基于BP-GA算法的动力调谐陀螺仪挠性接头结构优化

针对轻型航空航天部件轻量化的需求,提出基于反向传播-遗传算法(Back Propagation-Genetic Algorithm,BP-GA)算法的挠性接头结构优化方法。近似模型在满足角刚度作为约束条件的前提下,使挠性接头的体积最小化。结果表明,挠性接头的体积减小了23.16%,有效优化了细颈的体积。

基于BP-GA混合学习算法的神经网络短期负荷预测

本文提出了修正的遗传算法和 BP算法相结合的短期负荷预测方法 ,与传统神经网络方法相比 ,该方法可以加快网络学习速度和提高学习精度 .我们用遗传算法来训练网络参数 ,直到误差趋于一稳定值 ,然后用优化的权值进行 BP算法 ,实现短期负荷预测 .在构建网络模型时 ,我们考虑了气候因素的影响 ,并把它作为网络的一组输入点 .实验结果表明基于这一方法的负荷预测系统较高的精度和实时性 .

基于SGA-BP-GA方法的FPSO舷侧结构耐撞性能优化设计

由于船体结构及碰撞优化的复杂性,使得传统优化方法难以有效进行。基于遗传算法、模拟退火算法和BP神经网络,结合正交试验设计和ABAQUS参数化仿真技术,提出一种新的结构耐撞性优化方法--SGA-BP-GA。为了提高BP网络对结构耐撞性指标的预测精度和泛化能力,利用模拟退火算法的概率突跳特性克服遗传算法易早熟和陷于局部最优的缺点,在此基础上采用模拟退火遗传算法(SGA)对BP网络的权重进行优化。采用提出的SGA-BP-GA方法对FPSO舷侧结构耐撞性能进行优化设计,以验证其准确性与可行性。结果表明:与传统BP、GA-BP和SA-BP相比,SGA-BP具有更高的预测精度和泛化能力;与GA-BP-GA方法相比,SGA-BP-GA优化结果仍提高了5.34%;提出的SGA-BP-GA方法能够较好的适用于复杂的船体结构耐撞性优化设计。

基于改进BP-GA方法的FPSO舷侧结构耐撞性能优化设计

基于遗传算法和ABAQUS参数化有限元仿真技术,对传统的BP-GA优化方法进行改进,并采用改进的BP-GA方法对浮式生产储油卸油装置(FPSO)舷侧结构的耐撞性能进行优化,以验证其可行性和准确性。结果表明,与传统的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的预测精度和更强的泛化能力;改进的BP-GA优化方法可在结构减重的基础上进一步提高结构的耐撞性能,能较好地适用于复杂的FPSO舷侧结构耐撞性优化设计。采用的优化方法具有通用性,可为抗爆性能的优化设计提供参考。

水流挟沙力研究的BP-GA方法

介绍了BP神经网络和遗传算法的基本原理,编制了计算程序,采用遗传算法优化了BP网络的初始参数。BP网络方法和BP-GA算法的实例分析结果表明:挟沙力影响因素可由水流流速、比降和颗粒沉速确定;BP-GA算法的结果明显优于单纯的BP网络方法。

采用BP-GA算法的有机朗肯循环多目标优化

有机朗肯循环是低品位热能回收利用的一个重要方式,是利用有机工质蒸发温度较低的优势直接对低温热源回收发电的技术。针对工程应用的实际需求,从热力性、经济性和环境性3个方面对循环进行多目标优化设计。提出了考虑全生命周期影响的年减排量指标,选取循环热效率、效率、投资回收期和年减排量为目标函数,以蒸发温度和冷凝温度为决策变量,建立系统的多目标优化模型。根据热源特性,选取R600a、R114、R245fa和R245ca作为循环的运行工质,采用BP-GA算法对优化模型进行求解,得到不同工质的最优解。在热源工况和环境温度变化的情况下,对优化循环进行了敏感性分析。结果表明,工质R245fa具有最优的综合性能;热源温度和环境温度的变化分别影响循环的最优蒸发温度和最优冷凝温度,进而影响了系统的性能。

基于BP-GA混合算法的微电网光伏功率预测

本文首先指出了微电网光伏预测的意义,然后对BP-GA混合算法思想做了介绍,并通过BP-GA混合算法对微电网中影响光伏出力的光照辐照强度进行预测,仿真结果显示该预测方法误差小,适用性强。

