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。

基于图像处理和BP神经网络的森林防火无人机系统

对无人机设计方案、图像处理和火焰分割算法的技术原理进行了介绍,并利用BP神经网络对图像中的火焰面积变化率和火焰尖角等特征进行识别,实现了对森林火灾的快速监测。实验结果表明:系统的准确率为98.5%,比普通神经网络的84.5%更高;耗时仅22 s,比普通神经网络159 s缩短很多。这表明,BP神经网络是更可靠且更有效率的火灾识别方案。

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神经网络的测量设备无关协议参数预测

针对传统参数优化方法计算开销大,不能满足实时性要求高、计算量大等应用场景的问题,结合当今主流的机器学习方法,提出了一种改进的基于BP神经网络的参数优化方法,利用本地搜索算法的数据训练网络并对参数进行预测,替代传统的查找算法,从而获得更好的实时性和更低的计算复杂度,随后与基于随机森林和XGBoost的方法进行了比较。仿真结果表明,BP神经网络预测所得各参数的均方误差数量级为10^(-6)或更小,由该参数计算所得密钥生成率与最优密钥生成率比值的均值为0.998 8,且该应用中BP神经网络相对随机森林和XGBoost具有更好的预测性能。

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神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

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BP神经网络的陈皮干燥含水率预测

为探索陈皮的热泵干燥特性,并实现热泵干燥过程中陈皮的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、堆叠厚度(20、30、40mm)对陈皮干燥时间和干燥速率的影响。将干燥温度、干燥风速、堆叠厚度和干燥时间作为输入层,隐藏层个数为10,陈皮的干燥含水率为输出层,搭建一个BP神经网络预测模型。研究结果表明:干燥温度、干燥风速和堆叠厚度都是影响陈皮干燥含水率的重要因素,提高干燥温度、增加干燥风速和减少堆叠厚度能够提高陈皮的干燥速率,缩短干燥时间。基于陈皮热泵干燥特性构建结构为“4-10-1”的BP神经网络模型,含水率预测值与实测值之间的均方误差MSE为0.00421,决定系数R^(2)=0.997,模型运行稳定,含水率预测结果准确且快速,能够为陈皮干燥过程中的含水率在线预测提供科学依据。

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.

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。

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。

基于双隐含层BP神经网络的某金矿回收率预测研究

为掌握某金矿选矿工艺影响因素对金实际回收率的作用规律并预测金的回收率,采用正交试验方法开展了金矿浮选试验,通过Pearson系数分析金回收率对不同工艺因素的敏感性,并利用双隐含层BP神经网络对金回收率进行预测。结果表明:生产过程中金回收率对不同因素的敏感性由大到小依次为2#油用量、Na2S用量、丁基黄药用量、CuSO_(4)用量和磨矿细度。在此基础上,选用2#油用量、Na_(2)S用量和丁基黄药用量3个主要影响因素,使用不同隐含层激活函数的BP神经网络对金回收率进行预测。预测结果表明:当使用“logsig”作为激活函数时,其拟合度与精度较高,拟合优度R2为0.9792,相对平均误差仅为0.666%,说明该模型能够较好地预测金回收率。研究结果对贵金属矿山生产中金属回收率的预测有一定的参考意义。

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BP神经网络的寒区再生微粉工程水泥基复合材料力学性能研究

为了探究不同低温不利条件下再生微粉ECC材料力学性能的影响,本文采用控制变量法,以再生微粉种类和取代率为研究变量,探究了再生微粉ECC在冻融循环和恒低温两种低温不利条件下的抗压和抗折强度试验。分析了再生微粉种类、再生微粉取代率、冻融循环次数、恒低温温度对再生微粉ECC力学性能的影响。最后基于BP神经网络,建立了3-6-1的冻融循环和3-3-1的恒低温BP神经网络结构抗压强度预测模型。研究结果表明:在相同的冻融循环条件下,再生混凝土微粉ECC的力学性能要高于再生砖粉ECC,且均随再生微粉取代率的增加先小幅度下降后剧烈下降,在经历150冻融循环后力学性能损失20%左右。而经历恒低温保温后的再生微粉ECC力学性能呈现出相反的变化趋势,随着低温保温温度的降低再生微粉ECC的力学强度反而呈现上升趋势,从常温到-40℃恒低温状态下力学性能提高22%左右。建立的两个低温不利条件下BP神经网络预测模型,平均相对误差分别为1.43%、1.28%,并以质量损失率和相对动弹模量为评判标准,预测试验范围内不同配合比的再生微粉ECC可经受的最大冻融循环次数。

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。