河北省能源效率低于全国水平,河北省工业碳排放量最高;河北省的经济增长与碳排放之间主要呈弱脱钩态势;GA-BP模型预测结果比BP模型更加稳定,误差较小,更适合用于碳排放量的预测。预测结果显示,河北省未来碳排放量呈缓慢增长趋势,以期为政府决策提供理论依据,助力河北省“双碳”目标的实现。

基于BP神经网络的重力仪高机动状态快速调平修正技术

针对平台式重力仪大机动状态后测量能力恢复慢的问题,提出一种基于BP神经网络的重力仪稳定平台快速调平修正技术。首先,针对动态重力测量在测量平台大机动状态后调平能力不足的问题,研究了基于BP神经网络的平台姿态高效、准确解算方法;其次,利用惯性元件和卫星导航系统(GNSS)的信息优化BP神经网络,形成不同条件的平台姿态提取优化模型;最后,利用模拟仿真实验和实际机载动态重力测量数据验证所提方法的有效性和准确性。实验结果表明在大机动的动态条件下采用所提方法可以扶正重力仪稳定平台,将机动后重力仪稳定平台稳定时间缩短83.3%以上,提升动态重力测量效率。

基于天牛须BP神经网络的船舶电动舵机自抗扰控制

将自抗扰控制器(ADRC)引入到智能船舵机控制优化问题中,同时将神经网络嵌入到自抗扰控制,针对电动舵机快响应、非线性的特点提出一种神经网络自抗扰控制。将天牛须搜索(BAS)寻优能力强的特性与BP神经网络中的权值与阈值寻优过程相结合,建天牛须BP神经网络自抗扰控制器,弥补了BP神经网络训练时间较长、收敛速度较慢的问题。以船舶电动舵机系统作为被控对象在该控制器下的舵机系统的控制性能得到了提升,控制精度高无超调同时具有良好的鲁棒性,同时建立的BAS-BP神经网络自抗扰控制器对于实际应用具有指导意义。

基于BP神经网络的高校网络舆情预警研究

在以舆情热度与舆情传播两个维度建立高校网络舆情预警指标体系的基础上,构建基于BP神经网络的高校网络舆情预警模型,运用该模型对2021年至2022年的16件典型高校网络舆情事件进行实证分析,确定高校网络舆情预警等级,并提出不同预警等级的高校网络舆情防范应对举措。实时监测高校网络舆情信息,及时捕捉高校网络舆情信息中的不安全因素,建立高校网络舆情预警模型,在一定程度上能够控制、防范和化解网络舆情危机,对于科学管控高校舆情风险、提升高校有效防范和应对网络舆情危机能力、建设和谐高校具有重要的现实意义。

基于HSS-MCC融合模型及SSA-BP神经网络开展深基坑超大变形预测研究

软土环境下深基坑开挖变形特性研究中,多采用硬化类弹塑性模型进行分析,如HSS模型和MCC模型.南京河漫滩软土地区,深基坑开挖时局部常发生较大变形,部分土体变形状态介于小应变与大应变之间,单一模型无法准确预测土体变形特征.同时,BP神经网络在基坑变形预测中得到广泛应用,但在训练过程中,权阈值易陷入局部最优解,影响预测的准确性.据此,依托南京地区典型软土深基坑工程,采用Midas中的HSS模型与MCC模型进行分析,比对两种模型的桩体变形量差异,并基于最小二乘准则对两模型进行线性融合,融合模型可对后续区段监测数据进行校准及补充.通过融合麻雀搜索算法对BP神经网络进行优化,在其训练过程中快速收敛,得到全局最优的权阈值,依托狭长基坑已开挖区段监测数据学习训练,进而依据后续区段浅部开挖揭露深部变形特征,预测结果与实测值吻合度较高.研究结果对软土地区深基坑大变形的预测研究具有重要参考价值.

