基于PSO—BP神经网络的图像压缩算法

本文阐述了使用BP神经网络压缩图像的方法和粒子群算法（PSO）的原理。为提高BP算法的训练速度和图像重建质量．本文设计了一种利用PSO—BP网络进行图像压缩的算法，该算法结合了PSO算法和BP算法的优点，将BP网络的训练过程分为两个阶段。实验表明，利用该算法压缩图像，不仅速度较快，而且重建后的图像质量有明显提高。

基于PSO—BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO—BP模型,并对5个边坡的稳定性进行分析,预测平均误差为1.98%,预测效果较好。结果表明,PSO—BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。

基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于泥水平衡盾构掘进参数的PSO-BP神经网络掘进地层识别模型研究

为解决泥水平衡盾构机在掘进时无法准确地实时识别掘进地层的问题,以珠三角水资源配置工程为例,研究泥水平衡盾构机的盾构推力、掘进速度、刀盘转速、刀盘扭矩在不同地层下的变化规律,提出基于掘进参数的PSO-BP神经网络掘进地层识别方法,建立盾构推力、掘进速度、刀盘转速、刀盘扭矩4种掘进参数为输入集,地层编码为输出集的地层识别模型。工程数据的验证结果表明,该模型在珠三角水资源配置工程数据集上的掘进地层的识别准确率达99.07%,PSO-BP神经网络算法的识别准确率明显高于BP、RF、RBF、CNN等机械学习算法。

基于改进PSO-BP神经网络的热采管柱应力预测

稠油热采过程中,油套管柱由于在温度、地层等多重载荷作用下发生塑性形变进而导致断裂或失效。文中根据热采管柱高温服役工况,引入异步变化学习因子和自适应权重建立输入参数为注汽温度、井深、非均匀系数和水泥环温度,输出参数为套管应力的改进PSO-BP模型。文中以N80热采套管为例,选取260、280、300、320、340℃5种温度工况下有限元模拟结果作为训练数据,对比BP模型、GA-BP模型、MEA-BP模型、PSO-BP模型和改进PSO-BP模型在300℃工况温度下井深200、300、400、500、600、700 m处套管应力的预测值和试验值、有限元计算值。结果表明:改进PSO-BP模型预测的应力与试验值最接近,最大和最小误差分别为2.69%和0.06%。最后从训练数据、预测误差、计算时间等方面对建立的改进PSO-BP模型进行了评价,为热采管柱服役过程中的强度安全分析提供智能高效的模型。

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R^(2)和平均绝对相对误差e_(AARE)评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R^(2)和相对平均绝对误差e_(AARE)分别为0.909和2.06%。

基于PSO-IBP神经网络的纯电动汽车电驱总成故障诊断

为了提高纯电动汽车电驱总成的故障诊断准确率,提出了一种基于粒子群优化(Particle Swarm Optimizing,PSO)算法的改进BP(Improved Back Propagation,IBP)神经网络(PSO-IBP)故障诊断方法。应用线性整流单元(Rectified Linear Unit,ReLU)作为BP神经网络的激活函数,通过粒子群优化算法对BP神经网络权值和阈值进行动态寻优,构建PSO-IBP模型。通过采集纯电动汽车电驱总成故障数据,分别对PSO-IBP神经网络模型、BP神经网络模型和概率神经网络(Probabilistic Neural Network,PNN)模型进行训练与仿真,结果表明,相比于BP神经网络方法及概率神经网络方法,基于PSO-IBP神经网络模型的纯电动汽车电驱总成故障诊断方法具有更高的准确率。

基于PSO-BP神经网络的轮胎负荷测量方法

研究基于粒子群优化(PSO)算法-BP神经网络的轮胎负荷测量方法。将采集的轮胎状态信息与提取到的加速度特征输入到BP神经网络,对轮胎负荷进行回归预测,使用PSO算法优化BP神经网络的权值与阈值,得到轮胎状态信息与轮胎负荷的关系。结果表明,采用PSO-BP神经网络预测轮胎负荷误差为1.8656%,PSO-BP神经网络预测精度较高,在转变工况条件下,预测误差为2.496%。

基于AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

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。

基于改进PSO-BP神经网络的网络控制系统时延预测

针对网络控制系统存在的随机时延问题,本文基于BP神经网络(Back Propagation Neural Network, BPNN)建模方法,在PSO(Particle Swarm Optimization)算法的基础上引入遗传算法中交叉和变异的思想,同时对惯性权重和学习因子采用线性递减和异步时变的改进策略,提出了一种性能更优的改进PSO算法,并用该算法优化BP神经网络,构建了一种改进PSO-BP神经网络的时延预测模型;然后运用MATLAB TrueTime2.0工具箱搭建仿真平台,结合获取到的历史时延采样数据对改进PSO-BP时延预测模型和PSO-BP、BP模型进行性能对比测试.实验表明本文所提出模型的预测精度更高,误差更小,能较好的解决网络控制系统的随机时延预测问题.

