基于IPSO-BP神经网络的导线舞动预警方法

为确保输电线路在易舞气象条件下的正常运维,根据线路舞动与气象条件之间的复杂映射关系,采用改进粒子群算法(improved particle swarm optimization,IPSO)对BP神经网络进行优化,提出一种基于改进粒子群算法优化BP(IPSO-BP)神经网络的导线舞动预测方法。利用文本挖掘技术分析舞动影响因素,确定以档距、覆冰厚度、温度、风速、风向、相对湿度及风向与线路走向夹角为特征输入的IPSO-BP神经网络模型,通过舞动历史数据训练模型以达到预测的功能。对比IPSO-BP神经网络模型与其他算法模型的精度和稳定性,结果表明该方法具有一定的优越性。最后采用该方法预测河南谢庄地区的导线舞动,验证该方法的准确性和实用性。

基于IPSO-BP神经网络的高含沙水体对鱼类影响预测方法

水库进行水力排沙时,高含沙水流过程可能会对鱼类等水生动物产生负面影响,其量化评估方法研究较为薄弱。为了预测和评估水库排沙过程对下游鱼类的影响,本文利用黄河花斑裸鲤和鲤鱼在高含沙水体中生存特性研究的实验数据,综合考虑含沙量和粒径、溶解氧、暴露时间、水温等因子对鱼类生存的影响,建立了基于IPSO-BP神经网络的高含沙水体对鱼类致死影响预测方法,对目标鱼类死亡率的预测误差小于6%。本文使用了与BP神经网络紧密耦合并引入动态参数和变异扰动的IPSO算法,较BP和PSO-BP神经网络预测能力更佳,相比国内外已有的Stress Index(SI)、Severity of Ill Effect(SEV)和多元拟合方法预测精度得到显著提升。分析表明,本文提出的预测方法能够考虑高含沙水体中鱼类生存受多环境因子联合制约,且多因子之间存在复杂关联的情况,可为评估高含沙水流过程对水生态的影响提供新的方法。

基于IPSO-BP神经网络的WSNs数据融合算法

针对无线传感器网络(WSNs)数据融合算法中反向传播(BP)神经网络存在对初值敏感、收敛速度慢、易陷入局部最优解等问题,提出基于改进粒子群优化BP(IPSO-BP)神经网络的WSNs数据融合算法。首先,用细菌觅食算法的趋化、迁徙算子对粒子群优化(PSO)算法进行改进;然后,用IPSO算法优化BP神经网络的权值和阈值,再引入到WSNs数据融合中,簇成员节点负责采集监测数据,在簇首节点通过优化后的BP神经网络对数据进行特征提取,并将融合结果发送至汇聚节点。仿真结果表明:IPSO-BP算法能有效提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。

IPSO-BP神经网络模型的教学质量评价

针对目前教学质量评价过程中存在的评价方法单一、主观性强等问题,为进一步提高教学质量评价的有效性和准确性,将粒子群算法(IPSO)和BP神经网络相融合,建立了一种基于IPSO-BP算法的神经网络评价模型。利用教学方法、教学内容、教学态度以及教学效果4个指标构建教学质量评价指标体系;采用IPSO算法对BP模型的参数进行训练,优化其权值和阈值;将训练好的模型用于教学质量评价的测试和验证。结果表明,所构建的IPSO-BP模型收敛速度快、寻址效率高,可大大提高评估准确率,与普通BP神经网络相比,预测准确率达到96.7%,在教学质量评价中具有一定的应用和参考价值。

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。

基于IPSO-BP神经网络的最小阻力船形优化设计

针对船形优化设计问题,为了克服主尺度与型线分开设计的不足,将主尺度与表征船体形状的参数联合组成设计空间来进行优化设计,同时以不同航速的船体阻力加权总和作为优化目标,引入IPSO-BP神经网络建立兴波阻力系数的近似预报模型,以主尺度和船形修改系数作为设计变量,以排水体积的变化量作为约束条件,分别利用遗传算法与模拟退火算法对Wigley船形进行了优化计算.计算结果证明了IPSO-BP方法建立兴波阻力系数近似模型的优良性能,得出的光顺合理的优化船形证明了该方法的可行性与合理性.