基于PCA的BP-GA神经网络在连续刚构桥梁施工监控中的应用

为提高神经网络预测的效率和精度,更好地服务于桥梁施工监控,采用关联度分析法和主成分分析法(PCA)优化神经网络的输入层,采用遗传算法优化神经网络权值和阈值,结合工程实例数据证明该方法能够有效提高神经网络预测的效率和精度,并可为神经网络在连续刚构桥梁施工监控中的应用提供参考。

基于BP-GA的融合算法实现

搜索和寻优是控制、预测等应用技术的基础。在人工智能领域，人工神经网络和遗传算法是解决搜索和寻优这2个问题的基本方法。对BP算法和遗传算法进行了研究，指出了其优缺点；研究了传统的将BP和GA结合起来求解问题的几种方式。鉴于这几种方式存在的实际应用缺陷，提出了一种新型的融合算法，阐述了其基本原理，给出了设计流程图，并详细研究了该融合算法的设计步骤。最后，运用示例验证该算法。

BP-GA学习算法在短期洪水预报中的应用

先用遗传算法在权值空间中搜索,直到找到某一稳定的适应度值。针对遗传算法(GA)只能找到问题的本致解的缺点,利用BP算法在GA找到的权空间中进一步搜索,以求找至问题的准确解,并实现短期降雨径流的模拟和预报。在构建网络模型时,综合考虑了气候因素、前期降雨量上游支流的前期流入流量和计算出口断面的前期流量的影响。实验结果表明,基于这一方法的短期洪水预报具有较高的精度和可靠性。

BP-GA算法在船舶碰撞风险评估中的应用

船舶海上会遇过程中由于相对运动以及海上气象条件的影响,可能会发生船体的摩擦和碰撞,一旦船舶发生碰撞事故,轻者导致船体受损,严重时甚至导致船舶沉没等事故。因此,进行船舶碰撞过程的精细化分析和模拟非常有必要。本文探究船舶碰撞过程的危险度特性,通过BP-GA改进神经网络算法,对船舶的碰撞过程进行风险评估,并结合有限元分析技术,对船舶发生碰撞后的损伤特性进行了仿真。本文的研究有助于提升海上船舶的航行安全性,防止船舶出现会遇过程的碰撞事故。

基于BP-GA的防空兵作战指挥能力评估

考虑一级评估指标,用逐层分解方法建立多级评估指标体系。通过BP和GA组合算法估算防空兵作战指挥能力。步骤包括:选取影响能力评估的关键因素指标;构建能力评估神经网络,进行能力标准化预处理;计算模式误差,确定GA的适应度函数;用GA对BP的权值分布进行优化;最后用BP算法进行学习训练,直到条件满足。

一种基于BP-GA的室内定位模型

使用BP-GA算法相结合的方法来作为室内定位模型的主要定位算法,在得到初始坐标后利用泰勒级数定位算法优化得到最终待测点坐标。该算法很好地减弱了室内环境对定位精度的影响,并且具有较高的精度。仿真实验验证了该模型的有效性。

基于BP-GA算法的汽车线束盖冲压工艺优化

针对冲压成形过程中回弹和减薄率的问题,选择对汽车线束盖有显著影响的3个因素:压边力F、摩擦系数f和模具零件间隙a,分别进行单因素试验、正交试验设计、BP神经网络和遗传算法设计分析,以最大法向回弹量和最大减薄率为评价指标,设计综合目标函数,对汽车线束盖件冲压成形进行工艺参数优化,得到汽车线束盖成形的最优工艺参数组合。结果表明:优化后的工艺参数对工件成形质量有较大的改善,可为拉深工艺优化设计提供一定的参考。

设施生菜光合和蒸腾速率影响因素分析与预测模型构建

光合速率及蒸腾速率是植物的2个重要生理指标。在全人工环境下,选取意大利生菜作为对象,设计并开展多环境变量对生菜光合速率及蒸腾速率影响的嵌套实验,得到环境因子对生菜光合速率及蒸腾速率的影响规律,应用神经网络构建生菜幼苗期光合速率及蒸腾速率预测模型。针对幼苗期生菜,选择温度、相对湿度、光子通量密度(Photosynthetic photon flux density, PPFD)及CO_(2)浓度共4个环境影响因素,采用随机森林方法对数据进行相关性分析。结果表明,与蒸腾速率相关性由大到小的因素依次为CO_(2)浓度、温度、相对湿度、PPFD,与光合速率相关性由大到小的因素依次为CO_(2)浓度、PPFD、温度、相对湿度;采用枚举法确定隐藏层节点数和训练函数,通过遗传算法优化BP神经网络的初始权值和阈值,构建GA-BP神经网络生理指标预测模型。应用测试数据对模型进行验证,光合速率及蒸腾速率预测值与实测值的决定系数分别为0.962 12、0.979 44,均方根误差(RMSE)分别为2.983 2μmol/(m^(2)·s)、0.001 435 8 mol/(m^(2)·s),表明GA-BP神经网络在模型精度和迭代次数方面性能显著提高。研究结果可为设施生菜生产环境调控提供有效依据。

