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PSO-BP神经网络的临时支架支撑力自适应控制

为了使临时支架的支撑力更好地与矿压相适应,提高支架的支护能力,以双联自移式临时支架为研究对象,提出了基于粒子群优化(PSO)-BP神经网络的临时支架支撑力自适应控制方法。利用PSO算法的全局搜索能力及快速收敛特性对BP神经网络的初始权值进行优化,提高BP神经网络的收敛速度;再通过优化后的BP神经网络实现PID参数在线自调整,构建PSO-BP神经网络优化PID控制器,使临时支架的支撑力更快速、准确地达到预定值,实现临时支架支撑力自适应控制,避免因支护力和顶板压力不匹配而对顶板造成破坏。用单位阶跃信号模拟临时支护支架的期望初撑力进行实验验证,结果表明,与BP神经网络优化PID控制器及传统PID控制器相比,PSO-BP神经网络优化PID控制器可以更快、更准确地达到预期的初撑力,调整时间仅为0.5 s且基本不存在超调。根据实际地质条件仿真模拟开挖支护过程中支架受到的顶板压力,研究3种控制器的支撑力自适应控制效果,结果表明,在PSO-BP神经网络优化PID控制器的控制下,系统误差仅为0.02 MPa,误差最小,控制效果最好。

基于EMI技术与PSO-BP神经网络铝梁损伤定位研究

为了定位铝梁等一维结构的损伤位置,采用压电阻抗(EMI)技术与粒子群(PSO)-BP神经网络进行研究。首先,搭建损伤检测试验平台,使用阻抗分析仪测出健康和损伤状态下的压电导纳曲线,分析不同位置压电陶瓷传感器(PZT)测量的结构谐振峰特征,并通过Pearson相关系数对导纳数据进行处理;然后,构建PSO-BP神经网络,以不同位置上的PZT传感器测得的导纳值作为网络的模式样本进行训练。结果表明,压电阻抗技术能有效识别铝梁健康、损伤工况;Pearson相关系数与PZT传感器和损伤之间的距离呈线性关系,与损伤位置间距越小,PZT测得的导纳曲线的Pearson值越大;选取PZT导纳值变化明显的频率点作为神经网络的输入向量,经过训练后的PSO-BP神经网络能够快速准确地识别铝梁损伤位置。

基于PSO-BP神经网络的小冲孔蠕变寿命预测模型

为提高小冲孔蠕变寿命预测的准确性,选取温度、载荷参数作为预测模型的输入参数,利用粒子群算法(PSO)优化神经网络权值和阈值,建立基于PSO-BP神经网络的小冲孔蠕变寿命预测模型。使用MATLAB建立优化后的预测模型,并与传统BP神经网络预测的结果进行对比。结果表明:粒子群优化的神经网络有效提高了预测模型的准确性和稳定性。可见,PSO-BP小冲孔蠕变寿命预测模型是合理、可行的,为小冲孔蠕变寿命预测提供了一种简单可行的思路和办法。

基于小波变换和GA-BP神经网络的电力电缆故障定位

由于电力电缆敷设于地下,当发生故障时难以快速且准确定位,出现了故障定位问题。因此,提出一种基于小波变换和遗传算法反向传播(Genetic algorithm back propagation,GA-BP)神经网络的电力电缆故障定位方法,在分析对比各小波能量集中程度和波动次数的基础上,选择多贝西小波(Daubechies wavelet 6,Db6)作为小波基函数,对于各故障位置,采集正向故障行波的α模分量,并对其进行小波分解。选取在d1尺度下的模极大值点作为特征值,同时将故障距离作为标签值,从而构建了训练和测试样本数据集;利用遗传算法(Genetic algorithm,GA)的种群进化和全局最优搜寻能力来改善误差逆传播(Back propagation,BP)网络对初始权重敏感的缺点,并使用优化后的权值、阈值重新对BP神经网络进行训练和预测,最后通过与传统双端行波定位算法、BP算法、粒子群优化BP算法(Particle swarm optimization BP,PSO-BP)相比较,证明了所提方法在测距性能方面的优越性。

基于PSO-BP神经网络的雷达电源组件温度预测新方法

针对雷达电源组件在长期运行中元器件温度过高,导致可靠性能退化,进而影响雷达其他组件及整体系统可靠性的问题,提出基于PSO-BP神经网络的雷达电源组件温度预测新方法。首先,根据雷达电源组件的物理特性详细分析其流动-传热;然后,以调整其大范围误差为目标,基于PSO-BP理论构建雷达电源组件温度预测模型,并设计相应的算法流程图;最后,以某型装备相控阵雷达的电源组件温度预测为工程背景,对所提的算法进行实验验证,实验结果满足工程要求。

基于PSO-BP神经网络的高原寒地维修器材换算系数研究

针对高原寒地部队担负任务和所处地理环境的特殊性,军械装备维修器材受各种因素的影响,需求规律难以掌握,从5个方面18个对维修器材需求影响因素分析的基础上,分别对18个影响因素进行量化并归一化处理。运用粒子群优化算法对BP神经网络进行优化,提出了一种基于PSO-BP神经网络的维修器材换算系数模型,将影响因素作为输入变量,对不同种类的维修器材进行预测,通过算例分析验证该方法的合理性和准确性。

基于PSO-BP神经网络的隧道内气动压力幅值预测

将BP神经网络技术用于隧道内气动压力变化幅值的预测,使用粒子群算法(particle swarm optimization,PSO)对其进行优化,构建PSO-BP神经网络模型。为了验证模型的准确性和可靠性,利用收集到的数据样本对模型进行训练测试,并引入交叉验证法评估2种模型的性能。研究结果表明:PSO-BP神经网络能够准确预测不同情况下的气动压力幅值,而且在平均相对误差、平均绝对误差、均方根误差以及样本的决定系数等方面均比未优化的BP神经网络的好,具有更高的预测精度。通过建立的PSO-BP压力幅值预测模型,得到了压力幅值在不同条件下的变化规律。

一种基于PSO-BP神经网络的重力数据插值方法

重力数据在使用上需要通过进一步的精化和融合,并利用精确的插值技术进行加密处理,以满足实际应用的重力数据基础。本文提出一种基于粒子群算法(Particle swarm optimization,PSO)优化BP神经网络的方法,并应用于重力数据推估。通过仿真实验对比分析了PSO-BP神经网络、普通BP网络和传统克里金方法在重力异常插值上的效果,发现本文方法在均方差、差值稳定性上具有一定优势,但运算时间较长。利用澳大利亚中部的重力观测数据对PSO-BP神经网络进行训练,结果表明,本文方法在整个区域的插值效果上优于BP神经网络和克里金方法,补充高程数据作为PSO-BP神经网络的输入,能进一步提升利用该方法推估自由空气重力异常场的精度。