基于RBF-ANN GA的水下空化水射流喷嘴结构优化

为使空化水射流的性能满足船舶水下清洁的需求,对喷嘴结构进行优化,提出一种基于径向基函数(RBF)、人工神经网络(ANN)和遗传算法(GA)的水下空化水射流喷嘴结构优化方法。通过数值模拟计算设计参数(如入口段长度、收缩段长度、圆柱段长度、扩散段长度、入口半径、圆柱段半径、收缩角和扩散角等)与空化性能参数轴线最大蒸汽体积分数的关系,通过RBF-ANN对该关系进行预测,解决采用GA进行结构优化时个体适应度难以计算的问题。将该方法与传统的方法进行对比,结果表明,该方法能快速且稳定地计算个体的适应度,相比传统方法能更有效地提升喷嘴的空化性能。

基于GA-ANN的苏锡常地裂缝危险性评价

文章以苏锡常地区地裂缝危险性评价为例,利用遗传算法(GA)对人工神经网络(ANN)进行改进,先用GA优化BP网络初始权重,再用BP算法修改网络权重,实现不同尺度的同步调整。选择30点的不同地质条件组成样本对所建模型进行训练,评价指标包括:基岩埋深、基岩起伏度、地下水位、地面沉降梯度、含水层导水系数和粘性土层厚度。经过500次GA迭代,得到苏锡常地区地裂缝ANN模型的最佳权重组合,该耦合模型能对全区地裂缝地质条件进行正确分类,精度接近1‰。

基于GA-ANN模型的A^2/O工艺运行参数优化

影响A^2/O工艺运行的参数有许多,这些因素相互联系、相互作用,影响工艺效率.为了弥补控制单一变量法或者设计正交试验法的不足,综合考察多种运行参数对工艺运行效果的影响,建立了基于遗传算法进行全局寻优的神经网络模型(GA-ANN模型),并应用于某城市污水处理厂A^2/O工艺的运行优化.获得该厂调试运行期间154组有效监测数据后,随机选取2/3的数据用于GA-ANN模型的求解,1/3的数据用于模型的检验,对工艺运行参数进行优化,得到最佳运行参数组合.结果显示,建立基于遗传算法的神经网络模型用于A^2/O工艺运行参数的优化是可行的,可以为污水处理厂运行参数的设置提供理论参考,对调试工作、提高工艺运行效率具有一定的实际指导意义.

GA-PLS结合PC-ANN算法提高奶粉蛋白质模型精度

提出一种偏最小二乘法(PLS)和人工神经网络(ANN)结合用于近红外光谱(NIRS)的分析方法,以提高奶粉蛋白质模型的预测精度。首先采用基于遗传算法的波长选择法(RS-GA)优化光谱数据,建立GA-PLS模型预测奶粉蛋白线性部分;然后在RS-GA法选择的波段上进行主成分分析(PCA),以主成分的得分矩阵作为ANN模型输入层,以GA-PLS预测值与真实值之差作为输出层,建立PC-ANN模型预测其非线性部分。最终预测结果为两个模型预测值之和,以模型的预测标准偏差(RMSEP)作为评价指标,以便考察新方法的有效性。同时建立线性的全谱模型(Fr-PLS),其Fr-PLS、GA-PLS和GA-PLS+PC-ANN模型的RMSEP分别为0.511,0.440和0.235。结果表明:考虑奶粉蛋白含量近红外模型的非线性部分,可以显著提高模型的预测精度,该方法也可为其它复杂体系模型精度的提高提供借鉴。

基于ANN/GA的汽车覆盖拉延件要领设计专家系统

提出了要领设计的新概念， 即通过该环节为汽车覆盖拉延件成形的有限元模拟提供初始条件， 分析了要领设计的必要性和特点。提出将流入量 （从压料面下进入凹模型腔的局部材料线素长度） 作为衡量局部成形阻力的指标。通过人工神经网络由覆盖件侧壁高度得到局部流入量， 将其添加在拉延件轮廓 （在成品件上添加工艺补充得到） 外侧， 即得初始毛料外形。把拉延筋的设计原则转化为约束条件， 将遗传算法和神经网络用于拉筋及凹模圆角几何参数的优化设计。另外还阐述了特征建模、面向对象知识库的应用。

基于GA-ANN改进的空气质量预测模型

基于人工神经网络的空气质量预测模型优于传统的逐步回归模型,但由于性能差异不明显而较少在空气质量预报中应用.设计了将遗传算法和神经网络算法相结合的基于GA-ANN的空气质量预测模型,并利用天津市2003—2007年气象和污染物监测资料对该模型进行验证.对2007年全年的ρ(SO2),ρ(NO2)和ρ(PM10)进行预测,预测值与实测值的相关系数分别为0.899 6,0.828 3和0.600 0.与一般的人工神经网络预测模型相比较,GA-ANN模型将空气质量等级预报的准确率从77.57%提高到79.67%.GA-ANN模型可结合其他方法进行日常空气质量预报.

