基于GA-BP神经网络的新疆南疆核桃树生长模型研究

文章提出了一种利用遗传算法优化BP神经网络的核桃树生长模型来预测核桃树的树高、胸径的方法,通过优化BP神经网络的权值和阈值建立GA-BP模型,与多元线性回归模型的预测结果进行比较。结果表明:采用遗传算法优化后的模型具有更高的预测精度,对核桃树生长预测具有指导意义。

基于GA-BP神经网络的大型客机气流角估计方法

为了解决硬件冗余难以克服的气流角传感器共因故障问题,进一步提高飞机气流角信号的可靠性,研究了基于GABP神经网络的气流角估计方法。通过BP神经网络融合姿态角、加速度、风速等参数来实现不依赖气流角传感器的气流角估计;引入遗传算法对神经网络权值和阈值进行全局优化,提高估计精度;对某大型客机的试飞数据预处理后用于模型的训练和测试。仿真结果表明,训练完成的GA-BP神经网络模型对气流角的估计值贴近实际值,稳定性和精度明显高于BP神经网络。上述方法给飞机增加一个余度的气流角信号,可用于传感器故障时为飞机提供可靠的气流角信号。

基于GA-BP神经网络和改进粒子群算法的碰撞射流和冷却顶板复合空调系统优化

对碰撞射流和辐射顶板(IJV/RC)复合空调在不同室内负荷条件下运行时的室内热环境进行数值模拟,基于遗传算法-反馈(GA-BP)神经网络建立运行性能(吹风感R_(PD),头足温差Δt,空气交换效率e ACE,工作区平均温度t_(a))与设计变量(送风温度t_(s)、送风速度v_(s)、冷却顶板内表面温度t_(c)、房间负荷Q_(c))之间的预测模型,通过相关性分析确定设计变量对运行性能影响的显著性并排序。结果表明,增大v_(s)可使Δt降低,但R_(PD)增大;增大t_(c)有助于降低Δt和R_(PD),但t_(a)升高;为使t_(a)下降,可通过降低t_(s)来实现,但室内空气质量变差。为确保IJV/RC复合空调能在保证室内热舒适的同时提供良好室内空气品质,利用改进粒子群算法对复合空调的运行性能进行多目标同时优化,建立不同房间负荷条件下的设计参量最优匹配关系。研究结果可为IJV/RC复合空调的优化设计和运行控制提供理论指导。

基于GA-BP神经网络战储仓库选址决策模型

针对各战略方向战储仓库选址决策问题,提出基于GA-BP神经网络的战储仓库选址决策模型。通过分析战储仓库选址的影响因素,构建战储库选址决策指标体系;基于BP神经网络建立选址决策模型,运用遗传算法(geneticalgorithm,GA)对反向传播(backpropagation,BP)神经网络的权值和阈值进行优化,并给出实例证明遗传算法优化BP神经网络,可提高选址决策的效率和精准度。结果表明,该研究可为科学开展战储仓库选址工作提供思路和方法。

基于GA-BP神经网络模型的抗乳腺癌候选药物活性预测

抗乳腺癌候选药物筛选对治疗乳腺癌意义重大.乳腺癌的抗激素治疗常用于ERα表达的乳腺癌患者,抗ERα活性值越高代表该药物对治疗乳腺癌越有效.因此,精准预测化合物的抗ERα活性值至关重要.本文首先对化合物的729个分子描述符特征使用梯度提升模型XGBoost和距离相关系数矩阵进行筛选,然后基于筛选的20个分子描述符及其活性值数据,引入遗传算法,建立GA-BP神经网络模型.该模型的均方误差MSE=0.105,拟合优度R2=0.946,是一个基于数据挖掘技术的筛选潜在药物的高精度模型.

