基于前馈神经网络的钻孔精度影响因素预测模型

孔的加工是影响机械产品质量的关键工序之一,一旦出问题很难修复,钻孔精度的提升对于改进孔的加工质量、降低钻孔工件废品率、减少重复加工有着重要意义。机械产品中设计孔时经常有较高的精度要求,但实际孔加工时受到设备、钻头、材料加工方法等的影响,其精度影响因素众多,要在加工前对孔的加工精度进行预测,无法利用数学关系建立准确的预测模型,因此将其精度主要影响因素进行分析,设计影响因素的主要数据采集点,通过小批量的实验采集数据建立钻孔实验数据库,结合其数据特点,基于多模态的需要,利用深度为2的前馈神经网络拟态模型将钻孔精度定义的定位精度、尺寸精度、形状精度、表面精度和垂直精度五种精度建立预测模型,利用Adam优化器,结合均方误差(mean-square error,MSE)以及梯度下降法进行反向传播训练,对比实际加工结果,本模型在训练集中达到了89%的孔加工精度预测准确度。基于本模型的结果即可针对孔加工过程不同的影响因素进行针对性调整优化,提升孔加工的整体精度。

基于Probit回归模型和BP神经网络模型的宁夏盐池滩羊产量影响因素及预测研究

通过对滩羊养殖户户主和家庭基本特征、养殖场生产经营特征、优质化生产认知情况以及疫病防治情况进行调查,采用Probit回归模型和BP神经网络模型分析了宁夏盐池县12个滩羊养殖村滩羊肉产量的影响因素,并预测了未来5年的滩羊肉产量情况,预测结果表明到2025年,宁夏滩羊产量将达12.5万t,宁夏滩羊产业总体呈现良好的发展势头。

基于BP神经网络的中小跨境电商企业网络营销绩效影响因素研究——以广西为例

近年来,凭借优越的区位优势和政策优势,广西跨境电商发展迅猛。作为广西跨境电商行业主力军的中小企业,利用跨境电商拓宽了网络营销的区域。但由于跨境电商起步较晚、专业人才较缺乏等原因,网络营销的优势尚未得到充分发挥。因此,文章运用BP神经网络法,构建网络营销绩效的影响因素的体系模型,对广西中小跨境电商企业网络营销绩效的影响因素进行测度分析。结果表明,跨境支付安全性、购物流程便捷性、客户服务等因素均对网络营销绩效具有较强的影响。本研究深入剖析影响网络营销绩效的因素,有助于提升广西中小跨境电商企业的网络营销绩效,进而推动广西跨境电商产业的快速发展。

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PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于现场监测和人工神经网络的填埋场二氧化碳释放浓度预测分析

垃圾填埋场会产生大量的填埋气,其中40%~60%为CO_(2),CO_(2)会导致温室效应并降低填埋气的利用效率,因此掌握及预测填埋气中CO_(2)的释放规律对于控制其扩散及填埋场温室气体排放评估具有重要意义。本文分析了杭州某填埋场2018年全年CO_(2)浓度,发现CO_(2)与H2S的浓度在春秋季表现出强线性相关性,秋季的皮尔逊相关性系数绝对值为0.77。同时,建立多层感知器(multi layerperceptron,MLP)的人工神经网络模型预测CO_(2)浓度,并选取箱型图法对数据进行前处理以剔除监测设备故障等非自然因素导致的异常值,选取PM_(2.5)、风速、风向、气温、空气湿度作为输入指标,结果表明模型预测结果与现场实测结果约为R=0.7,说明模型效果较好。基于该模型对缺失的9月份数据进行填补,其结果与CO_(2)全年释放规律吻合良好。本文基于现场监测数据建立的神经网络模型可用于填埋场CO_(2)释放的预测评估,对CO_(2)等填埋气释放的控制和填埋场现场管理具有指导意义。

