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。

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神经网络的氢气传感器的浓度补偿研究

为解决环境因素致使氢气浓度传感器测量精度误差较大,导致氢燃料电池车辆因氢气泄漏检测不精确而产生爆炸风险的问题,提出了一种基于遗传算法反向传播(GA⁃BP)神经网络的氢气浓度传感器的浓度补偿方法。首先,利用BP神经网络对氢气浓度进行初步预测;然后,通过GA在寻优方面的优势进行浓度补偿,解决了BP神经网络局部陷入极值的问题。实验结果表明:基于GA⁃BP神经网络的氢气浓度传感器的浓度补偿方法对热导型氢气浓度传感器的预测准确度达到99.98%,最大相对误差值为0.2%,氢气浓度传感器的测量准确度提高了50.8%,为氢燃料汽车行业的发展奠定了基础。

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神经网络模型的石墨烯发声器研究

为了解决传统石墨烯发声器物理模型计算量大、精度不高的问题,提出了一种基于GA遗传算法的BP神经网络模型,该算法模型具有更高的精度和适应性。首先,介绍了石墨烯热声发声原理以及实验设计,建立了GA-BP神经网络模型。其次,对模型的参数进行了调节,并对比了基于dropout、基于正则化、基于正则化和GA遗传算法的三种神经网络模型。随后在模型中输入石墨烯发声器的正弦激励幅值、频率以及测量距离,使用GA遗传算法对隐藏层的权值和偏置进行全局寻优,将寻优结果代入BP神经网络,最终预测出给定条件下的声压级。结果表明,在均使用正则化的条件下,BP神经网络预测准确度为98.05%,均方差为0.23;GA-BP神经网络预测准确度达到98.62%,均方差仅为0.14。优化后精准度提高了0.57%,均方差降低了41.36%,展现出更加优异的准确性和适应性。该研究为预测多类特征传感器的非线性输出结果提供了一种高精准度、高适应性的方案。

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网络的数控机床动态误差预测研究

动态误差是高速高精度数控机床的重要误差源,针对实际加工过程中动态误差对工件精度影响较大的问题,提出了一种基于遗传算法优化的反向传播(GA-BP)神经网络以预测动态误差。首先,为了提高神经网络对动态误差的预测精度,从线性特征与非线性特征两方面对动态误差影响因素进行了深入分析,确定了神经网络输入输出参数;然后,采用了遗传算法对BP神经网络进行了优化,建立了动态误差模型,获得了最优网络学习参数,从而实现了对动态跟随误差的精准预测;之后,采用三次样条插值的方法对理想轨迹与实际轨迹之间的轮廓误差进行了计算,有效提高了轮廓误差估算精度;最后,采用了五轴数控机床进行了实验,对模型的有效性进行了验证。研究结果表明:所建神经网络模型可以精准预测机床反向越冲特性对轮廓误差的影响,各轴的动态误差预测精度为±3μm,复杂轨迹轮廓误差预测精度为±1.5μm。实验结果验证了所建模型的可靠性,为后续机床动态误差建模与控制研究提供了一定的参考价值。

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激光甲烷检测压力补偿方法的研究

近年来TDLAS技术已成为实现高精度甲烷气体测量最重要的技术之一,但是压力的变化会影响甲烷气体的吸收系数,造成检测出现误差,因此设计高精度、稳定性好、易于实现的甲烷气体压力补偿方法是急需解决的关键问题。针对传统BP神经网络算法易于陷入局部极小化,局部优化效率低的问题,提出一种采用具有出色全局寻优力的GA遗传算法与BP神经网络融合的方法对甲烷气体测得数据进行压力补偿。试验结果表明,采用GA-BP算法得到的压力补偿效果明显优于采用传统的BP神经网络算法,具有更加优越的压力补偿精度,最终证明了使用该种方式的可行性,为甲烷气体检测时的压力补偿手段提供了参考价值。

