BP神经网络算法结合超高效液相色谱-质谱联用技术研究红花治疗慢性酒精性肝损伤的作用机制

临床上,红花对慢性酒精性肝损伤(chronic alcoholic liver injury,CALI)有很好的疗效,但治疗机制不甚明确。因此,阐明红花治疗CALI的分子作用机制对药物的进一步开发及应用具有重要意义。以雄性Wistar大鼠为研究对象,模型组大鼠以8 mL/kg酒精连续灌胃28天,建立CALI模型;给药组大鼠分别以高(4.290 3 g/kg)、中(1.430 1 g/kg)、低(0.476 7 g/kg)剂量灌胃红花提取物。采用大鼠血清代谢组学分析方法结合超高效液相色谱-质谱技术鉴定与CALI相关的潜在生物标志物,并研究红花对这些生物标志物的调控机制。利用MATLAB软件建立BP神经网络模型处理组学数据的分类问题。从苏木精和伊红(H&E)染色实验发现,高剂量红花提取物减轻了肝细胞的损伤程度;与模型组相比,高剂量红花组中的丙氨酸氨基转移酶(ALT)和天冬氨酸氨基转移酶(AST)的表达水平降低,表明高剂量红花提取物具有肝保护作用。BP神经网络模型的分类准确率为95.8%,分类效果良好。通过火山图分析共鉴定出20种与CALI相关的生物标志物,红花可以对这些生物标志物产生回调效果。研究表明,红花可能通过对甘油三酯、脂肪酸、磷脂、胆汁酸、氨基酸、维生素E代谢的调控作用而对CALI产生治疗效果。本研究可为红花的推广和临床应用提供了理论基础。

BP神经网络的遗传模拟退火算法动态选址仿真

针对战区装备保障点动态选址问题的广义最大覆盖选址模型,综合分析传统的启发式算法全局、局部搜索中的优缺点,提出一种基于BP神经网络的遗传模拟退火算法,并将其运用于战区装备保障点动态选址决策实际问题中,对该算法进行了仿真研究,给出具体实例的仿真结果验证了该算法求解最优解的高效性以及运算的高收敛速度。

基于神经网络-模拟退火算法的超高压嫩化河蚌肉的工艺优化

为解决河蚌肉质粗韧,提升河蚌肉品质,利用超高压对河蚌肉进行嫩化处理。采用3-5-1结构的级联BP神经网络,建立了超高压嫩化河蚌肉工艺的预测模型,并采用模拟退火算法对其进行优化,得到超高压嫩化河蚌肉最佳工艺条件。结果表明,训练好的级联BP神经网络具有较好的预测功能,其预测值与实测值之间的相对误差保持在0.26%~8.70%。利用模拟退火算法对压力条件、CaCl_2浓度、保压时间与剪切力之间的非线性关系优化,得到最佳工艺为:压力强度345 MPa,CaCl_2浓度为0.30 mol/L,保压时间为15 min,在这个条件下剪切力为10.54 N。实验室相同条件下的验证实验得到的剪切力为(10.38±0.13)N,该值小于响应曲面设计优化出的最佳工艺条件下的实验验证的剪切力,说明利用模拟退火算法优化级联BP神经网络的预测模型是一种比较有效的优化生产工艺参数的方法。

基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究

为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。

基于遗传模拟退火算法优化的BP神经网络

在研究标准BP神经网络的基础上,针对其存在的收敛速度慢、且容易陷入局部极小值等问题进行分析,设计实现一种采用数值优化的方法来改进BP网络性能的新的混合神经网络模型。通过引入遗传模拟退火算法扩大了网络的权值更新空间,把得到最优权值赋予BP神经网络,从而使优化后的神经网络具有泛化性好,不易陷入局部极小值等优点。与标准BP神经网络进行比较,仿真结果表明,该网络模型能够达到比较高的分类精度。

基于模拟退火算法优化的BP神经网络预测模型

神经网络算法是深度学习研究的重点,遗传算法是一种自适应优化搜索算法,模拟退火算法是寻找最优解的算法,本文主要分析了神经网络,遗传算法和模拟退火算法的特点和缺陷,研究BP神经网络和遗传模拟退火算法相结合的技术,从发挥算法的优点基础上,提出了一个基于模拟退火遗传算法的BP神经网络模型,并应用于某观影俱乐部,作为新电影上映预测和用户推荐,实验结果表明:该算法在收敛性和准确率上都有较好的效果。