基于BP神经网络的低渗透底水油藏油井见水模式预测模型

注水开发使得低渗透底水油藏油井见水模式更加复杂,需要进一步明确及预测油井见水模式来针对性地指导水淹治理措施。神经网络模型具备处理多元回归问题和计算速度快等优势,可被用于分析地质工程多因素参数与油井见水模式的内在关系,构建见水模式预测模型。在油井见水模式划分的基础上,通过灰色关联理论和神经网络算法对BCL低渗透底水油藏油井见水模式的主控因素和预测模型进行了研究。发现水层厚度、隔夹层数、隔夹层长度和避水高度是该类油藏注水开发下影响油井见水模式的主控因素。基于主控因素结合神经网络算法建立了油井见水模式预测模型。通过对18组测试数据进行验证,平均预测误差1.4%,获得了较好的预测精度。通过易于获取的主控因素快速预测注水开发低渗透底水油藏油井的见水模式,为该类油藏的高含水针对性治理提供基础依据。

基于MI-PSO-RBF神经网络的铁路客货运量预测研究

准确地预测铁路客货运量对合理配置运输资源、提高铁路客货运组织工作效率有重要作用。为提高铁路客货运量的预测精度,提出一种基于MI-PSO-RBF神经网络的客货运量组合预测模型。本研究对铁路客货运量的影响因素及其内在关联进行分析,选取相关指标,利用互信息素法对指标进行筛选,构建影响因素指标体系。基于该指标体系,运用粒子群算法优化的RBF神经网络模型分别对铁路客货运量进行预测,并与传统的BP神经网络、RBF神经网络预测模型进行比较。结果显示,经过参数调整优化后的MI-PSO-RBF神经网络在铁路客运量及货运量的预测精度方面表现最佳,测试集R2分别达到了0.9481与0.9911,具有较高的精度及泛化能力,表明该组合预测模型能够进一步提升神经网络模型预测铁路客货运量精确度。

前馈神经网络在预测连续泄漏系数中的应用

受泄漏孔几何参数、液位、液体物理特性及流动状态等因素影响,储罐连续泄漏系数难以直接采用流体力学建模求解。通过常压立式储罐连续泄漏试验获取数据样本,利用前馈神经网络(Feedforward Neural Network, FNN)算法构建连续泄漏系数(Cs)与输入变量间的非线性关系,建立基于前馈神经网络算法的Cs预测模型。模型性能评估结果表明,模型的平均绝对误差(EMA)、解释方差分(SEV)及决定系数(R2)分别为0.015 4、0.949 2及0.948 2,表明模型预测性能良好。与相应连续泄漏试验值比较,预测Cs的总平均绝对偏差范围为5.28%~7.34%,质量流率平均偏差为4.60%~6.51%,连续泄漏量的平均偏差为0.84%~2.03%,模型预测结果优于采用泄漏经验常数的计算结果,证明该模型可有效预测连续泄漏期间Cs值及变化趋势。

基于改进LSTM神经网络的电动汽车充电负荷预测

当前对电动汽车(EV)充电负荷预测的研究缺少真实的数据支撑,并且模型考虑场景过于简单,影响因素考虑不到位,预测结果缺乏说服力。基于此,提出一种考虑多种电动汽车充电负荷影响因素的电动汽车充电负荷预测方法。首先,考虑天气、季节、温度、工作日、节假日等因素对电动汽车充电负荷的影响,采用三标度层次分析法分析各影响因素权重;其次,建立LSTM神经网络预测模型,通过真实数据训练得到用于预测的LSTM神经网络模型,结合影响因素权重分析结果对预测模型进行修正,得到最终的改进LSTM神经网络负荷预测模型;最后,采用常州某小区的真实数据对所提预测方法进行试验验证。结果表明,所提方法可以实现电动汽车充电负荷的精确预测,且负荷预测结果可为有序充电策略研究提供参考。

