Conducting a Correlation Model Between TCM Constitution and Physical Examination Index Based on BPNN Algorithm

This paper studies the correlation between Traditional Chinese Medicine(TCM)Constitution discrimination and physical examination index based on BPNN algorithm.253cases of routine urine test were used to build a linkage model between TCM Constitution and physical indicators via BPNN algorithm.According to the test,the correct rate of learning and test group are60%and40%,respectively.A strong correlation was found between TCM Constitution and physical examination indexes.By applying cutting-edge knowledge and technologies,the development and modernization process of TCM can be greatly promoted.

基于BPNN的在线学习者元认知能力评估

元认知能力被认为是提升学习者在线学习效果的关键因素,其有效评估对于教育教学具有重要意义。但是,当前基于在线学习行为的元认知能力评估方法存在指标选取有差异、不全面且权重模糊等问题。对此,文章首先设计了基于BPNN的学习者元认知能力评估研究框架,通过数据采集和标准化处理,得到19个在线学习行为指标。接着,文章进行了教学实验,通过相关性分析得到11个与元认知能力显著正相关的行为指标,并构建了基于BPNN的元认知能力评估模型。随后,文章进行了模型的性能验证,发现BPNN模型的整体性能和分类性能均最优;同时,文章从行为指标的重要性、影响情况和个体贡献度三个角度进行了模型的可解释性分析,以利于教师做出更科学、合理的教育决策。最后,文章从学习空间、学习资源、教师角色三个方面对BPNN模型的教学应用进行了展望。文章构建的BPNN模型能够准确评估和可视化解释元认知能力,有助于个性化教育教学的开展,从而为教育评估研究提供发展方向。

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算法的电力物资需求预测方法分析

电力物资需求预测是电力企业运营管理中一项重要技术,但是当前预测水平比较低,不仅平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)比较大,而且预测结果置信度水平比较低,无法达到预期的预测效果,因此提出基于改进误差反向传播神经网络(Back Propagation Neural Network,BPNN)算法的电力物资需求预测方法。为保证电力物资需求预测的准确性,首先按照项目的性能将电力物资分为技改物资、维修物资、科技物资、基建物资以及信息物资,然后根据划分的物资类别从电力物资信息系统或平台上收集历史电力物资信息,并对数据泛化和归一化处理,利用改进BPNN算法对电力物资需求数据训练,提取电力物资需求特征,量化预测电力物资需求,以此实现基于改进BPNN算法的电力物资需求预测。经实验证明,设计方法MAPE不超过1%,预测结果置信度不低于95%,在电力物资需求预测方面具有良好的应用前景。

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SSA-BPNN的锂离子电池SOH估算

锂离子电池已被广泛应用于储能系统与电动汽车中,精确地估算锂离子电池健康状态SOH(state-of-health)是保证系统安全可靠运行的必要条件。从容量的角度分析SOH,在恒流-恒压CC-CV(constant current-constant voltage)充电电压和温度曲线中提取了7个健康特征HI(health indicator)作为输入,基于数据驱动法提出了麻雀搜索算法-反向传播神经网络SSA-BPNN(sparrow search algorithm-back propagation neural network)的锂离子电池SOH估算方法,并应用数据增强进一步提高模型的鲁棒性,最终在NASA锂离子电池随机使用数据集上进行验证。通过与未采取数据增强的传统BP神经网络相比,获得SOH估算精度有明显提升,测试集SOH估算的最大绝对误差和均方根误差分别小于3%和1.32%,实验结果表明该方法兼顾误差小,收敛快,全局搜索能力且能够适应电池老化差异特性。

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。

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。

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。

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.

基于SSA-BPNN的农村精准扶贫成效评价

为实现精准扶贫成效评价,建立基于农户满意度的樽海鞘算法(Salp swarm algorithm,SSA)优化反向传播神经网络(Back propagation neural network,BPNN)的农村精准扶贫成效评价模型。首先,从生存环境维度、生活状况维度、精准扶贫政策效果和人文发展与社会保障4个角度建立基于农户满意度的精准扶贫成效评价指标体系。其次,将16个精准扶贫成效评价二级指标的得分数据和精准扶贫成效评价等级作为BPNN的输入向量和输出向量,建立精准扶贫成效评价BPNN模型。最后,运用SSA优化BPNN模型的初始权值和阈值,建立SSA-BPNN的精准扶贫成效评价模型。结果表明,与其他算法相比,SSABPNN具有更高的准确率,为精准扶贫成效评价提供了方法。

改进PSO-BPNN的电力变压器故障诊断与模式识别

为了优化反向传播网络相关学习参数,提出一种粒子群优化辅助BP神经网络(BPNN)的新方法.以变压器油中气体体积分数百分比构造故障特征,将BP网络的初始权值和阈值进行实数编码,以对应PSO中的粒子,实现BP网络的离线训练与在线分析,对变压器故障模式做出判断.结果表明,该算法更合理地更新了粒子的位置和速度,最优地设置了全局极值,有效克服了粒子的早熟收敛,获得的故障诊断准确率高达91%,并大大提升了BP网络的收敛速度.该算法为此类设计提供了有效的模型参考.

改进的BPnn在移动机器人轨迹跟踪中的应用

针对BPnn(BP神经网络)在复杂多输入情况下,样本训练速度慢,不能满足实时性要求的缺点,提出了一种把神经网络分割成若干子网分别进行训练来获取更高计算效率的方法。将改进的BPnn应用于移动机器人在未知参数和不确定干扰下的轨迹跟踪控制问题中,提出了一种运动控制器和动力学控制器相结合的改进的计算力矩控制方法,用后退算法设计运动学控制器,用改进的BPnn优化动力学控制器。通过MATLAB数值仿真证明了算法的有效性和正确性。

基于BSO-BPNN模型的电能计量装置异常诊断方法研究

电网运维人员主要根据用电信息采集系统采集到的巡检数据对电能计量装置进行人工异常检测。针对人工诊断存在的漏报、误报、判断标准不一、准确度低等问题,文章提出一种天牛须搜索算法(beetle antennae search)和粒子群算法(particle swarm optimization)结合的天牛群算法(beetle swarm optimization),并将其用于优化BP神经网络(back propagation neural network)电能计量装置异常诊断模型。文章利用天牛群算法迭代寻优BP神经网络权阈值,根据诊断准确率对天牛群算法优化性能进行评价,并和粒子群优化的BP神经网络模型诊断结果进行对比。实验分析表明,天牛群算法优化的BP神经网络模型对于电能计量装置的异常诊断具有更高的准确度以及稳定性。

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。