基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。

基于图像处理的油脂色泽检测系统研究

针对目前油脂色泽检测方法存在主观误差大等问题,采用嵌入式图像处理的方法,设计以ARM处理器为核心、结合复杂可编程逻辑器件与图像传感器的油脂色泽在线检测系统,提出一种采用遗传算法与LM优化的BP神经网络(GA-LMBP)算法,给出系统的硬件实现和软件流程。实验结果表明,该系统具有较好的准确性和稳定性,能避免主观误差、降低成本,可应用于油脂色泽检测领域。