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低,BP神经网络陷入局部最优等问题,提出改进粒子群算法(IPSO)的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号,提取缺陷信号特征,用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人,断丝数量作为神经网络的输出;利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化;建立基于IPSO-BP算法的神经网络模型,用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型,且改进的粒子群算法迭代寻优速度更快。

基于IPSO-BP神经网络与BCG信号的冠心病预测分类研究

为了提高人体心脏健康监测的便利性和准确性,研究了基于PVDF压电薄膜的鞋垫式心冲击信号检测系统,首先实现了不同性别人群的心率采集,在此基础上提取心冲击信号波形中t(IJ)、t(IK)、Int(HK)和Int(BCG)特征向量作为IPSO-BP神经网络模型的输入,进而对冠心病进行了预测分类。通过与BP模型的评估对比得到IPSO-BP神经网络模型分类效果更佳,并以100组实验样本验证该模型对冠心病的预测分类具有较高的准确性,其正确率约为92%。

基于IPSO-BP神经网络的连续刚构桥有限元模型修正

针对大跨度连续刚构桥有限元模型修正问题,提出一种基于改进粒子群算法优化BP神经网络的有限元模型修正方法。首先建立有限元模型修正的数学优化模型,其次通过改进标准粒子群算法对BP神经网络超参数进行优化,最后基于优化BP神经网络代理模型对有限元结构参数进行寻优求解。研究结果表明:基于优化BP神经网络的代理模型相较于未经优化的具有更高的拟合精度;修正后的有限元模型挠度理论计算值与实测值的平均相对误差仅为1.86%。

基于IPSO-BP神经网络的铁路客运量预测

在分析有关铁路客运量预测方法的基础上,针对BP神经网络模型存在的不足,提出基于粒子群优化算法(PSO)优化BP神经网络的参数,即改进的PSO方法(IPSO)。以我国1990—2007年的铁路客运量为研究对象,确定输入样本和输出样本,以及训练集和测试集,建立基于IPSO的BP神经网络优化模型预测铁路客运量。预测结果表明,IPSO-BP网络的算法训练时间短,收敛速度快,预测精度高。

IPSO-BP神经网络在渭河天水段水质评价中的应用

水质评价是进行水环境容量计算和实施水污染控制规划的重要基础,能为改善河流水资源污染程度,保护河流水资源提供方向性、原则性的方案和依据。文章通过改进的PSO算法优化BP神经网络的权值和阈值,获得最优权值和阈值后建立IPSO-BP神经网络水质评价模型,针对关中-天水经济区中天水段地表水质,利用2003-2009年渭河天水段4个控制断面的监测数据,选取BOD5、DO、氨氮、总磷、高锰酸盐指数5个指标进行综合评价,并分析了污染现状及时空变化规律。结果表明,改进的PSO-BP神经网络泛化能力强,评价更客观;7年间水质有一定程度的改善,但总体变化不大,水质类别主要为Ⅱ类和Ⅲ类,其中北道桥断面污染最为严重。研究旨在有效控制渭河流域天水段污染,为渭河水资源的保护提供科学依据。

基于IPSO-BP神经网络模型的山东省碳排放预测及生态经济分析

在低碳经济发展背景下,针对山东省碳排放数据更新迟缓、以往预测模型难以满足现实需求的问题,统计相关数据,根据政府间气候变化专门委员会(IPCC)推荐方法测算山东省2000—2017年碳排放量和排放强度,并借助脱钩分析、碳承载力和碳赤字探究碳排放的动态变化趋势;基于5项最重要的碳排放影响因素,建立改进的粒子群算法(IPSO)优化BP神经网络模型,对山东省的碳排放量和排放强度进行仿真预测。结果表明:山东省工业耗能占总量的78.5%左右。2000—2017年间山东省碳排放量呈增长趋势,年平均为52328.10万吨;碳排放强度却呈下降趋势,年平均为1.73万吨/亿元。总体而言,2000—2017年间山东省碳排放量与GDP之间呈弱脱钩的态势,碳承载力呈先增长后减小的趋势,18年间碳承载力减少了8%,全省从2005年开始出现碳赤字,并呈现增大趋势。IPSO算法明显优化了BP神经网络,误差更小、精度更高,更适于碳排放量及相关指标的预测。预测结果显示山东省未来碳排放量呈缓慢增长趋势,而碳排放强度有所降低,以期为政府决策提供科学依据。

一种结合IPSO-BP神经网络的备件供应模型研究

备件供应是制造业服务价值链协同中的重要组成,也是企业制定销售计划和生产计划的重要依据.本文将备件供应过程中的备件消耗考虑在内,以最小化总成本为目标,以订货时的备件需求量为核心参数,提出一种基于神经网络的备件供应需求预测模型.在现有标准粒子群算法的基础上,通过将惯性权重的改进、环境检测策略和自适应最优解跳跃策略结合,提出一种改进的粒子群算法(IPSO,Improved Particle Swarm Optimization).并通过改进的粒子群算法对BP(Back Propagation)神经网络进行优化.最后通过IPSO-BP神经网络模型对备件供应模型中的备件需求量进行预测,实验结果表明,相比其他的神经网络模型,IPSO-BP神经网络模型的预测稳定性和精准度等性能有显著提高.

