基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明:CSSA-BPNN模型的平均相对误差为4.11%,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.395 0 MPa,平均绝对误差为0.359 2 MPa,决定系数为0.995 2,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。

基于改进麻雀搜索算法优化BPNN的电阻点焊质量预测

电阻点焊技术由于具有高效、自动化程度高等焊接特点,被广泛应用于汽车、航空航天和公共交通等制造领域,由于焊点在封闭状态下进行,焊接过程存在诸多影响因素且无法直接检测,因此,准确预测电阻点焊质量是生产过程中必不可少的环节.本文以2219/5A06铝合金为研究对象,在3种不同的装配条件(包括间隙和间距)下进行电阻点焊工艺信号的分析,并进行人工智能建模.为了提高电阻点焊质量评价的性能和效率,本文采用Logistic-Tent(LT)复合映射改进麻雀搜索算法(SSA)对反向传播神经网络(LT-SSA-BPNN)模型进行优化,模型的输入和输出分别为多信号融合后的变量和熔核直径.实验结果表明,与传统的标准反向传播神经网络(BPNN)模型相比,经过LT-SSA-BP模型优化后,预测结果的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别降低了36.17%、17.55%和51.75%.同时,LT-SSA-BP神经网络在添加了不同间隙和间距条件作为训练集后,其预测稳定性明显提高,可以成功预测电阻点焊质量.

基于MFO-BPNN的螺旋钻机钻速预测研究

针对利用现有经验公式所建立的螺旋钻机钻速预测模型存在准确度不足的问题,提出了一种基于飞蛾扑火算法(MFO)的反向传播神经网络(BPNN)钻速预测模型。首先,对MFO算法的基本原理进行了研究,构建了MFO算法优化BPNN的具体流程;接着,采集了江苏无锡某施工现场钻探数据,并分析了钻速影响因素,运用小波阈值降噪、归一化和灰色关联度分析等系列方法对采集数据进行了预处理,得到了训练和测试集;然后,将MFO算法运用于神经网络的权值和阈值训练,以代替原有梯度下降法,建立了MFO-BPNN钻速预测模型;最后,对上述预测模型与BPNN模型、遗传算法优化反向传播神经网络(GA-BPNN)模型以及粒子群优化算法优化反向传播神经网络(PSO-BPNN)模型的预测结果和评价指标进行了详细的对比分析。研究结果表明:运用MFO-BPNN建立的钻速预测模型,其可靠性达到了91.65%,其决定系数(R 2)优于其他3种预测模型,3项误差指标也是其中最低的,说明该模型的预测精度良好,适合于桩基础工程的实际应用,可为复杂因素影响下的钻速预测提供一种新思路。

基于BPNN和MOOGA的高速联轴器多目标优化方法

针对高转速、复合工况下膜盘联轴器难以保证其强度特性问题,对已有膜盘联轴器强度及动力学特性进行了研究,提出了一种基于反向传播神经网络(BPNN)和多目标优化遗传算法(MOOGA)的高速联轴器多目标优化方法。首先,为了得到优化所需的关键参数,采用了正交实验结合多因素方差分析的方法,选取了联轴器优化参数;然后,基于已选取的关键参数,采用BPNN方法构建了截面应力和弯曲刚度的目标函数,并将其与多项式拟合方法进行了对比,对BPNN方法的精确性进行了验证;最后,采用MOOGA方法对目标函数进行了多目标优化,并将优化前后结果进行了对比分析。研究结果表明:采用BPNN结合MOOGA的方法对联轴器设计参数进行优化,在满足联轴器刚度需求的情况下,可有效降低联轴器膜盘的危险截面应力;优化后,联轴器危险应力减小了18.2%,弯曲刚度降低了5.05%,联轴器角向补偿能力增加了0.1°,从而证明了仿真的有效性。该结果可以为挠性联轴器参数优化设计提供参考。

