基于IGA-BP神经网络的PEMFC供氢系统模型预测控制算法

对化石能源的过度使用导致了严重的环境问题和能源担忧。氢能作为一种清洁的能源,被认为是实现能源转型和可持续发展的重要资源。在此背景下,氢燃料电池作为一种将氢能高效转化为电能的技术,展现出了巨大潜力。本文以质子交换膜燃料电池阳极供氢系统为研究对象,以氢气计量比和阴、阳极压强差为控制目标,设计了基于神经网络的模型预测控制算法。首先基于MATLAB/Simulink搭建了面向控制的燃料电池集总参数机理模型,通过实验验证了模型的可靠性;然后通过免疫遗传算法优化神经网络的学习过程,实现了对燃料电池系统状态的精确拟合与预测;最后,将离线训练的神经网络应用于模型预测控制器,并验证了控制算法的有效性。

基于深度生成模型的医院网络异常信息入侵检测算法

为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入侵检测算法。采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效数据。运用最优运输理论中的Wasserstein距离算法与MMD(Maximun Mean Discrepancy)距离算法,在深度生成模型中,对医院网络数据展开降维处理。向异常检测模型中输入降维后网络正常运行数据样本,并提取样本特征。利用深度学习策略中的Adam算法,生成异常信息判别函数,通过待测网络运行数据与正常网络运行数据的特征对比,实现医院网络异常信息入侵检测。实验结果表明,算法能实现对医院网络异常信息入侵的高效检测,精准检测多类型网络入侵行为,为医疗机构网络运行提供安全保障。

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。

基于区块链共识算法的网络访问控制模型设计

优化传统的网络访问控制方法,改善网络安全问题;研究设计了基于双层区块链共识算法的网络访问控制模型。同时针对大规模物联网场景中存在拜占庭节点的访问控制问题,提出了实用拜占庭容错(Practical Byzantine Fault Tolerance,PBFT)与MRaft相结合的共识机制;在节点数量为80的情况下,MRaft-PBFT共识机制的共识时延仅为81.23 ms,且其随节点数量的增加,共识时延的增长速率最低。在节点数量为500的情况下,基于MRaft-PBFT共识机制的通信开销最低,仅为6.08×10^(2)元;说明MRaft-PBFT算法具有成本低、时延低、通信开销低等优势,且能够有效提升网络安全性,为网络访问控制安全保障及成本控制提供了有价值的参考。

基于人工神经网络智能算法的9310钢本构模型优化

目的研究9310钢在变形温度为800~1200℃、应变速率为0.01~50s-1和高度压下量为70%条件下的热变形行为,建立预测效果相对较好的9310钢本构模型。方法使用Gleeble-3800热模拟机对9310钢进行等温恒应变速率热压缩实验,基于热压缩实验数据,分析了应变速率对9310钢流动软化效应的影响,建立了考虑应变补偿的Arrhenius本构模型与支持向量回归(SVR)本构模型,并进行了模型精度分析,之后引入人工神经网络(ANN)智能算法优化了Arrhenius本构模型。结果与变形温度相比,应变速率对9310钢流动软化效应的影响更为显著。相较于支持向量回归(SVR)本构模型,考虑应变补偿的Arrhenius本构模型精度更高,其相关系数R为0.9934,平均相对误差(AARE)和均方误差(MSE)分别为0.0556和89.362,它在预测高应变速率(1、10、50 s-1)流动应力时出现了较大偏差,经ANN智能算法优化后,相关系数R提高至0.9991,AARE和MSE分别降至0.0199和9.998,且绝对误差在±10MPa以内的预测流动应力占比为98.34%。结论在低应变速率(0.01 s-1)下软化效应更强,在高应变速率(10 s-1)下再结晶程度较低,软化效应较弱。ANN智能算法优化后的Arrhenius本构模型具有较高的精度,能较准确地预测9310钢的流动行为。

