基于PSO-BP网络的煤炭企业物流成本预测

为了对煤炭企业物流成本进行有效的预测,首先分析了煤炭企业物流成本的影响因素,然后分别采用PSO-BP网络和BP网络对煤炭企业物流成本进行了预测,并对试验结果进行了对比分析,结果表明,PSO算法优化的BP神经网络,其收敛速度和预测精度都明显高于传统的BP网络。PSO-BP方法对煤炭企业物流成本的预测具有一定的参考价值和指导意义。

改进PSO-BP网络预测模型在造纸能耗预测中的应用分析

针对造纸企业生产过程中的能源消耗预测问题,提出一种基于改进粒子群算法优化的BP神经网络能耗预测模型。在耗电量预测方面对该模型进行了预测分析,对某造纸厂生产车间的视觉耗电量数据进行预测和对比;得出结果比传统BP神经网络预测模型预测误差小,表明预测效果良好。因此,改进PSO-BP网络预测模型能为企业源供需稳定和平衡提供保障,可以促进企业的长久发展与经济效益。

基于PSO-BP网络预测模型的造纸机压榨辊振动特性建模分析

了解造纸机压榨辊振动特性对于判断其工作状态具有十分重要的作用。在此背景下,基于PSO-BP网络预测模型分析造纸机压榨辊振动特性。利用振动传感器采集振动信号并通过小波阈值法实现振动信号去噪处理;提取振动信号中的时域特征(有效值、峭度值)和频域特征(功率谱、倒频谱)。以特征为输入,以振动特性定量值为输出,训练PSO-BP网络,完成预测模型的构建,利用预测模型预测造纸机压榨辊未来一段时间的振动特性,分析其工作状态是否正常。结果表明:未来一周内造纸机压榨辊振动特性定量值一直曲折上升并在5~6天之间振动特性定量值超过边界值,从健康区间进入异常区间。

基于PSO-BP网络的学习成绩预测研究

智慧课堂背景下对学生学习成绩的预测是制定更具针对性学习方案的关键,文章采用PSO-BP网络对目标课程学习成绩进行预测,同时和BP网络对目标课程学习成绩的预测结果进行对比。结果表明,PSO-BP网络对目标课程成绩预测精度高,但对目标成绩预测不宜采用等级法。此研究对目标课程成绩预测,更好地优化教学资源具有一定的参考价值。

基于改进PSO-BP网络的配电网故障选线与测距

利用子群优化神经网络(PSO-BP)提出更适合配电网故障选线与测距算法,使配电网线路得到更好的优化。针对配电网单相接地故障特征,开展系统单相接地故障稳态分析,系统单相接地故障暂态分析,以及系统单相接地故障谐波分析,得到影响选线及测距的因素,进一步提出PSO-BP网络改进算法,通过分析BP算法的结构模型以及粒子群优化算法,结合2种算法,得出改进PSO优化BP的算法流程,明确基于改进PSO-BP网络的配电网故障选与测距的操作方法,从而更好的为配电网故障的定位选线是以测距提供准确、可靠的数据。

基于PSO-BP网络的数控系统插补控制研究

插补控制是数控机床加工控制的核心技术,将智能优化算法和神经网络技术相结合,建立了PSOBP网络的插补控制模型。以坐标位置和速度为输入,下一点坐标位置、切线角、曲率半径为输出,搭建了BP网络模型,采用PSO优化算法对网络权值和阈值进行优化处理,最终获得PSO-BP插补控制模型。通过复杂加工曲线仿真试验分析,验证了PSO-BP网络数控系统插补控制的有效性。提出的数控系统插补控制能够提高复杂零件插补的精度和速度,对超精密零件加工的插补控制提供了一定的参考。

基于PSO-BP网络的流变本构模型智能化识别研究

岩石流变是岩石力学问题中一个重要的研究课题,而岩石流变本构模型理论仍是目前岩石力学研究中的难点和热点问题之一.基于神经网络方法智能化识别岩石流变本构模型.基于系统辨识理论,构建了PSO-BP神经网络模型,在Matlab平台基础上编写PSO-BP网络智能化识别程序,直接根据流变试验数据,通过网络自学习,输出可以近似反映岩石流变全过程的神经网络结构化表达.将识别得到的岩石流变本构模型与原试验曲线进行拟合,并利用模型验证数据进行仿真计算,得到的仿真结果令人满意,验证了该神经网络方法直接识别岩石流变模型是可行的.