基于GA-BP神经网络的风电功率预测方法研究

为了解决风电功率预测易受各种因素影响产生异常数据导致预测准确度不高的问题,提出了一种基于遗传算法-反向传播(GA-BP)神经网络的风电功率预测方法。首先,通过数学模型中的四分位算法对异常数据进行识别,并通过加入带通滤波器剔除异常数据。然后,在风电功率预测的方法上设计新型GA-BP神经网络算法,通过自检验及循环检测的方式获得准确的风电功率预测结果。试验结果表明,该方法不仅有很强的异常数据识别能力,而且在进行风电功率预测时可以保持90%以上的准确率,具有良好的数据处理稳定性。该研究大幅提升了风电功率预测的工作效率,为风电功率预测技术的进一步发展提供了技术参考。

基于GA-BP神经网络的船舶空冷器状态预测

当前船舶空冷器的工作状态主要依靠空冷器冷却后的增压空气温度T_(A2)判断,通常按设定阈值触发报警,存在预警差和精度低等问题。对此,提出一种基于GA-BP(Genetic Algorithm-Back Propagation)神经网络的T_(A2)预测方法。利用BP神经网络构建空冷器状态预测模型,通过对比运行过程中T_(A2)实测值与预测值的偏差,及时发现空冷器的异常状态;引入GA解决BP神经网络存在的收敛速度慢和易于陷入局部最优解等问题。为验证基于GA-BP神经网络的预测方法的有效性,选取多组空冷器清洗前后的状态数据进行训练和验证,结果表明该方法能有效识别空冷器的异常状态。

基于GA-BP算法的充电站负效应评价

由于电动汽车出行需求存在随机性、充电信息不精准等问题,造成城市交通能源供应站承载力与补能需求车辆的时空错配,导致充电站产生了拥堵排队、能源消耗不合理等负效应。基于此,文中从负效应最小化的视角构建了充电站的负效应评价指标体系,综合考虑交通效率影响、站点服务影响、电网负荷影响等3个因素,采用GA-BP神经网络构建了充电站负效应评估模型。最后,以重庆市南岸区某充电站为例,验证了该方法的适用性与有效性。

基于KPCA-GA-BP模型的页岩气集输管道的内腐蚀速率预测

针对页岩气集输管道的内腐蚀,提出了一种基于KPCA-GA-BP组合模型的腐蚀速率预测算法。以某条页岩气集输管道的检测结果作为训练数据,运用反向传播(BP)神经网络建立预测模型,运用遗传算法(GA)优化了神经网络权值和阈值的初始值,运用核主成分分析法(KPCA)对数据进行了降维,在模型建立的过程中不断优化提升模型的预测精度,采用所建模型对另一条相邻管道进行预测并开挖验证。结果表明:选择TRAINGDM作为训练函数,隐含层节点为(8,1),遗传算法进化数为50,种群规模为100,交叉概率为0.3,变异概率为0.2,运用KPCA将数据从7维降为4维后,此模型的均方误差最低为0.12,当该模型用于相邻管道的预测时,均方误差为0.14。运用KPCAGA-BP模型,对页岩气集输管道内腐蚀速率进行预测具有一定的准确性,此模型可用于辅助指导现场内腐蚀直接评价等相关工作。

基于GA-BP网络的数控机床工作台定位误差分析

为了提高数控机床对测试误差的补偿效果,开发一种通过遗传算法(GA)来完成BP网络的优化过程,并加入坐标参数、运动速度指标,建立工作台的定位误差仿真模型。先通过Matlab软件构建得到GA-BP模型,得到优化权值与阈值后,再将结果移植至DSP内开展建模与预测,由此促进预测速率的大幅提升。研究结果表明:以DSP构建的预测系统对各定位误差残差分布进行预测得到的范围是-0.69~0.51μm。采用GA-BP网络构建的模型进行预测时达到了更高精度。

基于GA-BP神经网络的高速公路收费站管理场区造价预测研究

本文采用遗传算法优化的神经网络(GA-BP神经网络)方法,选取26组高速公路沿线收费站管理场区作为工程实例,构建了高速公路收费站管理场区的GA-BP神经网络造价预测模型。GA-BP神经网络有着较高的收敛速度,模型预测值与实际值吻合较好,预测精度基本符合项目施工图预算的要求,验证了GA-BP神经网络方法预测造价的可行性和有效性。