环境空气SO_2和NO_2浓度的GA_ANN预测模型研究

空气中污染物浓度的预测是一个复杂的非线性问题。国内外的研究表明神经网络能够比回归模型更好地预报空气污染物。设计并实现了将用于选择最优预报因子的遗传算法和神经网络算法相结合的GA_ANN空气质量预测模型,利用某市2003～2006年的数据建立神经网络空气质量预测模型,对该市2007年全年SO2和NO2的预测实验表明,GA_ANN模型比单纯的神经网络模型具有更高的预报精度。

用于Landsat ETM+和ERS-2SAR图像融合对城区地物特征分类的BP-ANN/GA混合算法

该文建立了反向传播人工神经网络(BackPropagationArtificialNeuralNetwork,BP-ANN)和遗传算法(GeneticAlgorithm,GA)的BP-ANN/GA混合算法。利用GA算法的全局优化能力优化BP-ANN的初始权值,克服了传统BP-ANN收敛速度慢,容易陷入局部最小的缺点。BP-ANN/GA混合算法对LandsatETM+4,5,7三波段红外图像和ERS-2SAR雷达图像的融合数据进行了城市多类地物特征分类。结果表明:BP-ANN/GA算法不仅提高多源遥感图像自动分类的速度,而且提高了各类特征分类的精度。该文对上海浦东地区的LandsatETM+和ERS-2SAR数据作了融合分类试验与验证。

基于BP ANN-GA混合型算法的混凝土配合比优化设计研究

根据混凝土不同龄期的抗压、抗拉强度与和易性、耐久性等要求,综合考虑原材料供应、施工工艺、环境温度和湿度等条件,合理设计混凝土配合比,并最大限度节约工程成本,是现代混凝土技术发展对配合比设计提出的新要求。本文结合基于BP人工神经网络的预测技术和基于遗传算法(GA)的全局优化算法,建立混凝土配合比非线性优化模型,并对该模型的参数选择、计算效率等问题进行深入探讨,从而为上述问题的解决找到一条较为可行的途径,取得初步的成果。文中并给出简单的应用实例,以进一步验证算法的适用性、有效性。

基于PFEA、ANN和GA的U形件成形板料形状优化

将参数化网格划分系统ParaMesh和网格模型转换接口程序应用于参数化有限元分析(PFEA)和优化设计之中。通过ParaMesh建立了参数化有限元模型并进行参数化有限元分析。把人工神经网络(ANN)和遗传算法(GA)相结合进行优化设计,研究了U形件翻边成形中的板料形状优化。利用优化的结果值进行验算,获得了良好的成形件,表明基于PFEA、ANN和GA进行成形板料形状优化是可行的。

基于GA-ANN的高堆石坝施工期沉降分析

施工期坝体沉降是影响大坝安全的主要因素。为精确计算施工期坝体的沉降,选取填筑高度和时效因子作为沉降分析变量,采用基于遗传算法的人工神经网络(GA-ANN)构造施工期坝体沉降预测模型;某工程实例应用表明,该模型具有较高的拟合、预测精度,为大坝施工期沉降控制提供了依据。

基于GA和ANN的随机规划模型对储层参数的预测

储层物性参数的分布一直是油藏描述的关键问题和难点。本文采用随机规划与ANN(人工神经网络模型)相结合的建模方法,设计了一种改进的GA(遗传算法)作为随机规划模型的解法,并把这种方法用于储层参数的预测。实验表明该模型具有较强的预测能力和实用性。

网络化的ANN-GA系统优化中空纤维镍基板制备工艺参数

在实验室研究中空纤维镍基板的制备工艺的基础上,采用自制的网络化的ANN-GA系统对58个样本进行了工艺参 数优化和寻优,得到的最佳工艺参数如下:中空镍纤维含量为97％;烧结温度为1275 K;保温时间为20 min;造孔剂PVB, PP和Ni(OH)2的含量分别为5％,3．5％和1％．在最优工艺条件基础上,获得了性能优异、孔率接近87％的基板材料．并 用计算机分析和预报了各单因素的影响规律,预测结果与文献报道的实验结果一致．

基于构造性设计和GA的ANN建模方法

强调了激活函数在ANN设计中的重要性,提出一种基于构造性设计及GA的网络结构及神经元激活函数类型自动优化的ANN模型(constructived and GA based activation function,简称为CGBAF),并给出其一般形式和算法.本模型用于多层前向神经网络时,其网络结构及激活函数类型可自动优化,进而可大大提高ANN的泛化能力.通过例子验证了本方法的有效性,并进行了分析.