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。

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PSO-BP神经网络的船舶生产设计软件成熟度评估方法

[目的]针对现有船舶生产设计软件成熟度评估方法尚不明确、评估存在模糊性等问题,提出一种船舶生产设计软件成熟度评估模型。[方法]该模型根据船舶生产设计过程中船体、管系、舾装和涂装4个阶段,构建成熟度评估体系并确定各级成熟因子。结合贝叶斯网络与模糊最优最劣法,提出一种完全客观的赋权方法以提高数据集的准确性。引入粒子群优化(PSO)算法改进反向传播(BP)神经网络,通过PSO对BP神经网络的权值和阈值进行最优化,避免局部最优问题,并对软件的成熟度进行全面评估。[结果]实例分析表明,PSO-BP比BP评价的均方根误差减少了56.86%。[结论]该模型的精度和速度较好,能够满足实际评估需求,为船舶工业软件成熟度评估提供一种新思路。

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-BP神经网络的新能源汽车销量预测模型

为有效避免新能源汽车销量产销不平衡问题,通过粒子群优化算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)网络的参数迭代过程,弥补优化原本BP神经网络易陷入局部最优和收敛速度较慢的缺陷,构建了基于PSO-BP神经网络的新能源汽车销量预测模型,以比亚迪为例进行指数平滑法预测、BP和PSO-BP神经网络预测。结果表明BP神经网络模型相比于指数平滑模型在均方误差(mean square error,MSE)、平均绝对值误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)指标上预测性能优势显著,经过粒子群算法优化后的BP神经网络模型的MSE下降近7×10^(7),MAE下降3346,MAPE下降1.71%。可见基于PSO-BP神经网络的新能源汽车销量预测模型优于指数平滑模型和BP神经网络模型,粒子群优化的BP神经网络能够使模型跳出局部最优,加快收敛速度,预测结果的误差率更低,精度更高,且对企业的计划和生产具有指导作用。

基于PSO-BP模糊PID的变距取苗机构控制系统设计

为满足番茄、辣椒等蔬菜作物的移栽需求,基于向下取苗原理设计了一种适用72穴和128穴两种主要番茄钵苗穴盘规格的变距取苗机构,通过建立数学模型获得了取苗机械手参数的目标函数,并利用粒子群和模拟退火混合算法对其结构参数进行优化。同时,为实现变距取苗机构的精确控制,提出了一种基于PSO-BP的模糊PID算法以提高控制精度,介绍了系统的结构与工作原理,并通过选型计算与分析建模建立了控制系统的数学模型。针对传统PID控制器稳定性差、响应速度慢等不足之处,利用PSO-BP模糊PID对控制器的参数进行在线调整,以满足控制过程中对参数的不同需求。仿真结果与试验数据的分析表明:在参数相同条件下,基于PSO-BP模糊PID控制系统系统稳定性更好、响应速度更快,具有良好的鲁棒性,提升取苗成功率的同时降低了基质损伤率,能够满足变距取苗机构高精度快速稳定控制的需求。

基于PSO-BP神经网络的地下空间结构深基坑地表沉降预测研究

文中以深圳市黄木岗大型地下空间综合交通枢纽为研究案例,开展了深基坑地表沉降预测研究。首先,收集140 d沉降数据,分析规律,评判安全状态;然后,利用140期监测数据分别构建传统BP和PSO-BP神经网络模型,结合未来10 d的基坑沉降量验证了模型的效果。结果表明,BP和PSO-BP神经网络预测模型均可满足施工要求,而PSO-BP神经网络模型的预测精度更高,可用于类似工程的地表沉降预测。

基于PSO-BP复合网络的掘进机截割部故障智能诊断

针对井下掘进机故障诊断频发,传统诊断方法和BP神经网络诊断周期长的情况,以常村煤矿矿用EBZ-160TY型掘进机为背景,提出基于PSO-BP神经网络模型的掘进机截割部智能诊断模型。该模型能够弥补BP神经网络模型收敛周期长、局部最优搜索差的缺点,实现模型的快速收敛和故障准确预测。通过设置PSO-BP神经网络模型参数、样本数据训练,同时经过数据测试,确定PSO-BP神经网络模型预测结果故障预测率为100%,而BP神经网络的预测精度为80%,且在同时间下,PSO-BP神经网络较BP神经网络预测精度更高。在同精度下,PSO-BP神经网络模型收敛速度更快,在精度为1×10^(-5)时,PSO-BP神经网络模型仅需7步,BP神经网络平均需要198.5步。综合测试结果说明,PSO-BP神经网络模型能够较快实现掘进机故障的预测,且达到较高的预测精度,为掘进机故障诊断提供依据。