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。

基于遗传算法优化的含氢Ti65合金人工神经网络本构模型的构建

本研究对不同氢含量(未置氢、0.13 wt.%、0.25 wt.%、0.34 wt.%和0.43 wt.%氢)的Ti65合金试样在其α+β两相区和β单相区、0.001 s^(-1)应变速率范围内进行等温压缩,研究了含氢Ti65合金的高温流变行为,建立了综合考虑氢含量、变形温度、应变、应变速率的含氢Ti65合金GA-BP神经网络本构模型,并将所建模型通过二次开发集成入有限元软件中,对含氢Ti65合金等温热压缩过程进行模拟。结果表明:4-12-12-1结构的GA-BP神经网络本构模型的相关系数和平均绝对误差分别为0.9982和0.46%,模型具有较高的预测精度和泛化能力,能够用于局部置氢Ti65合金热塑成形过程的分析。

基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

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。

基于分子力模型的无线传感器网络定位算法

无线传感器网络中利用节点发送与接收无线信号,确定物体的位置被称为无线传感器网络节点定位,它是无线传感器网络的一个重要研究领域.基于测距的无线传感器网络定位算法,其关键步骤是通过接收信号的强弱来估计信标节点与未知节点的距离.提出了一种基于分子力模型的WSN定位算法,本算法也是基于测距思想,其中,引入排斥力和吸引力的概念,并假设未知节点处于平衡状态,这两种力此时合力为零.算法求解使用迭代算法.论文实验证明,所提算法的时间复杂度和空间复杂度较小,且具备较好的定位精度.

基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型研究

目的研究基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型。方法选取2019年4月至2023年4月医院有创呼吸机使用情况数据,建立基于粒子群优化长短记忆网络(PSO-LSTM)算法的有创呼吸机使用量预测模型,预测全院及重症监护病房(ICU)有创呼吸机每天使用数量。采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及均方根误差(RMSE)作为准确性评价指标。结果PSO-LSTM模型预测重症ICU有创呼吸机每天在用量与LSTM模型比较,其MAE值降低41.15%、MAPE值降低50%、RMSE值降低44.36%;PSO-LSTM模型预测全院有创呼吸机每天在用量与LSTM模型比较,MAE值降低81.93%、MAPE值降低83.33%、RMSE值降低79.08%,PSO-LSTM模型预测精度高于LSTM模型。结论PSO-LSTM模型能够准确预测有创呼吸机的每天在用量,为有创呼吸机采购决策提供科学依据,为创建全院呼吸机管理共享中心提供数据分析基础,进一步提升医疗设备精细化管理水平。

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.

基于遗传算法的农产品冷链物流网络布局优化模型求解研究

随着经济全球化和农产品市场需求的增加,农产品冷链物流成为整个农产品供应链中的重要环节。完善的农产品冷链物流网络可以提高物流运输效率,保证农产品质量,加强整个供应链上企业之间的信息共享。然而,农产品冷链物流的复杂性和需求多变性成为了优化农产品冷链物流网络布局时需要考虑的难点。在此背景下,遗传算法的自适应性、全局性、并行性成为了优化农产品冷链物流网络布局的有效工具。因此,文章构建了农产品冷链物流网络布局优化模型,并基于遗传算法对模型进行了求解,以期为相关人员提供参考。

基于GA-BP模型与NSGA-Ⅱ算法的冲压成形工艺参数优化方法

为了解决异形、薄壁特征零件在冲压成形过程中严重起皱、成形不足及能耗过高等问题,创新地建立了以压边力与摩擦因数为设计变量,以最大厚度、厚度减薄率和压边能耗为优化目标的GA-BP神经网络优化模型,并应用非支配排序遗传(NSGA-Ⅱ)算法求解,获得了冲压成形过程中的最优工艺参数组合。结果表明,通过有限元仿真获得了最优工艺参数组合下的最大厚度、厚度减薄率和压边能耗分别为0.269 mm、15.8%、8720 J,分别改善了0.74%、3.06%和11.32%,有效地改善了异形薄壁零件的严重起皱、成形不足及能耗过高此等问题。