基于GA-BP神经网络的软土路基运营期沉降预测

为了实现高速公路软土路基沉降的准确预测,采用遗传算法(GA)优化BP神经网络,研究3种输入对预测结果精度的影响.选取时间t以及其15 d前的沉降量S_(t-15)和平均沉降速率v_(t-15)为影响因素,在t、t-S_(t-15)、t-S_(t-15)-v_(t-15)三种输入下,分别取某高速公路软土路基运营期实测沉降数据的前50%、80%为训练集,余下原始数据为测试集,重复训练10次后取平均值作为输出值.采用决定系数(R^(2))来判别模型拟合度,均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为模型性能的评价指标.结果表明:3种输入的R^(2)均大于0.99;训练集占原始数据的比例为50%时,t-S_(t-15)输入的预测误差最小,RMSE为1.31 mm,MAPE为4.71%;训练集占原始数据的比例为80%时,t-S_(t-15)-v_(t-15)输入的预测误差最小,RMSE为0.29 mm,MAPE为1.00%.t、t-S_(t-15)、t-S_(t-15)-v_(t-15)三种输入都可对路基沉降进行预测,其中t-S_(t-15)-v_(t-15)输入下取实测沉降数据的80%作为训练集时预测结果最精确.

基于GA-BP模型的混合制冷剂天然气液化装置运行参数优化分析

天然气液化装置的制造及施工通常无法与设计参数保持完全一致,这些偏差的累积可能导致装置实际运行状态偏离于设计的最优工况。本文根据混合制冷剂天然气液化装置的实际历史运行数据,通过选择合理的节点,建立了基于BP神经网络的天然气液化装置比功耗预测模型;为了提高模型预测的准确性,利用遗传算法(GA)对神经网络的初始权值进行优化,形成了GA-BP模型。根据GA-BP模型,以天然气液化装置的比功耗最小化为目标,对该装置的主要操作参数进行了优化。结果表明,与原设计最优工况下的实测结果相比,采用优化后参数运行的混合制冷剂天然气液化装置比功耗比减小了4.3%,提高了整个装置的运行效率。本文研究的基于GA-BP模型的优化方法可为天然气液化装置的工艺设计与高效运行提供参考。

Salt and Pepper Noise Filter Based on GA-BP Algorithm Noise Detector

基于噪声检测的中值滤波器已广泛用于消除图像中的椒盐噪声，然而在高噪声密度情况下，对噪声像素的定位不准确很容易造成图像边缘的模糊。本文提出了一种基于GA-BP的椒盐噪声滤波算法，克服了这一缺陷。算法首先用遗传算法优化的BP网络对图像中的噪声像素定位，然后引入保边函数和PRP算法求目标函数的极值进而实现图像的去噪处理。实验结果表明，该算法比传统滤波算法效果有明显改善，且具有良好的泛化性、鲁棒性和自适应性。

GA-BP神经网络模型在集装箱船纵摇角度预测中的应用

为研究集装箱船航行过程中的纵摇角度预测问题,采用遗传算法(genetic algorithm,GA)对反向传播(back propagation,BP)神经网络的初始权值和阈值进行优化,并对比分析优化效果。以集装箱船实际航行数据为基础,划分数据集,确定神经网络结构,并初始化GA参数;GA以适应度值为指标,迭代搜索最优适应度值,确定BP神经网络参数;使用具有最优初始权值和阈值的BP神经网络进行纵摇角度预测,并结合均方误差(mean square error,MSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)对预测结果进行对比分析。结果表明:所提模型具有较高的预测能力,预测结果的MSE和MPAE分别为0.7192和0.0082,预测结果较为准确。

基于SPA-GA-SVR模型的土壤水分及温度预测

土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。实验结果表明:各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。但整体上,复合模型相比于单一的神经网络或机器学习模型具有明显的优势,且经过连续投影算法优化的模型进一步的提高其预测能力,最终SPA-GA-SVR算法在各项指标上均优于其他模型,土壤水分预测模型的R^(2)=0.981、RMSE=0.473%,土壤温度预测模型R^(2)=0.963、RMSE=0.883℃。实验证明基于高光谱数据,经过SPA和GA优化的SVR模型能实现对土壤湿度和温度精准的预测。该方法具有一定的应用价值和现实意义,可应用于便携式高光谱仪和无人机上,实现对土壤水分和温度的实时监测,为今后的播种及灌溉提供理论参考。