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遗传神经网络优化PID控制器参数研究

作为一种重要的控制技术,传统PID控制器具有设计独特、运行机理精准以及出色的可靠性等优点,被广泛应用于工业控制领域。但PID控制器存在参数整定困难,在面对复杂的非线性系统时会出现控制效果不理想等情况。针对以上问题,提出一种基于遗传算法与神经网络的新型PID控制器。通过BP神经网络的在线实时调整能力提升系统稳定性,利用GA遗传算法搜寻全局最优解,提高了控制器调整速度,并能避免BP_PID控制器陷入局部极限,实现了参数自动调整和控制效果的优化,提高了控制系统的性能。

基于GABP-DEMATEL的自贸区港口产业生态圈关键因素识别

为识别与区分自贸区港口产业生态圈影响因素之间的关系,利用遗传算法(genetic algorithm,GA)对基于反向传播(back propagation,BP)神经网络的决策试验和评价实验室(decision-making trial and evaluation laboratory,DEMATEL)模型(记为BP-DEMATEL模型)进行优化。将GA输出的初始权重和阈值输入BP神经网络计算得出影响因素的权值,再求出直接影响矩阵。结合自贸区港口的实证数据,将GA优化的BP-DEMATEL模型与传统DEMATEL和BP-DEMATEL模型进行对比。结果表明:在自贸区港口产业生态圈关键影响因素识别的精度、运行时间等方面,GA优化的BP-DEMATEL模型优于BP-DEMATEL模型,可拓展DEMATEL的使用范围。该模型可确定对自贸区港口产业生态圈影响较大的因素,为相关决策提供参考。

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和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。

基于GA-BP算法的公路工程造价估算研究

针对目前公路工程造价估算存在的问题,结合人工神经网络模型和遗传算法各自的特点,优势互补,将人工智能算法GA-BP模型引入公路工程造价估算中。利用已建公路工程造价资料,找出影响造价的特征值及各自的隶属度。以MATLAB为平台,通过实验仿真将该GA-BP算法与BP算法结果进行比较,两者测试样本得到的结果均达到预期精度,且前者比后者的精度高。同时还验证了优化后的GA-BP算法不仅计算简便、快捷,且具有较高的计算精度,从而得出了该算法的可行性与有效性。

地震属性的GA-BP优化方法

在进行储层预测和评价时 ,通常使用与储层预测有关的各种地震属性。以各种方法提取的一系列地震属性包含着丰富的地质信息 ,但有些属性可能彼此相关 ,这就造成信息的重复和冗余。由此可见 ,属性的无限增加也会给储层预测带来不利的影响。针对具体问题 ,从全体地震属性中挑选出最佳的地震属性子集是非常必要的 ,此即地震属性优化问题。其目的就是从众多地震属性中挑选出与研究目标关系最密切、反应最敏感的少数属性 ,再利用优化后的地震属性进行目标层储层参数 (如孔隙率、泥质含量和储层厚度等 )反演。本文主要讨论地震属性优化的遗传算法 (GA)与 BP神经网络相结合的 GA - BP方法 ,通过对大港探区 L JF区块三维地震资料的实际应用 。

基于GA-BP算法的岩质边坡稳定性和加固效应预测模型及其应用研究

针对岩质边坡稳定性预测及加固效应具有的非线性和非明确性等特征,为了准确的预测稳定安全系数和加固效应,采用在实际工程中较为常见的二折线滑动面边坡概化模型,以边坡潜在滑块高度、上下滑动面倾角、坡面倾角、滑块面积,以及上下滑动面的黏聚力和摩擦系数作为影响因素,进行基于强度折减法的数值计算获得安全系数,得到足够数量的样本。然后利用遗传算法GA优化BP神经网络的权值和阈值,建立边坡稳定性的安全系数GA-BP预测模型,将其预测结果与标准BP神经网络进行对比分析。在此基础上,建立混凝土置换加固和锚索加固的方案优化方法。最后,将该方法应用于白鹤滩水电站泄洪洞出口边坡典型剖面在天然和开挖状态下的安全系数预测,并分别对混凝土置换加固和锚索加固进行了方案优化。结果表明:GA-BP神经网络模型精度更高,收敛速度更快,比使用标准BP网络模型的效果更优。研究成果对边坡稳定性评价和加固方案优化具有参考意义。