模拟退火算法优化的BP神经网络的云粒子形状自动识别方法

针对云粒子成像仪(CIP)无法对所测云粒子图像进行形状自动识别的问题,文中提出一种模拟退火算法优化的BP神经网络的云粒子形状自动识别方法。首先利用形态学处理中的闭合操作对采集后的云粒子图像进行处理,实现云粒子内部填充和边界平滑;然后利用Holroyd特征参量和凸包计算提取云粒子图像形状特征值,利用BP神经网络识别9类云粒子图像形状。由于BP神经网络容易陷入局部最优值,因此选用模拟退火算法对BP神经网络的权值和阈值的最优值进行优化,以改善网络性能和提高识别准确率。最后,利用CIP实测云粒子数据片段对传统方法与文中所提方法进行形状识别效果对比。结果表明,相比传统的云粒子形状识别方法,所提方法对云粒子形状识别的准确率有明显提高,且能实现自动识别。

基于改进遗传模拟退火算法的BP神经网络的畸变校正研究

针对相机所采集的图像大多都存在畸变现象的问题,设计了基于改进遗传模拟退火算法的BP神经网络校正算法;该算法针对传统遗传算法易于收敛局部最优的问题,提出分段选择策略与随机抽样相结合的选择算子,自适应交叉与变异算子;在畸变校正中,该算法通过网络的输入输出建立理想点与畸变点的关系,使用改进的遗传模拟退火算法来优化神经网络中的阈值与权值,然后使用基于LM算法的BP神经网络进行局部优化,最后通过插值算法得到校正后的图像;实验表明,该算法能够较好的对图像进行畸变校正,同时与传统的BP神经网络算法相比精度更高,收敛速度更快。

自由曲面加工误差预测——基于模拟退火算法优化的BP神经网络算法

针对三坐标测量机测量效率低的问题,建立了自由曲面加工误差预测模型。采用基于模拟退火算法优化的BP神经网络算法对自由曲面上若干个点的加工误差进行预测,结合模拟退火算法的概率突跳特性,在解空间中随机寻找目标函数的全局最优解,从而改进BP神经网络算法。为进一步提高算法的预测精度,采用加工误差分解的方法剔除点集中的奇异点。用三坐标测量机对自由曲面上若干个点进行测量并获得加工误差,将预测结果与试验结果进行对比验证。结果表明,平均绝对误差指标达到了1.70μm,且最大绝对误差为7.12μm,说明该优化算法具有较好的预测性能。

基于遗传算法和模拟退火算法优化神经网络的铁路营业里程预测

提出应用遗传算法(GA)和模拟退火(SA)优化神经网络预测铁路营业里程.采用3层前馈神经网络实现铁路营业里程的时间序列预测,输入节点数为5,隐层节点数为8,输出节点数为1.对神经网络的连接权重和节点阈值的确定,采用GA和SA算法相结合的混合优化学习策略.两种算法结合时,SA算法处于外层,GA处于内层.GA采用实数编码,把要确定的神经网络节点连接权重和节点阈值作为基因串.数值计算结果表明混合优化的神经网络的学习速度和精度都比单纯BP算法得出的结果好.因此,用GA-SA混合优化的神经网络预测铁路营业里程是可行的.

人工神经网络及模拟退火算法应用于原子吸收光谱法同时测定钙、磷

试验发现:原子吸收光谱法(AAS)在442.7 nm波长处测定钙时受到大于0.10 mg·L^(-1)磷共存的干扰,使钙的测定结果偏低,而且此负偏差降低的幅度随磷浓度的增加而增大。试验还发现:当共存磷的量在0.1～6.0mg·L^(-1)之间时,钙测量值的负偏差幅度与磷浓度之间存在明显的相关性。应用反向传播人工神经网络(BP-ANN)及模拟退火两种计算法对上述非线性干扰效应进行了研究,并提出了在单一波长检测的条件下,钙、磷两元素的原子吸收光谱法同时测定,此法应用于循环水中钙、磷的同时测定。两元素的检测范围依次为0.08～10.0 mg·L^(-1)及0.10～6.0mg·L^(-1),测得其回收率分别为100.5%和98.0%。

模拟退火优化BP神经网络在航向控制系统中的应用

目前,广泛运用于神经网络中的误差反向传播算法(BP算法)训练时间较长,且易陷入局部最优.为了克服BP算法的固有缺陷,文中提出了在BP算法中加入模拟退火算法权因子.在航向控制系统中进行了仿真,数据显示该算法比单纯BP算法更能优化控制器性能参数和全局搜索能力,收敛速度更快,精度提高比较明显.