辉钼矿回收率对水体磁化改性因素敏感性的BP神经网络研究

为优化磁化水体系中辉钼矿回收指标,以正交实验的方法进行了辉钼矿单矿物浮选试验,并利用BP神经网络对辉钼矿回收率与水体磁化改性影响因素的敏感性关系进行分析。结果表明:浮选过程中辉钼矿回收率对不同磁化因素的敏感性由大到小依次为:电流频率、退磁时间、磁化时间、电流频率与磁化时间交互影响和电流频率与退磁时间交互影响。研究利用电流频率等三个主要影响因素,通过BP神经网络作为模型对辉钼矿的回收率进行预测,其拟合度与精度较好,拟合优度R^(2)为0.9704,相对平均误差仅为1.27%,该模型能较好地用于辉钼矿回收率的预测。研究对利用磁化水改善金属硫化矿浮选效果的工业应用有一定的参考意义。

基于混合卷积神经网络的多特征负荷预测方法研究

针对负荷预测任务中准确性、稳定性和环境因素适应性的挑战,提出了一种基于混合卷积神经网络的电力负荷短期预测方法。提出了基于一维卷积神经网络(1D convolutional neural network,1D-CNN)的多尺度特征融合方法,通过融合不同尺度的特征来捕捉负荷变化的趋势,提高了对负荷突变和复杂模式的识别能力;针对多种环境特征因素对电负荷影响的问题,设计了基于2D-CNN的多特征因素学习方法,提高了模型对环境因素与负荷间复杂关系的建模能力;构建了混合网络模型,通过对1D-CNN和2D-CNN的特征信息进行深度特征融合和信息传播,实现了有效关联时空特征的综合性负荷预测方法。开展了具体算例分析研究,通过分析参数优化和融合学习对模型精度和效率的影响,并与经典模型进行对比,结果显示所提模型的均方根误差(root mean squared error,RMSE)为36.3,平均绝对误差(mean absolute error,MAE)为5.34,平均绝对百分比误差(mean absolute percentage error,MAPE)为1.02%,有效提高了负荷预测的准确性和鲁棒性。

基于多变量自优化动态神经网络的“阶跃型”滑坡变形预测

传统累计变形预测方法在曲线结构分解和表征模型选择上具有多样性,由此引起了工作量大、预测精度低以及预测方法适用对象较局限等问题,为此考虑降雨量、库水位、库水位变化对滑坡累计变形的影响,基于非线性自回归模型建立了多变量自优化动态神经网络,并将其应用在三峡库区典型的“阶跃型”滑坡——白家包滑坡累计位移预测中。通过对滑坡变形累计曲线时间序列的分析,采用神经网络方法对全曲线模型进行求解,形成了非线性自回归神经网络模型,利用多种群遗传算法对神经网络的参数和结构进行优化训练,并将适应度函数均方误差作为预测模型误差偏离标准。结果表明:所提出的自优化动态神经网络对滑坡多个测点的累计位移拟合精度高,误差可控制在1%左右,预测过程减少了主观因素引起的误差,考虑了滑坡发展过程的动态性,可为“阶跃型”滑坡累计位移的实时预测提供参考。

基于BP神经网络的DRG付费胆结石患者住院费用影响因素研究

目的:分析DRG付费胆结石患者住院费用构成及影响因素,为医院控制不合理费用、减少亏损提供依据。方法:以四川省攀枝花市某三甲医院2019年—2021年纳入DRG付费的胆结石住院患者的费用数据为样本,采用单因素分析进行费用比较,并建立BP神经网络模型对患者住院费用的主要影响因素进行分析。结果:药品费和材料费是占比最高的项目,合计占比达44.59%。影响胆结石患者住院费用的因素按重要性从大到小排序为住院天数(0.373)、是否手术(0.212)和年龄(0.089)。结论:BP神经网络模型能较好地运用于住院费用影响因素分析,医院可据此合理控费,提高精细化管理水平,具有较强的现实意义和参考价值。