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。

基于改进的PSO-BP神经网络算法的永磁同步电机PID参数整定

针对PMSM矢量控制中PID控制器在线整定困难的问题,提出BP神经网络与PID控制器相结合,采用改进粒子群算法对其网络权值矩阵进行优化.将算法在Matlab中实现并整定PID参数,代入Simulink中仿真PMSM矢量控制模型,得到超调量为10.5%、调节时间为0.42 s且加入负载后表现更优的PID参数.实验结果表明PSO-BP-PID算法相较于PID整定有更好的精确度及准确性.

基于改进BP神经网络的河北省碳排放预测

“双碳”目标背景下,针对河北省高碳经济发展模式难以改变、以往预测模型难以满足现实需求等问题。论文根据统计年鉴数据,研究河北省能源消费趋势和分行业碳排放特征,并借助脱钩指数探究河北省碳排放动态变化趋势,选取IPCC二氧化碳排放的计算方法,基于6项碳排放量影响因素建立遗传算法(GA)优化BP神经网络的河北省碳排放模型,对河北省2021—2030年碳排放量进行仿真预测。结果显示:河北省能源效率低于全国水平,河北省工业碳排放量最高;河北省的经济增长与碳排放之间主要呈弱脱钩态势;GA-BP模型预测结果比BP模型更加稳定,误差较小,更适合用于碳排放量的预测。预测结果显示,河北省未来碳排放量呈缓慢增长趋势,以期为政府决策提供理论依据,助力河北省“双碳”目标的实现。

正交实验结合AHP和GA-BP神经网络优化益黄散醇提工艺

目的 优化益黄散的醇提工艺。方法 采用回流提取法,以乙醇体积分数、液料比、提取时间为考察因素设计正交实验,以橙皮苷、川陈皮素、橘皮素、没食子酸、诃黎勒酸、诃子酸、甘草苷、甘草酸、丁香酚含量和干浸膏得率为指标,采用层次分析法(AHP)进行赋权并计算综合评分。通过验证正交实验和遗传算法(GA)-反向传播神经网络(BP神经网络)所预测的结果确定益黄散最佳醇提工艺参数。结果 正交实验优选的最佳醇提工艺参数为乙醇体积分数60%、液料比14∶1(mL/g)、提取时间90 min、提取2次,验证所得综合评分为79.19分;GA-BP神经网络优选的最佳醇提工艺参数为乙醇体积分数65%、液料比14∶1(mL/g)、提取时间60 min、提取2次,验证所得综合评分为85.30分,高于正交实验所得结果。结论 采用正交实验结合GA-BP神经网络的寻优方法较传统的正交实验寻优方法效果更佳,其优选出的益黄散最佳醇提工艺稳定可靠。

基于BP神经网络的重力仪高机动状态快速调平修正技术

针对平台式重力仪大机动状态后测量能力恢复慢的问题,提出一种基于BP神经网络的重力仪稳定平台快速调平修正技术。首先,针对动态重力测量在测量平台大机动状态后调平能力不足的问题,研究了基于BP神经网络的平台姿态高效、准确解算方法;其次,利用惯性元件和卫星导航系统(GNSS)的信息优化BP神经网络,形成不同条件的平台姿态提取优化模型;最后,利用模拟仿真实验和实际机载动态重力测量数据验证所提方法的有效性和准确性。实验结果表明在大机动的动态条件下采用所提方法可以扶正重力仪稳定平台,将机动后重力仪稳定平台稳定时间缩短83.3%以上,提升动态重力测量效率。

基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

基于LDA-BP神经网络的高校思政课教师数据驱动决策力评价研究

数据驱动决策力为高校思政课教师提供科学合理的教学判断,对数据驱动决策力进行评价研究,有助于提高高校思政课教师的数据决策水平,进而提升思想政治教育教学质量。鉴于传统评测方法缺乏客观性与可重复性,运用LDA-BP神经网络技术构建高校思政课数据驱动决策力的指标体系与评价模型。首先,运用LDA方法对高校思想政治教育相关的政策文本与研究文献进行主题提取,并将主题信息作为指标构建基础;其次,通过研读文献与政策文本,并结合主题分析结果构建高校思政课教师数据驱动决策力评价指标体系;最后,通过对BP神经网络的训练及测试来生成高校思政课教师数据驱动决策力的评价模型。研究表明,高校思政课教师的专业知识、教学水平以及数据分析与解读能力是影响数据驱动决策能力的关键因素,据此,理应从素养提升、文化培育、管理革新、政府支持等方面入手增强数据驱动决策力。

基于BP神经网络的高桩码头基桩损伤识别研究

针对高桩码头基桩的损伤识别问题,基于BP神经网络开展了损伤定位研究。传统损伤定位方法在识别过程中受到人为主观因素的干扰,且对于只有一阶模态数据的情况定位效果有限。为克服这些问题,构建了不受人为因素影响的损伤定位神经网络,以第三类损伤指标ULSC和δFC作为训练样本,实现了对基桩局部损伤的准确定位。在建立合理的高桩码头有限元模型的基础上,构建了基于BP神经网络的损伤定位模型,并使用ABAQUS模拟数据和实测振动信号数据进行训练和测试。实验结果表明,该神经网络模型具有较高的定位准确性和鲁棒性,在不同损伤工况和10%噪声水平下仍表现优异。