模拟退火算法改进的BP神经网络PID控制器在变风量空调系统中的应用研究

以变风量空调系统的温度控制作为研究对象,在现有研究的基础上,提出了模拟退火算法改进的神经网络PID控制方法。应用神经网络进行PID参数在线整定,模拟退火算法提高神经网络的学习速率和收敛性,结合三者各自的优势以提高变风量空调系统的控制性能。

遗传模拟退火算法优化BP神经网络的GPS高程拟合

针对传统BP神经网络收敛速度慢、易陷入局部最优和遗传算法优化BP神经网络(GA-BP)算法过早收敛的问题,提出了遗传模拟退火算法优化BP神经网络(GSA-BP)算法.在遗传算法(GA)的种群更新中加入模拟退火算法(SA),保留种群的多样性.用GSA-BP算法对某地区进行高程异常拟合,并与BP算法和GA-BP算法结果进行比较.结果显示:GSA-BP算法精度可分别提高约51%、25%,速度提高约77%、39%,且能基本满足四等水准测量精度要求.该方法在GPS高程拟合中具有可行性.

基于模拟退火算法的BP神经网络在桥梁智能养护中的应用

为实现桥梁工程的智能养护,提出机器检测智能化、人工检测智能化、遥感监测智能化三位一体的数据收集智能体系,在模拟退火算法的基础上提出一种给予BP神经网络算法的新型桥梁安全评估系统。桥梁养护工作通过数据收集智能化与安全评估智能化,提高检测工作效率、降低养护成本和危险性、实现对桥梁安全性的准确评估。

基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测

针对目前中长期负荷预测方法中存在过拟合、预测精度和效率较低等问题,本文提出一种基于遗传模拟退火算法(GSA)改进BP神经网络的中长期电力负荷预测模型,即BP-GSA模型。首先建立标准三层神经网络,即输入层、隐藏层和输出层,选择国民生产总值、第二产业生产总值、市区常驻人口及月平均温度四个影响因子作为输入变量,月度负荷为输出变量。其次利用遗传模拟退火算法不断修正网络节点连接权值,以最优适应度为标准,确定最优网络节点连接权值分布。最后,代入权值最优解,通过训练样本数据,获取最小方均差预测模型。分别应用本文提出的BP-GSA模型及其他四种传统方法,对某市2020年月度负荷进行预测。误差分析表明,BP-GSA模型预测精度最高。随后将BP-GSA模型分别应用于不同年份的月度负荷预测,预测结果表明其误差稳定,证明了模型的鲁棒性。

“新财经”背景下高校学生国际化素质评价指标体系研究--基于遗传模拟退火法优化的BP神经网络

“新财经”教育改革背景下,目前预测财经高校学生国际化素质水平准确度较低。本文以河北经贸大学为例,并提出一种基于遗传算法模拟退火算法优化的BP神经网络算法,该算法既具备遗传算法出色的搜索能力,又有着模拟退火算法关于解空间局部搜索与收敛速率方面的优点,以实现基于高校学生平时行为表现的国际化人才水平预测。通过预测模型的仿真结果表明,本文提出的预测模型无论是收敛性方面,还是精准度方面,都有着极佳的效果。

一种改进的量子遗传模拟退火算法及其在神经网络智能故障诊断中的应用

分析了模拟退火算法、遗传算法与普通量子遗传算法的优缺点,针对实数编码双链量子遗传算法的种群多样性和收敛快速性,将其与模拟退火算法相结合,在模拟天体宇宙演变的基础之上,提出实数编码双链量子遗传模拟退火算法,并用之改进BP神经网络的初始权值与阈值,并将改进后的BP神经网络运用于智能故障诊断中。仿真结果表明,该算法效果良好。

基于SA-BP神经网络算法的电池SOH预测

针对传统BP神经网络在线估算锂离子电池健康状态(state of health,SOH)容易使权值陷入局部最优解,导致SOH预测不精确。结合模拟退火(simulate anneal,SA)算法能有效收敛于全局最优的特点,提出一种基于SA算法优化BP神经网络的锂离子电池SOH在线预测方法。以锂离子电池为研究对象,分析了微分电压、欧姆内阻、循环次数与电池SOH的关系,并以此作为电池的健康状态因子(health indicator,HI)输入至BP神经网络。利用SA算法优化BP神经网络的权值,使预测模型得到最优解。实验结果表明:利用优化算法对电池SOH进行预测,其最大误差仅为1.98%,平均误差为1.09%。相较于传统BP神经网络,优化算法预测最大误差降低了5.62%,平均误差降低2.33%。从而验证了基于SA算法优化BP神经网络能够获取全局最优值并提高电池SOH估算精度是有效的。

粒子群退火算法优化的BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型粒子群退火算法(New Particle Swarm Annealing Algorithm, NPSOSA)优化BP神经网络的权值和阈值,继而构建NPSOSA-BP神经网络预测模型.实验通过搭建软件老化测试平台,收集所需的老化数据并进行仿真训练.实验结果表明, NPSOSA-BP神经网络模型相比于传统粒子群算法(PSO)、传统粒子群退火算法(PSOSA)优化的BP神经网络模型提高了预测精度和适用度,在该应用领域验证了本文方法的有效性.