基于人工神经网络的光伏系统功率预测

随着人类文明的进步,地球上传统的化石燃料也正在慢慢地消耗殆尽,人们不得不去寻求新的能源。太阳能光伏发电以其绿色、环保、无污染、可再生等优点而迅速得到各国的重视。通过对光伏发电系统输出功率的影响因素进行分析可知,辐射照度、温度、环境相对湿度和风速这四个因素对其输出功率影响较大。本文从BP神经网络得到四种不同的神经网络功率预测数据模型,并分析了这四个因素对光伏发电系统输出功率的影响程度。

基于人工神经网络的压滤液再配操作参数优化

针对废弃压滤液再配新鲜钻井液过程操作参数的最优值问题,开展以人工神经网络为基础对废弃压滤液再配钻井液操作参数的优化,确定最佳的压滤液的pH值、搅拌速度、反应温度和高价阳离子去除剂的加料比。通过单因素实验确定了压滤液再配钻井液过程中操作参数的适宜条件范围。基于此操作条件,设计并收集180组实验数据用于人工神经网络模型的训练,使用PSO算法对CNN模型进行优化,并进行网络结构调整,对三个指标线性合并,形成综合指标,在设置迭代停止误差限为0.005的条件下,调整后的PSO-CNN模型在第50次时达到收敛,将得到的操作条件进行三组平行试验。得到的再配钻井液的性能,密度为1.0569 g·cm-3、塑性黏度为9 mPa·s和漏斗黏度为45.48 s,与模型优化值相比较,相对误差为0.038%、0.0%和0.132%。优化后的模型表现出高准确性,进一步验证了废弃压滤液经处理后可用于新鲜钻井液的再配。

基于多模态神经网络的新型冠状病毒感染患者继发医院感染的预测模型分析

目的:基于多模态神经网络,构建新型冠状病毒感染(COVID-19)患者继发医院感染的预测模型,为临床患者继发医院感染的防治提供参考。方法:选取2022年8月1日—2023年1月20日镇江市第三人民医院收治的2519例COVID-19患者作为研究对象,收集患者的年龄、既往病史、住院时间、抗菌药物使用、行机械通气等信息,采用多模态神经网络预测模型分析患者继发医院感染的影响因素,并与传统的多因素Logistic回归分析模型进行比较。结果:2519例COVID-19患者中发生医院感染的有312例,感染发生率为12.39%;Logistic回归分析结果显示,COVID-19患者继发医院感染与年龄、是否有高血压病史和呼吸系统疾病史、是否有经验性使用抗菌药物和免疫抑制剂、是否行机械通气具有相关性(P<0.05),其中年龄>65岁、有高血压病史、有呼吸系统疾病史、住院时间>7 d、经验性使用抗菌药物、行机械通气是患者继发医院感染的独立危险因素(P<0.05);多模态神经网络预测结果显示,住院时间、呼吸系统疾病史、年龄、经验性使用抗菌药物和机械通气是患者继发医院感染的5个最大的危险因素,其训练样本、检验样本和坚持样本的准确度分别为87.49%、86.31%和90.28%;多模态神经网络预测模型和多因素Logistic回归分析模型的接受者操作特征曲线的曲线下面积分别为0.879和0.852,并且Delong检验结果显示二者之间存在统计学差异(P<0.05)。结论:多模态神经网络预测模型和多因素Logistic回归分析模型均可以较好地预测COVID-19患者继发医院感染的相关风险,但多模态神经网络预测模型的预测结果更好。

基于卷积神经网络的交通运输业碳排放预测研究

交通运输业作为碳排放主要来源之一,其低碳发展对于我国双碳目标的实现具有重要现实意义。研究基于拓展的STIRPAT模型,从人口规模、经济水平、技术水平、交通运输水平以及绿化水平5个维度选取交通运输业碳排放影响因素,根据1997—2019年碳排放量及影响因素数据建立卷积神经网络碳排放预测模型。在此基础上,设置低碳、基准和高碳3种不同情景对京津沪渝的交通运输业碳排放情况进行预测分析。结果表明:在基准情景和低碳情景下,京津沪渝均表现出明显的“波动上升—达峰—缓慢下降”的趋势;而在高碳情景下,京津沪渝则表现出明显持续增长趋势,同时低碳情景下京津沪渝交通运输业碳达峰时间多早于2030年,且峰值明显低于基准情景和高碳情景的碳排放量值,更加符合交通运输业的低碳发展理念。