基于改进BPNN的5G通信网络流量预测

为提高5G网络流量预测结果的准确性,提出一种基于改进反向传播神经网络(Back Propagation Neural Network,BPNN)的5G通信网络流量预测方法,采用阿基米德优化算法(Arithmetic Optimization Algorithm,AOA)优化BPNN的权系数和阈值,建立基于AOA-BPNN的5G通信网络流量预测模型。采用某5G基站的网络通信流量监测数据进行仿真分析,并与其他方法的预测效果进行对比,结果表明,AOA-BPNN模型预测结果的平均相对误差和均方根误差分别为4.25%和0.522 GB,预测精度高于其他方法,验证了所提方法的实用性和优越性。

基于BAS-BPNN的调频无线电引信目标与扫频干扰识别方法

针对调频无线电引信在复杂电磁战场环境对抗调幅扫频式干扰能力不足的问题,提出一种基于频域信息熵、范数熵和倒频谱熵的调频无线电引信目标识别方法。基于目标和调幅扫频干扰作用下的调频无线电引信检波端输出信号,提取频域信息熵、范数熵和倒频谱熵构建特征矩阵,并利用天牛须搜索(BAS)算法对反向传播神经网络(BPNN)初始权重值和阈值进行优化,利用优化后的BPNN对目标和调幅扫频干扰信号进行分类识别。实测数据实验结果表明,特征提取方法构成的特征矩阵在目标与干扰之间具备可分性,BAS算法优化获得最优参数的BPNN时,该分类器的识别准确率可以达到99.96%,显著提升了调频无线电引信对抗调幅扫频干扰的能力。

利用CARS-BPNN模型的南疆枣园土壤有机质高光谱反演

土壤有机质(SOM)含量是制定枣园土壤施肥方案的主要依据。合理的施肥方案对提升红枣品质、减少农户投入和增加枣园产出有重要意义。利用传统方法获取枣园SOM含量耗费时间和资源,不符合枣园精准施肥管理的需求,土壤有机质高光谱检测是一种有效的替代方法。为筛选南疆枣园SOM的高光谱快速检测模型,采用网格布点法采集158个枣园土壤样品,测定风干土样的室内高光谱数据和SOM含量。分别将400~2400 nm全波段(R)和通过竞争自适应加权算法(CARS)、连续投影算法(SPA)、粒子群优化算法(PSO)三种数据降维算法筛选的数据集与偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)、卷积神经网络(CNN)三种建模方法结合构建12种枣园SOM含量的组合反演模型,通过对比模型的精度评价指标和训练时间,筛选枣园SOM含量最优光谱反演模型。结果表明:(1)CARS、SPA、PSO三种降维算法都能将光谱数据压缩至原来的10%以下,筛选波长数分别由原来的2001个变量降为98、156、102个,降维组合模型的验证集RPD均大于1.50,均能实现对枣园SOM含量的反演,与R组合模型相比,降维组合模型至少能节省30%的时间成本,特别是与BPNN和CNN等构建的组合模型,能节省90%的训练时间,且模型稳定性更强,模型效果更优。(2)CARS数据集构建组合模型的验证集R^(2)均大于0.85,RPD均大于2.50,RPIQ均大于1.60,在三种降维算法中效果最好;PSO数据集的组合模型验证效果略低于CARS数据集,但优于R数据集,R^(2)均大于0.80、RPD均大于2.00;SPA数据集构建组合模型的验证效果要低于R数据集,在三种降维算法中效果最差。(3)BPNN和CNN两种方法的反演模型验证效果均优于PLSR模型,而在模型训练时间和模型验证效果等方面,BPNN模型优于CNN模型,其结合CARS数据集的验证效果最优,R^(2)为0.91、PRD为3.34、RPIQ为3.17、nRMSE%为11.93,训练时间为58.00 s,模型符合快速检测枣园SOM含量的要求。CARS-BPNN模型为反演南疆枣园SOM的最优模型,研究结果能够为南疆枣园土壤养分快速检测与制定施肥方案提供参考。