大红袍花椒对流-辐射并联干燥BP神经网络模拟与品质研究

为探究热风干燥、热风-红外和热风-微波对流-辐射并联干燥对大红袍花椒干燥特性及品质的影响,实验分析了不同温度、装载量、干燥功率等条件下的大红袍花椒干燥曲线特征,运用BP神经网络进行拟合,并采用感官评价与GC-MS对3种干燥方式干制大红袍花椒挥发油进行分析。结果表明,热风-红外并联干燥的恒速期干燥速率高于热风干燥一个数量级,热风-微波并联干燥时长最短,出现二次升速且降速期不明显;升温、减少装载量或加大微波功率均有利于提高干燥速率和缩短干燥时间。BP神经网络的相关系数R值均能达到0.985以上,均方误差最低可达1.010×10^(-4),平均相对误差值E为4.55%,可很好地描述大红袍花椒的干燥动力学特性,预测大红袍花椒干燥过程含水率准确且迅速。3种干燥方式挥发油分别鉴定出40、39、28种化学成分,热风-微波并联干燥获取大红袍花椒挥发油中烯烃类化合物相对含量最大,但色泽和口感差,热风干燥花椒色泽最佳,挥发油中化合物种类最多,热风-红外并联干燥既缩短了大红袍花椒干燥时间,又能保持其良好品质,为较佳选择。

紫外光谱结合BP神经网络算法建立食用油掺伪煎炸油的快速鉴定模型

为建立一种快速食用油掺伪煎炸油检测方法,采用紫外光谱法鉴别其掺伪,本研究选取大豆油、玉米油和葵花籽油为代表分别煎炸,在纯油中掺入相应煎炸时间0~6 h及掺假梯度0%~90%的煎炸油制备掺伪油样,进行紫外光谱及二阶导数预处理,经处理后的光谱特征峰与BP(Backpropagation)神经网络算法结合建立食用油掺伪煎炸油模型,对掺入煎炸油类别、煎炸时间和煎炸油含量进行鉴别分析。结果表明二阶导数预处理后掺伪煎炸油的光谱特征峰中大豆油为446、462 nm、玉米油为268、274 nm、葵花籽油为280、288 nm,根据其特征峰位与峰值建立Levenberg–Marquardt算法(LMA)、动量梯度下降法(MGD)及弹性梯度下降法(EGD)掺伪模型识别率分别为98.15%、91.67%、95.52%。

基于LDA-BP神经网络的高校思政课教师数据驱动决策力评价研究

数据驱动决策力为高校思政课教师提供科学合理的教学判断,对数据驱动决策力进行评价研究,有助于提高高校思政课教师的数据决策水平,进而提升思想政治教育教学质量。鉴于传统评测方法缺乏客观性与可重复性,运用LDA-BP神经网络技术构建高校思政课数据驱动决策力的指标体系与评价模型。首先,运用LDA方法对高校思想政治教育相关的政策文本与研究文献进行主题提取,并将主题信息作为指标构建基础;其次,通过研读文献与政策文本,并结合主题分析结果构建高校思政课教师数据驱动决策力评价指标体系;最后,通过对BP神经网络的训练及测试来生成高校思政课教师数据驱动决策力的评价模型。研究表明,高校思政课教师的专业知识、教学水平以及数据分析与解读能力是影响数据驱动决策能力的关键因素,据此,理应从素养提升、文化培育、管理革新、政府支持等方面入手增强数据驱动决策力。

基于改进GWO-BP神经网络的电磁线圈温升预测

针对差速器运转时电磁线圈温升的非线性与复杂性以及传统BP神经网络在预测中存在的问题,采用改进后的灰狼算法(gray wolf optimization,GWO)对BP神经网络进行优化,并根据室温环境下现场跟踪试验的数据建立以运行时间、直流电流、运转功率为输入,以某型电子锁式差速器电磁线圈连续工作8 h后的实时温度与初始环境温度间的温升差值为输出的网络预测模型。选取平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、均方误差(mean square error,MSE)作为系统评价指标,分别与传统BP网络模型、粒子群算法优化后的网络模型(PSO-BP)进行对比,结果表明GWO-BP神经网络模型具有更好的预测能力和更小的误差精度。为实现汽车轴间差速器上电磁线圈温升变化的精准预测提供了方法和思路。

基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

基于BP神经网络模型的矿井生产预警技术研究

矿井生产具有高动态、快时变、混沌和随机特点,生产过程中的人、设备、环境、管理等海量数据存在多源异构特征使得安全风险评估不确定性增加。使用智能算法对空间生产场景进行模拟建模,对影响矿井安全的因素建立预警指标体系并对指标量化与预处理,通过BP神经网络模型对预处理后的指标数据模型训练与测试,测试结果表明,随着迭代次数的增加,模型的收敛性与准确率极大提高,可以最大限度地提供矿井安全风险评估决策所用信息、为提高煤矿安全监测的效率和监测深度提供技术支持。