基于BP神经网络算法构建糖尿病早期肾病风险预测模型

目的探讨糖尿病早期肾病的相关危险因素,并基于BP神经网络算法构建其风险预测模型。方法回顾性分析永康某中医院2020年1月至2022年12月收治的1048例糖尿病患者,其中糖尿病肾病患者115例,占10.97%,并以此分为DKD组(糖尿病肾病组115例)和DM组(糖尿病组933例)。收集患者相关资料,采用倾向性评分匹配(PSM)排除混杂因素后按1∶1最邻近方法进行匹配。以单因素分析中具有统计学意义的指标,运用BP神经网络算法基于相关因素构建预测模型。以平均绝对值误差(MAE)进行模型效能分析,以受试者工作特征曲线(ROC)评估风险预测模型的预测价值,并进行外部验证,采用校准曲线评估模型一致性。结果混杂因素有性别、合并高血压、空腹血糖、尿酸,将建模集按1∶1比例以最邻近方法进行PSM排除混杂因素后,DKD组95例,DM组95例。单因素分析结果提示患者年龄、2型糖尿病、总胆固醇(TC)、尿蛋白排泄率、糖尿病病程、胱抑素C(Cys C)组间差异具有统计学意义(P<0.05)。预测精度从大到小依次为BP神经网络算法、决策树、支持向量机、逻辑回归。BP神经网络结果显示影响糖尿病早期肾病发生重要性的前4位因素依次为蛋白尿排泄率、年龄、糖尿病病程、Cys C。预测模型AUC为0.959(95%CI:0.917~1.000),约登指数0.867,对应的敏感度与特异性分别为0.867、1.000。外部验证AUC为0.958(95%CI:0.922~0.995),其敏感度与特异性分别为0.804、1.000,校准图中校准曲线贴近于标准曲线。结论基于机器学习法构建的以年龄、病程、尿蛋白排泄率、TC、Cys C、2型糖尿病为预测特征的BP神经网络算法模型对糖尿病早期肾病有较好的预测价值,可以把该模型临床应用于此类高风险人群的管理识别。

基于人工神经网络探讨TyG指数与糖尿病性心肌病的相关性

目的:探讨三酰甘油-葡萄糖(TyG)指数与糖尿病性心肌病(DCM)的相关性。方法:选取2019年1月—2022年1月我院收治的150例糖尿病病人作为研究对象,根据病人左心室二维结构是否正常分为DCM组(92例)和非DCM组(58例)。比较两组临床资料,通过曲线拟合分析TyG指数与DCM的相关性;采用受试者工作特征(ROC)曲线分析TyG指数对DCM的预测价值;采用多因素Logistic回归分析DCM的影响因素。构建人工神经网络模型,通过ROC曲线和校准曲线评价模型区分度和准确度。采用Bootstrap重采样对列线图模型进行外部验证。结果:曲线拟合发现,随着糖尿病病人TyG指数的增加,DCM发生率呈上升趋势。阈值效应分析发现,当TyG指数>0.8时,DCM发生率随着TyG指数升高而增大;当TyG指数≤0.8时,DCM发生率与TyG指数无明显相关性。TyG指数对DCM具有一定的预测价值,ROC曲线下面积(AUC)为0.718。多因素Logistic回归分析结果显示,心肌炎、心肌组织纤维化、Ca2+平衡调节异常、氧化应激、微血管病变情况、TyG指数、心肌胰岛素水平均为DCM的独立危险因素(P<0.05)。ROC曲线和校准曲线结果均显示列线图模型具有较好的区分度和校准度。结论:TyG指数与DCM呈线性相关,是DCM的独立危险因素。