改进PSO-BPNN供水泵站变频恒压PID控制

供水泵站是变频恒压系统,要求保障水压稳定,且在干扰情况下能快速响应并恢复稳定。为提升系统稳定性、高效性,提出一种改进PSO-BPNN的PID控制方法。首先构建供水泵站变频恒压控制模型,再基于BPNN实现PID非线性控制,提出一种PSO惯性权重改进策略,以提升PID参数的计算效率,从而更好地满足供水泵站控制需求。实验表明,本文算法响应快速、无超调,且具有稳定的非线性信号跟踪性能。相比BPNN、PSO-BPNN的两种PID控制算法,本文算法在恒压实验的调节时间缩短了29.6%和2.8%;在干扰实验中,超调量减少了34.6%和19.9%,稳定时间缩短了7.3%和1.6%。本文算法可提升供水泵站系统的稳定性和高效性。

基于BPNN标定算法的室内定位方法研究

近年来,人们对基于位置服务(Location-Based Services,LBS)的需求越来越重视。如何精准地确定目标位置并提供便捷服务是人们关注的重点。日常人们可以利用移动终端无线射频信号传播的多路径效应感知环境,通过获取接收的信号强度(Received Signal Strength Indication,RSSI)进行定位。但是,不同移动终端的软件、硬件不相同,使得RSSI存在较大差异,导致定位不可用。基于BP神经网络(Back Propagation Neural Network,BPNN)对不同设备接收到的RSSI进行标定,结合定位算法,有效消除了软硬件异构差异,提高了定位精度,具有良好的普适性和稳定性。

基于自适应GDSA-BPNN的选区激光熔化质量预测

针对增材制造选区激光熔化(selective laser melting,SLM)零件的质量缺陷问题,提出一种基于自适应策略的多输入多输出反向传播神经网络(back propagation neural network,BPNN)模型预测SLM产品质量,解决传统方法不能自适应地调整超参数来适应不同搜索阶段的问题。首先确定SLM成型的重要工艺参数和质量指标,选择Huber函数作为BP模型的损失函数,构建含有结构风险最小化策略目标函数的BP模型;其次,建立基于自适应梯度下降搜索算法(gradient descent search algorithm,GDSA)与BPNN相结合的预测模型(GDSA-BPNN),选择3种不同学习率的策略放入自适应策略库,采用一种自适应机制优化BP模型的超参数;最后,将文章所提出的GDSA-BPNN模型与其他4种模型的预测结果进行对比,结果表明基于GDSA-BPNN模型的SLM零件质量预测方法具有良好的预测效果和较高的预测精度。

基于多模型神经网络的湿度廓线反演研究

为提升微波辐射计对大气廓线探测的精度,利用ARM大气观测站提供的地基微波辐射计、毫米波测云雷达以及探空数据,构建了两种添加不同云信息的反向传播神经网络(back propagation neural network,BPNN)模型(添加入云和出云高度的C-BPNN模型与添加雷达反射率因子的Z-BPNN模型)与一种未添加云信息的BPNN模型(记为BPNN0),并对反演结果进行了对比,结果表明:C-BPNN模型和Z-BPNN模型在任何天气下(有云或无云),得到的反演误差都小于BPNN0模型;C-BPNN相较于另外两种模型反演结果具有更高的稳定性。对3种模型各自反演结果最好的个例分析发现,C-BPNN与Z-BPNN模型主要的误差存在于高空无云但是相对湿度却出现跃变的情况,说明神经网络模型对初始权值与阈值较为敏感,因此通过遗传算法(genetic algorithms,GA)对BPNN模型进行优化。经GA优化后的反演结果表明:BPNN0模型与C-BPNN模型具有明显优化效果,而Z-BPNN模型优化效果则不明显。