基于GA-BP神经网络和遗传算法优化雪梨莲子银耳羹工艺与风味

为探究雪梨莲子银耳羹的最优工艺,研究了熬煮时间、藕粉添加量、莲子添加量和雪梨添加量对感官评分的影响,并结合遗传算法优化反向传播(GA-BP)神经网络和遗传算法(GA)得出雪梨莲子银耳羹的最优工艺条件,从而建立雪梨莲子银耳羹感官评分的预测模型,实现雪梨莲子银耳羹工艺的优化,进而对其进行气相色谱-质谱法(GC-MS)分析、电子舌检测及感官评价以确定其中挥发性风味物质的种类和含量以及滋味强度。结果表明,熬煮时间、藕粉添加量和莲子添加量对感官评分影响显著,其中熬煮时间的影响最大,其次为藕粉和莲子添加量,且两者之间的交互作用较显著;最优工艺条件为熬煮时间20 min,藕粉添加量1.8%,莲子添加量1.2%;雪梨莲子银耳羹主要含有8种挥发性风味物质,其中呈焦糖香的5-羟甲基糠醛含量最高。电子舌检测及感官评价结果显示,雪梨莲子银耳羹以甜味为主,酸味和鲜味强度较弱且相近,无咸味和苦味。本研究为雪梨莲子银耳羹罐头的开发提供了理论参考。

自适应卡尔曼滤波与PSO-GA-BP算法的机器人误差补偿

采用七轴机器人设备夹持激光器的方式对某型号发射筒进行切割开孔加工。在加工过程中,因轨迹精度和绝对定位精度较低,容易对型号产品发射筒产生损伤和误差切割等问题,运用D-H算法建立七轴机器人理想模型,运用正逆运动学数值算法对理想模型进行验证,运用理想模型的理论位姿参数和激光跟踪仪的测量位姿参数基于Sage-Husa自适应卡尔曼滤波求解七轴机器人真实位姿坐标信息,得到理想位姿参数和真实位姿坐标信息的关节误差,然后结合粒子群优化-遗传算法-BP神经网络联合算法对七轴机器人建立误差预测模型,采用七轴机器人理论位姿参数作为输入样本,真实位姿与理论位姿的各关节角度差作为输出样本,通过库卡机器人Workvisual 5.0软件按照模型输出值对七轴机器人的各关节角度值进行补偿。经过仿真实验和加工,各关节误差补偿后的七轴机器人轨迹误差和绝对定位误差减小72%,满足工艺要求。

基于GA-BP神经网络的负氧离子浓度反演模型研究

针对负氧离子浓度监测过程中存在的手段单一,无法满足日常监测需求的问题,分析负氧离子浓度与环境参数之间的关系,以温度、湿度以及PM2.5浓度作为输入变量,通过建立遗传算法(GA)优化的反向传播(BP)神经网络模型(GA-BP),对负氧离子浓度进行反演分析。实验结果表明:基于BP神经网络的负氧离子浓度反演结果平均相对误差为11.12%。使用GA优化后的BP神经网络对负氧离子浓度的反演效果更好,平均相对误差(MRE)仅为6.51%。基于GA-BP神经网络的负氧离子浓度反演模型,可为负氧离子的深入研究提供可靠的理论依据,同时,该研究模型的应用将大幅降低负氧离子浓度的监测成本,推动负氧离子监测技术的进步。

基于GA-BP神经网络板材辊式矫直工艺预测模型

辊式矫直工艺是轧制生产线上必要精整工艺。为提升生产线的整体智能化生产需求,采用神经网络代替曲率积分矫直模型进行计算,解决其求解难、耗时长和不收敛的缺点。针对反向传播(Back Propagation,BP)神经网络易出现泛化能力弱、陷入局部最优等问题,引入遗传算法(Genetic Algorithm,GA),建立一种基于GA-BP神经网络算法的板材辊式矫直工艺神经网络多输入多输出计算模型。对比结果显示,选用trainscg函数可实现较好的预测结果,并通过贪婪策略对模型结构进行优化,实现了矫直工艺模型的快捷、高精度计算,首尾辊压下误差在0.2 mm以内,残余曲率比误差在5%以内,矫直力误差在7%以内。该神经网络模型对轧制生产线有较高的工程应用价值。