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%。

IPSO-BP木材绝干密度近红外光谱预测模型

木材密度决定着木材力学性能,是木材物理性能的重要指标之一。近年来,由于近红外光谱分析具有操作过程简单、方便、快速等优势,已有学者应用近红外光谱数据预测木材密度,但是,在实际应用中,数据集缺乏、光谱特征欠优、非线性拟合准确性低等问题还没有得到完全解决,木材密度预测模型的精度有待于进一步提升。木材密度中,木材的绝干密度相对稳定,测量结果相对精确,以柞木绝干密度预测为研究对象,通过采集不同含水率下的近红外光谱信息构建出适合不同含水率条件的绝干密度非线性预测模型。首先,选用德国INSION公司的近红外光纤光谱仪,运用SPEC view 7.1软件对不同含水率的柞木样本采集光谱信息;然后,利用SPXY样本划分方法,按2∶1划分校正集与预测集,并利用多元散射校正、二阶导数光谱及S-G平滑方法进行光谱预处理,以减少散射光和高频噪声的影响;接着,运用连续投影算法(SPA)提取有效的波长信息;最后,运用一种非线性权重粒子群算法优化的BP网络(IPSO-BPNN)建立不同含水率状态下的近红外光谱与柞木绝干密度之间的关联,实现柞木绝干密度预测模型的构建。实验过程中,加工选取了100个柞木试件样本,在绝干条件下测量样本试件密度和光谱信息,并浸泡水中测量出不同含水率对应的光谱信息,实验结果表明:SPXY保证了校正集样本的均匀分布,提高了模型泛化能力;MSC、二阶导数和S-G卷积平滑相结合的方法抑制了原始光谱中噪声高频信号,同时使得峰值更加突出;SPA从117个光谱数据中优选出16个特征波长,提高了建模精度;IPSO-BPNN模型较SPA-PLS,BP和PSO-BP具有更高的相关系数,更小的均方根误差,柞木绝干密度预测相关系数为0.938,预测均方根误差为0.0129,方法可以对木材密度在线无损测量提供一定的理论基础。

基于IPSO-BP的受损钢结构改造施工安全预警评估研究

为研究受损钢结构改造施工安全预警状况,建立受损情况下钢结构改造施工安全预警指标体系,并针对BP神经网络算法易陷入局部最优的问题,提出了用改进粒子群算法(IPSO)对BP神经网络权重及阈值进行调整的IPSO-BP安全预警评估模型。通过分析某单层重钢厂房受损现状,针对其结构损伤情况和已构建的安全控制指标体系进行数值模拟分析。研究结果表明:与传统的BP模型相比,IPSO-BP模型具有更好的预测能力,构建的安全预警指标体系及预警模型可以很好地对受损钢结构改造施工过程安全状况进行综合评估,对受损钢结构改造施工安全控制具有一定的参考价值。

物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法(PSO)的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。

基于IPSO神经网络的风电机组主轴状态监测

风电机组主轴是叶轮和齿轮箱的连接部分,在机组传动链中具有传递转矩和能量的作用,因此对主轴进行状态监测关系到风电机组的稳定性。将改进粒子群算法(IPSO)与BP神经网络相结合构造主轴温度模型并进行预测。当主轴发生故障时,模型输入的观测向量发生异常变化,导致模型预测残差发生改变。为提高主轴异常预警的灵敏度和可靠性,文中采用基于莱依特准则的双滑动窗口对预测残差序列进行实时的统计分析,如果残差均值或标准差超出设定的故障报警阈值时,发出报警信息。