基于贝叶斯神经网络的船用惯导定位修正方法

船用惯性导航系统(inertial navigation system, INS)通常采用与全球卫星导航系统(global navigation satellite system, GNSS)组合导航的方式提高其长时间工作的定位精度。当GNSS失效时,其定位误差将随时间迅速发散。针对这一问题,设计了采用反向传播神经网络(back propagate neural network, BPNN)、根据INS原始输出数据拟合修正经纬度的定位修正方案,提出了基于Bayesian算法更新网络权重系数的方法,结合理论分析和试验研究确定了神经元个数与训练数据集的分配方案。实船试验结果表明,当GNSS失效时,在后续2 h,通过24 h历史数据训练得到的神经网络修正INS位置,相比INS独立工作时的定位误差,修正后误差均值下降了63%,误差最大值下降约50%,最小值下降至0。

基于BAS算法优化的电弧增材制造焊道尺寸预测

目的为提高实际应用中电弧增材制造对工艺参数的选取效率及成形形貌的控制效果,建立高效且精准的成形尺寸预测模型,实现对焊道尺寸的合理预测。方法在单层单道CMT电弧增材制造实验的基础上,建立基于天牛须搜索算法(Beetle Antennae Search,BAS)优化BP神经网络的焊道尺寸预测模型,利用BAS算法实现对BP神经网络初始权值和阈值的优化,可以实现预测不同工艺参数(焊接速度、送丝速度、干伸长)下焊道的成形尺寸(熔宽、余高)。利用试验验证BAS-BP预测模型的性能,与现有模型进行对比,结果结果表明该模型具有较高精度的预测效果,能够有效映射工艺参数与焊道尺寸之间的非线性关系,印证了该模型具有良好的拟合和泛化能力,同时其对焊道熔宽和余高的预测误差分别不超过0.2、0.12 mm,预测平均误差率均不超过6%,相对于其他预测模型表现出较好的准确性和稳定性。结论BAS-BP神经网络预测模型的输出误差较小,网络训练收敛速度加快,避免了过拟合及欠拟合的风险,有效提高了预测模型的泛化能力和预测精度,可以实现一定工艺参数范围内的焊道尺寸预测,为后续电弧增材的实时预测及控制参数应用提供了技术支持。

混合粒子群算法优化BPNN在模拟电路故障诊断中的应用

针对模拟电路的软故障,提出一种基于混合粒子群算法的BP网络方法来诊断模拟电路中的故障。该方法是把遗传算法和粒子群算法结合起来优化BP网络的权值和阈值,试图解决传统的BP网络在模拟电路故障诊断过程中易陷入局部最小的问题。详细阐述了该算法的实现,给出了该算法的详细流程图,并通过仿真实例比较了传统BP网络与混合粒子群算法优化下的BP网络在故障诊断中的表现,给出了实验实例仿真结果的图形和数据表格。由仿真图形和数据表格,形象直观地看出了两种算法运用在模拟电路故障诊断中的差别,验证了混合粒子群算法优化BP网络在模拟电路故障诊断中的有效性及可行性。