基于HSV+Canny模型、HED网络模型的衣物轮廓提取算法研究

针对边缘检测算法在衣物轮廓提取过程中易受噪声影响的问题,采用传统的图像处理方法和深度学习方法对衣物轮廓提取算法进行研究。传统的图像处理方法主要基于HSV模型和Canny算法,首先,通过HSV模型分割前景图像;然后,对二值化图像进行形态学处理;最后,利用Canny算法提取衣物轮廓,此方法能准确地提取大部分颜色的衣物轮廓。深度学习方法主要基于HED网络模型,针对HED网络模型输出边缘定位缺失和较为粗糙等问题,对HED网络模型进行改进,首先,去除第3、4阶段的池化层;然后,在特征融合阶段引入注意力机制;最后,融合Canny算法进行边缘细化。对比实验结果表明:HSV+Canny算法比Canny算法的ODS值和OIS值分别提升了13.16%和14.72%,检测速度有小幅提升;改进的HED网络模型比HED网络模型的ODS值和OIS值分别提升4.84%和3.97%的同时,检测速度持平。

基于优化蜂群算法的隐蔽性网络攻击行为自适应辨识模型

为了提高隐蔽性网络攻击行为的自适应辨识性能,有效地防范隐蔽性网络攻击威胁,保护网络系统的安全,提出一种基于优化蜂群算法的隐蔽性网络攻击行为自适应辨识模型。通过分析网络节点接收信号的能量变化,引入优化蜂群算法,定位隐蔽性网络攻击节点;利用小波变换计算网络攻击行为数据的信息熵,提取隐蔽性网络攻击行为特征;通过网络攻击行为的干扰抑制,分析隐蔽性网络遭到攻击的振荡衰减情况,判断攻击行为数据的噪声是否属于高斯噪声,实现隐蔽性网络攻击行为的自适应辨识。实验结果表明,文中模型能够辨识隐蔽性网络的攻击行为,对网络攻击行为的误识率均在5%以内,可以有效确定隐蔽性网络攻击节点的位置,降低网络攻击行为的误识率,提高网络安全性能。

基于神经网络算法的电信客户选择预测模型研究

当前,机器学习广泛应用于多个领域,大数据作为机器学习的原材料,也成为重要资源。电信行业积累了海量优质数据,立足电信企业一线工作需求,将机器学习技术与大数据统计思维、应用相结合,能够实现大数据赋能通信产业,以科技引领产业转型升级。基于某电信运营商数据和Python平台构建神经网络,可以实现客户行为预测模型。该预测模型在输入数据维度、实际样本量、参数量、最终预测准确率等方面出现明显提升,在实践中能够产生较大的商业价值和效益。

基于改进蜜罐算法的建筑材料闭环供应链网络优化模型

建筑材料闭环供应链网络优化是一个多目标的大规模问题,传统寻优算法易陷入局部最优无法求出全局最优解。因此,提出基于改进蜜罐算法的建筑材料闭环供应链网络优化模型。针对由业主、总承包商、分包商、分供方和其他合作机构组成的建筑材料闭环供应链网络结构,构建以最小化网络成本与最小化环境污染为目标、满足客户需求与流量平衡为约束的优化模型。采用一种基于混沌映射的改进蜜罐算法来求解模型,得到最优建筑材料闭环供应链网络优化方案。实验结果表明,所提改进蜜罐算法在求解建筑材料闭环供应链网络优化模型时搜索最优值优势明显,实现建筑材料闭环供应链网络最优。

基于GA-BP神经网络的客船人员疏散时间预测模型的建立

针对客船人员疏散问题,设置了影响疏散时间的多个参数,构建了3×3×3×5×6=810种不同的疏散场景,利用Pathfinder人员疏散仿真软件获得了810组人员疏散时间的模拟数据,并在此基础上建立两种不同的预测模型:一种基于BP神经网络,另一种则结合了遗传算法的GA-BP神经网络,对其进行实验性能对比。结果表明,优化后的神经网络预测准确率达到97.7622%,相较于优化前提高了2.5394%。采用遗传算法对神经网络进行优化,训练时间有所减少,准确性大大提高,可为船舶应急处理提供科学依据和新的技术手段。

基于神经网络算法的信贷风险研判模型研究

基于神经网络算法的信贷风险研判模型在金融领域的应用将越来越广泛,为金融市场的健康发展提供坚实的技术支持,可以显著提高风险管理水平。传统的风险评估方法往往受限于经验和规则,难以应对复杂多变的市场环境。相较之下,神经网络算法以其出色的非线性处理能力,更能适应多变的风险情况,提供更为精准和科学的预测。未来研究需进一步优化模型结构,提升预测准确性。