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型.通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO-BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高.

基于IPSO-BP神经网络的高校机械类实验室安全评价模型探究

实验室安全作为高校安全稳定工作的重要组成部分,直接反映了高校的管理水平与管理理念,已成为社会和国家的关注热点。针对高校机械类实验室建立了包含9个1级指标、27个2级指标的安全评价指标体系,提出了一种基于改进粒子群算法的BP神经网络安全评价模型,该模型以实验室安全指标评价数据为输入,评价结果为输出,针对粒子群算法中的惯性系数和学习因子引入了非线性函数进行优化,并确定了最优的函数调整因子。通过专家评分数据对网络进行训练,对评价样本数据进行预测。结果表明,IPSO-BP神经网络预测结果的平均相对误差为1.5276%,较BP模型、PSO-BP、线性修正PSO-BP模型在收敛速度、计算时间、误差波动、预测精度均有明显提升,形成科学、量化的实验室安全评价模型,并可推广到其他类型实验室的安全评价。

基于IPSO-BP神经网络的跟踪微分器

为了解决跟踪微分器中未知参数的整定问题,论文提出了基于IPSO-BP神经网络的跟踪微分器的设计方法。文中研究了跟踪微分器的连续时间和离散时间两种常见的数学模型,分析了未知参数与输出信号精度之间的相关性,给出了待定参数设计方法的具体步骤。该方法不仅适用于单个跟踪微分器的设计,而且还适用于任意阶次的跟踪微分器的设计,用以获取二阶以上的微分信号。最后,通过对单个和直接级联系统的仿真实验,验证了文中所提方法的正确性,对控制系统中微分信号的提取具有一定工程应用价值。

基于IPSO-BP神经网络的结构损伤识别

为了准确评估结构健康状况,将改进的粒子群算法与BP算法有机结合来训练人工神经网络,并用于结构损伤识别.以国际结构控制协会与美国土木工程学会(IASC-ASCE)提出的健康监测第二阶段Bench-mark模型结构为例,对4种不同损伤模式进行了损伤定位.研究结果表明,在模型误差、测量噪声等因素的影响下,该方法能够取得令人满意的损伤识别结果.

一种改进的IPSO-BP神经网络在股指预测中的应用——以上证综指为例

针对股票数据具有规模庞大、结构复杂、多噪声和高度模糊非线性等特点而导致预测难的问题,利用改进的粒子群算法(固定惯性因子动态化)优化BP网络权阀值,建立了一个基于历史日收盘价、最低价、最高价、成交量、成交额、涨跌幅为输入变量,日开盘价为输出变量的预测模型.利用MATLAB软件对2007年1月4日至2015年8月31日上证综指(开盘价)进行了仿真预测,并且从绝对误差与相对误差等角度对比分析了BP网络优化前后的预测结果,结果表明IPSO优化后的BP网络不仅可以更快地实现收敛寻优,而且在对未来股价的趋势判断与指数预测方面均具有较好的预测效果.

基于IPSO-BP神经网络的管道损伤检测方法

为了更高效准确地对流质输送管道进行损伤检测,结合改进粒子群算法和误差反向传播神经网络,提出了一种IPSO-BP神经网络模型,并以IPSO-BP网络和IPSO算法建立损伤位置和损伤程度识别器。针对管道损伤检测问题,提出以曲率模态和位移模态为输入特征参数,由损伤位置识别器、损伤程度识别器构成的管道结构损伤识别模型。基于管道的特定工况,对不同损伤状态下的管道进行模态分析和静力学分析,得到共100组训练样本和12组测试样本,利用IPSO-BP神经网络进行结构损伤识别模型的训练和测试。结果表明:提出的基于IPSO-BP神经网络的管道损伤识别模型对损伤位置的识别准确率为100%,损伤程度误差率低于5%,该模型为各种工况下的管道损伤检测提供了一类快速准确的方法。

基于IPSO-BP神经网络的短时交通流量预测

短时交通流量具有非线性、随机性等特点,如何准确地进行短时交通流量预测,是智能交通系统研究的一项关键内容。传统的预测模型不能实时反映短时交通流量变化特点,同时BP神经网络的交通流量预测存在收敛速度缓慢、易陷入局部极值、预测精度低等缺点。为了提高短时交通流量预测精度,提出了一种基于改进粒子群算法(IPSO)优化BP神经网络的复合预测模型,引入相对误差指标作为预测模型的评价指标,并利用实测的道路短时交通流数据对所构建的预测模型进行验证。结果表明,所提出的预测模型在短时间内寻出全局最优解,具有较好的预测精度,提高了短时交通流量预测的准确性和可靠性。