基于GA-BP-FA算法的多轴铣削残余应力优化

提出了面向多轴铣削GH4169的残余应力控制的GA-BP-FA多目标优化模型,运用遗传算法(GA)优化BP神经网络的初始权值和阈值,提升神经网络算法的收敛速度和预测精度。基于GA-BP算法建立了铣削残余应力预测模型,并分析了铣削工艺参数对残余应力的影响。以获得最小残余拉应力/最大残余压应力为目标,基于萤火虫算法(FA)对铣削工艺参数进行优化。研究结果表明,所建立的残余应力的GA-BP预测模型具有较高的预测精度,两个方向的平均误差分别为18.9%和16.7%。经FA算法优化后,所选参数阈内最优工艺参数为切削倾角Φ=85°,切削速度v=20 m/min,每齿进给量f_(z)=0.01 mm/z。优化后σ_(x)方向的残余压应力-463.43 MPa和σ_(y)方向的残余压应力-686.93 MPa。

多孔质静压轴承静态特性预测研究

在多孔质静压轴承设计中,轴承设计参数是影响其静动态特性的关键因素之一,通常情况下,要得到合适的轴承设计参数,需要多次重复建模和仿真,且由于轴承结构复杂,建模难度大,仿真时间长,严重影响了轴承的设计效率。本文构建了一种基于遗传算法(Genetic algorithm,GA)优化反向传播(Back propagation, BP)神经网络的轴承静态特性预测模型,采用拉丁超立方抽样方法在轴承参数设计空间内采样,并进行Fluent流体仿真,将仿真数据用于GA-BP神经网络模型的训练与测试,实现了对设计空间内任意设计参数下的多孔质静压轴承静态特性的预测。研究结果表明,训练出的GA-BP神经网络模型能够准确预测多孔质静压轴承的静态特性,预测精度在95%以上,对多孔质静压轴承的快速设计和参数优化具有重要意义。

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。

基于机器学习的“一带一路”投资国别风险预测研究

“一带一路”倡议提出十年间,中国对沿线国家的投资规模持续扩大。然而,企业在抓住机遇,进行“一带一路”沿线国家投资的同时,也需要重点关注“一带一路”投资国别风险。本文从政治、经济、社会和对华关系4个维度构建“一带一路”投资国别风险预测指标体系;运用灰色关联分析计算样本国家的综合风险评价值;基于2012~2022年间“一带一路”沿线国家的数据,利用机器学习构建GA-BP神经网络、支持向量回归和随机森林3种预测模型;通过对比预测精度,确定最佳预测模型,利用2021年的指标数据,对2022年的投资国别风险进行预测。研究结果表明:(1)在“一带一路”投资国别风险的研究背景下,支持向量回归模型预测效果最优,证明机器学习模型能够有效应用于风险管理领域;(2)“一带一路”投资国别风险存在明显的地区差异,中东欧地区和东南亚地区投资国别风险普遍较低,而南亚地区投资国别风险普遍较高,但都存在特例。本文研究结果可为“走出去”企业在“一带一路”沿线国家的投资决策提供参考。

综掘面风流调控下的瓦斯与粉尘浓度双目标预测模型研究

针对综掘面瓦斯和粉尘浓度预测能力不足,导致瓦斯粉尘积聚难以提前解决,造成风筒出风口风流调控降尘排瓦效果不佳的问题,采用层次分析法确定了瓦斯和粉尘浓度分布的关键影响因素,建立了7-11-3结构的双目标预测神经网络模型,并进行出风口距端头5 m和10 m工况下的应用测试,结果表明:模型误差率最大9.85%,最小0.27%。瓦斯浓度最高降低了45%,粉尘浓度最高降低了40%,有效预防了瓦斯和粉尘浓度的积聚问题。