基于遗传算法优化的BPNN读者满足率评价模型

在分析读者满足率意义及与其相关因素的基础上,提出了基于遗传算法优化的BPNN读者满足率评价模型,并通过实验验证了其有效性。

泵站正向进水结构流场特性多目标优化研究

为提高引黄灌区水源含沙提水泵站进水结构流场稳定性,对泵站原型(泥沙淤积前)进水结构设计参数进行耦合协同优化。选取甘肃省景电灌区典型正向进水泵站为研究对象,确定流场特性评价指标与进水结构设计参数,基于仿真智能算法(PSO-BPNN)和多岛遗传算法(MIGA)构建PSO-BPNN-MIGA耦合优化模型,通过Realizable k-ε湍流模型耦合考虑相间滑移的Mixture多相流模型对最优方案进行模拟。由耦合优化模型得到的最优设计方案(OPT)为:扩散角θ=26.30°、总宽度B=26.46 m、底部纵坡i=1∶2.3、悬空高度C=1.05 m、淹没深度h_(s)=1.38 m、后壁距T=0.57 m;OPT方案评价指标预测值和计算值的偏差率均在10.00%以内;OPT方案下泵站进水结构内未出现明显旋涡回流区,泥沙淤积强度和淤积范围明显减少、水流流速较小、流线较为均匀。优化模型在泵站原型进水结构协调优化中较为可靠,可实现参数区间内的全局连续寻优,所得最优方案整体优化效果较好。本文提出的研究思路与方法可为类似泵站工程设计参数耦合协同优化提供参考方法借鉴。

基于PSO优化BPNN估计光伏阵列MPPT控制系统研究

为了充分利用光伏阵列转换能量,提高光伏阵列的发电效率,在分析光伏阵列的伏安特性及最大功率点跟踪(MPPT)原理的基础上,提出了一种基于粒子群算法优化BP神经网络(PSO-BPNN)的建模方法,并用这种改进的神经网络构建了光伏阵列的动态模型。通过PSO-BPNN模型拟合光伏阵列输出功率与输出电压的非线性关系,实现了对光伏阵列的最大功率点跟踪。Matlab/Simulink仿真及在线测试结果表明:基于PSO-BPNN估计的光伏阵列MPPT控制系统能快速、精确地跟踪光伏阵列的最大功率点,改善了BP神经网络收敛速度慢,易陷入局部极值,建模精度不高的缺点,提高了系统的稳定性和能量转换效率,是研究光伏发电这个复杂非线性系统的一个可行办法。

基于KF-BPNN融合算法的电池循环寿命预测方法

为了解决实际应用过程中电池循环寿命预测精度较低的问题,提出卡尔曼滤波-BP神经网络(KF-BPNN)融合算法对电池的循环寿命进行预测。该方法选用电池内阻作为循环寿命的评估参数,利用BPNN预测电池的内阻值,并将预测内阻值作为KF算法的观测值来修正卡尔曼滤波观测方程系数,从而提高循环寿命预测精度。实验结果表明:融合算法的预测精度有了明显提高。

BPNN改进PID算法的CFB锅炉主汽温控制

CFB机组发电流程中,过热器出口的主蒸汽温度是锅炉安全经济稳定工作的标准之一。主汽温对象是具有大延迟、大惯性且模型不精确的时变非线性控制对象,常见的串级PID控制系统很难达到高精度的控制质量。BP神经网络(BPNN)具有自主学习能力强、学习速度快的优点,将BPNN与PID算法进行结合,设计改进PID算法的CFB锅炉主汽温控制系统,通过MATLAB/Simulink进行模型搭建与仿真。结果表明,BP改进PID算法的控制系统具有比常规串级PID控制更加快速、稳定、准确的控制效果。

基于优化FOA-BPNN模型的脱贫时间预测

针对精准扶贫缺乏有效的分析模型对扶贫的成效与脱贫时间进行准确刻画与定量分析问题,提出了基于FOA-BPNN贫困户脱贫时间预测模型.针对BP神经网络模型可能陷入局部最小的缺陷,引入果蝇优化算法,以BP神经网络的预测误差作为适应度值,寻找最优的BP神经网络参数值,提高参数精度.由于标准果蝇优化算法的搜索半径固定,可能导致后期局部寻优性能弱,提出了一种动态步长变更策略的DSFOA-BPNN模型,通过引入变速因子与种群密度,将动态步长FOA算法与传统误差反向传播神经网络(BPNN)结合,提高模型预测时间精度.在湖北省某贫困地区50000条扶贫数据的基础上,通过实验表明:与BPNN和FOA-BPNN模型相比,提出的DSFOA-BPNN模型预测精度分别提高了44%和11%.增量实验表明:提出的DSFOA-BPNN模型更适用于精度预测.