GA-ANN在数据分析处理中的应用

遗传算法起源于对生物系统所进行的计算机模拟研究,神经网络随着科技的发展应用前景十分广泛,当前数据信息系统繁杂,数据处理效率偏低。本文基于遗传算法-人工神经网络(GA-ANN)在数据处理上的应用。

GA-ANN算法在产品质量估计中的应用

针对反向传播 ( BP)算法、径向基函数 ( RBF)算法的不足 ,提出了基于遗传算法 ( GA)确定神经网络结构或权值的进化神经网络算法 (简称 GA- ANN算法 )。在产品质量估计仿真研究中表明 ,该算法不需试凑而取得较好的网络结构和参数。

RSM与GA-ANN联用优化超声辅助水提取多酚工艺

为探究超声波细胞破碎机辅助水提取多酚的可行性,以橙皮为原料,利用响应曲面法(response surface methodology,RSM)可视化分析了温度、占空比、料液比对多酚产量的影响(显著性、交互性、主次性)。随后以RSM数据为样本,通过遗传算法-人工神经网络(genetic algorithms-artificial neural network,GA-ANN)对样本数据深度学习并优化。结果表明,水相体系中高温(70℃)可有效促进多酚的释放,但是较高占空比却显著造成多酚降解。RSM与GA-ANN联用具有更优的预测能力,其优化条件为:温度67℃,占空比1/2,料液比1∶25 g/mL。总酚得率为8.21 mg GAE/g,达到80%甲醇水提取产量的84%。实验证明了超声辅助水提取多酚的可行性及RSM与GA-ANN联用在优化提取中的卓越性。

基于GA-ANN的非线性半参数建模方法

为结合参数模型与非参数模型各自的优势,提高建模精度,将非线性半参数模型引入到工业过程建模中.提出基于遗传算法和神经网络的非线性半参数模型的建模方法及结构方案,并给出同时估计参数模型部分和非参数模型部分的交叉循环迭代的算法步骤.对算法中的神经网络的设计和遗传算法进行了改进研究,重点讨论了在增加精英保留策略、增加算法的记忆功能、提出新的适应度计算方法和交叉变异策略等方面的改进措施.采用聚乙烯装置的现场工业数据对方法的有效性进行了验证.结果表明:半参数模型比传统的参数模型有更好的预测精度,并能够较好地跟踪过程变化.

双脉冲激光诱导光谱结合多变量GA-BP-ANN检测合金钢中C元素

在合金钢众多成分中碳(C)属于微量非金属元素,其含量决定了合金钢的主要力学性能,准确、实时掌握C元素的含量,对合金钢的生产及分类起到关键作用。双脉冲激光诱导击穿光谱(DP-LIBS)是一种可用于在线快速分析合金钢中元素的有效手段,不仅具有实时、样品预处理简单等优点,还能够增强物质的烧蚀度和信号强度,从而提高LIBS技术的检测灵敏度。为了减小基体效应影响,进一步提高LIBS技术对合金钢中微量C元素定量分析的精确性,采用多元素多谱线的修正方法,通过DP-LIBS结合反向传播人工神经网络(BP-ANN),建立多变量GA-BP-ANN定标法。首先在氩气环境对合金钢样品进行DP-LIBS采集,目标C元素选择了谱线强度变化能够体现其含量变化的C 193.09 nm处的原子谱线,同时选取共存元素Fe,Cr,Mn和Si对应的特征谱线,以提供更多的光谱信息,提高C元素定量分析的准确度,共选择15条特征分析谱线,其中Fe元素含量丰富且相对稳定,作为内标元素引入以减小谱线波动;之后通过遗传算法(GA)寻优,对C/Fe,Cr/Fe,Mn/Fe和Si/Fe的谱线强度比进行优化选择;最后将GA选择的多谱线强度比作为BP-ANN网络的输入,输出为目标C元素浓度值,建立多变量GA-BP-ANN定标方法。为比较该方法预测结果的精确性,同时建立传统定标曲线法与以C/Fe为输入的单变量BP-ANN定标方法。利用标准合金钢样品,通过留一法交叉预测C元素含量值,与内标法和单变量BP-ANN定标方法相比,预测样品的平均相对误差分别由14.78%和14.75%减小到8.29%,预测值与真实值之间的决定系数R^(2)分别由0.9674和0.9744提升至0.9893。结果说明了多变量GA-BP-ANN定标法预测的C元素含量更接近于真实含量,证明了该方法用于LIBS检测合金钢中C元素含量的可行性。

ANN-GA法优化石吊兰素提取工艺

为了研究人工神经网络技术(ANN)、遗传算法(GA)相结合的化学计量方法在石吊兰素回流提取过程中的应用,在单因素实验基础上,采用Box-Behnken实验设计和ANN-GA法研究乙醇浓度、提取时间和提取次数、固液比对提取液中石吊兰素含量的影响。得到石吊兰中石吊兰素的最佳提取工艺为:乙醇浓度84%,提取2.8h,固液比1∶17,提取2次。按照该条件进行验证,得到提取液中石吊兰素含量为2.35mg/g,与预测值误差为1.88%。结果表明,神经网络遗传算法模型拟合度较好,这一方法在工艺优化过程中具有广泛的应用前景。