基于自适应PSO-BP神经网络的电力工程造价预测研究

文章提出对基于自适应PSO-BP神经网络的电力工程造价预测方法的设计与研究。根据当前的预测需求,先进行数据预处理,用多阶段的形式,扩大预测的覆盖范围,完成设定多阶段造价预测的目标。基于此,设计自适应PSO-BP神经网络电力造价预测模型,用动态寻优的方式实现最终预测处理。测试结果表明:对比于大数据电力工程造价的预测方法、GIM标准电力工程造价预测方法,文章设计的自适应PSO-BP神经网络电力工程造价预测方法最终得出的平均误差相对较小,整体上较可控,这说明在自适应PSO-BP神经网络的辅助下,文章设计的电力工程造价预测方法更加高效、稳定,针对性明显提升,造价预测的效果更为真实。

基于改进PSO-BP神经网络的冰蓄冷空调冷负荷动态预测模型

当前多数冰蓄冷空调冷负荷动态预测方法中,由于模型输入变量与输出结果相关性差、信息冗余度高等原因,导致多数预测模型在预测精度和收敛速度方面都未达到理想的预测效果,因此,提出一种改进的PSO-BP神经网络算法预测大型公共建筑的冷负荷。对于输入变量与输出结果采用灰色关联度分析,消除样本输入变量对数的耦合性,确定影响冰蓄冷空调系统冷负荷的关键性因素,将其作为输入变量,预测冰蓄冷空调系统动态冷负荷。结果表明:T时刻室外空气温度、T-1h时刻室外空气温度、T时刻室外空气湿度、T时刻太阳辐射强度、T-1h时刻太阳辐射强度、T-1h时刻空调冷负荷是影响T时刻冰蓄冷空调系统冷负荷的关键因素,并以此作为预测模型的输入变量。相对于传统PSO-BP神经网络全输入变量预测算法,该模型预测结果精确度更高、收敛速度更快。

改进PSO-BP神经网络对储层参数的动态预测研究

为提高BP神经网络的收敛速度和泛化能力,防止其陷入局部最优值,在前人工作基础上对传统粒子群算法进行了改进,具体包括:设定最大限制速度、改变惯性权重因子和改进适应度函数,并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测,具体步骤为:确定神经网络的输入、输出神经元,定量化时间参数T,利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析,结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。

种荧光光谱法和PSO-BP神经网络相结合的山梨酸钾浓度测定的新方法（英文）

研究了山梨酸钾在水溶液和橙汁中的荧光特性,结果表明在两种溶液中山梨酸钾的荧光特性虽然有很大的区别,但是它们的荧光特征峰都存在于λex/λem=375/490nm。从二维荧光光谱可以看出,橙汁中山梨酸钾的浓度和相对荧光强度关系错综复杂,两者不再满足线性关系。为了准确测定橙汁中山梨酸钾的浓度,提出了一种微粒群（PSO）算法优化的误差逆向传播（BP）神经网络的新方法。两组预测浓度的相对误差分别为1.83%和1.53%,预测结果表明该方法具有可行性。在浓度范围为0.1~2.0g·L-1内,PSO-BP神经网络能够完成橙汁中梨酸钾浓度的准确测定。

基于PSO-BP神经网络的气溶胶质量浓度测量系统湿度补偿

气溶胶质量浓度是衡量大气质量的一项关键性指标。在基于单粒子光散射的气溶胶质量浓度测量时,环境湿度变化对其影响较大。尤其在湿度较高时,颗粒物的外貌特征和折射率都会发生相应变化,采用低湿度条件下系统的标定参数来反演气溶胶质量浓度会产生较大误差。考虑以上原因,提出建立基于粒子群优化的BP神经网络补偿模型对不同湿度条件下的测量结果进行数据融合修正。实验结果表明,经过PSO-BP神经网络湿度补偿后,相对湿度较高时引起的测量误差约从原来的-10%^-45%减小为-5%^-30%,整体平均相对误差减小了10%,说明该方法削弱了相对湿度对气溶胶质量浓度测量系统的影响,有效提高了系统的测量精度。