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。

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。

改进PSO-BP网络预测模型在造纸能耗预测中的应用

针对企业生产过程能耗数据的时变性、非线性和强耦合性等特点,本文建立基于改进粒子群算法优化的BP神经网络能耗预测模型,将该预测模型在耗电量预测方面进行分析与研究,以造纸厂某个生产车间的实际耗电量数据进行预测和对比,结论表明,该预测模型比传统的BP神经网络预测模型的预测误差小,预测效果好。因此,利用该预测模型对了解企业的能耗动态趋势,保证企业能源供需稳定和平衡,促进企业发展和社会经济效益具有积极作用。

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7×107,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WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

基于时域卷积网络与Transformer的茶园蒸散量预测模型

在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶园蒸散量预测模型。首先使用互信息算法(Mutual information,MI)与主成分分析算法(Principal component analysis,PCA)相融合的数据处理算法(MIPCA),筛选强相关的特征并提取主成分;其次将时域卷积网络(Temporal convolutional network,TCN)与Transformer融合,利用灰狼算法(Grey wolf optimization,GWO)优化超参数,捕捉茶园数据的全局依赖关系;最后整合2个网络构建了MIPCA-TCN-GWO-Transformer模型,通过消融试验和对比试验验证了模型性能,并对模型在不同时间步长下的性能进行测试。结果表明,该模型平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和决定系数(Coefficient of determination,R^(2))3个评价指标分别为0.015 mm/d、0.312 mm/d和0.962,优于长短期记忆模型(Long short term memory,LSTM)等传统预测模型。在小时尺度、日尺度和月尺度下的R^(2)分别为0.986、0.978和0.946,在不同时间步长下展现了良好的适应性和准确性。本文构建的MIPCA-TCN-GWO-Transformer模型具有较高的预测精度和稳定性,可为茶园水资源优化管理和灌溉制度制定提供科学参考。

一种融合GA和LSTM的边坡变形预测优化网络模型及其应用

考虑到BP神经网络模型忽略边坡监测数据存在的时间相关性,以及LSTM模型由于超参数选择存在主观性而易陷入局部最优等问题,提出一种基于遗传算法和长短期记忆网络(GA-LSTM)相结合的边坡变形预测模型,以发挥遗传算法全局搜索能力和LSTM预测时序数据的优势。以海明矿业露天采场边坡为研究对象,分别采用BP神经网络模型、LSTM网络模型以及GA-LSTM网络模型对边坡监测点GNSS49变形进行预测分析,并对比各模型达到收敛条件的时间。结果表明,GA-LSTM模型与其他模型达到同一收敛条件的时间差异不大,GA-LSTM模型的拟合准确度在0.1~0.2 mm,是LSTM神经网络模型的5~7倍,是BP神经网络模型的10~20倍,具有较高的精度和稳定性,其预测值与实际监测数据基本一致,可为矿山边坡的安全生产、管理以及决策控制提供科学依据。

基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于BP神经网络的UHPC直剪承载力预测模型

为提供准确的UHPC直剪承载力,以指导UHPC结构设计,建立一种基于BP神经网络的UHPC直剪承载力预测模型。该方法基于机器学习中的反向传播人工神经网络(BP-ANN),搜集现有相关试验数据并建立数据库,将混凝土抗压强度、受剪面积、纤维特征参数、钢筋参数和侧向约束应力指定为输入特征参数,将直剪承载力指定为输出量,利用数据库对BP-ANN模型进行训练。将模型预测值与试验实测值和现有计算模型的结果进行对比,并采用SHAP算法对各参数重要性进行分析。结果表明:BP-ANN模型具有更好的预测效果,其相关系数R2达到0.953,平均绝对误差MAE为1.015,模型训练结果理想,可应用于实际的数据处理分析;侧向约束应力对直剪承载力的影响最大,钢筋参数影响最小。

基于互信息粒子群优化-长短期记忆神经网络医疗设备运行质量预测模型的慢性呼吸系统疾病诊疗设备智能管理研究

目的:基于互信息粒子群优化(PSO)-长短期记忆(LSTM)神经网络构建医疗设备运行质量预测模型,辅助慢性呼吸系统疾病诊疗设备智能管理。方法:采集设备基本数据、使用数据、维修数据和性能数据进行去噪和标准化处理,构建基于PSO-LSTM神经网络医疗设备运行质量预测模型(简称PSO-LSTM模型),制定设备使用、维护、维修及报废的智能管理方案。选取2019年8月至2023年7月新疆维吾尔自治区人民医院呼吸科临床在用的139台医疗设备,将2019年8月至2021年7月的67台设备采用经验管理模式,2021年8月至2023年7月的72台设备采用智能管理模式。计算传统循环神经网络(RNN)、LSTM神经网络模型训练集和测试集与PSO-LSTM神经网络模型的预测准确性,对比两种管理模式设备管理质量和设备使用操作与技术保障人员以及患者或家属对两种管理模式的管理满意度。结果:PSO-LSTM模型训练集预测准确性的平均绝对百分比误差(MAPE)值和均方根差(RMSE)值分别为0.014和0.008,测试集分别为0.032和0.018,均低于RNN和LSTM模型。采用智能管理模式的设备平均故障频次、平均开机率、管理成本平均增幅、平均维护执行率及平均报废合规率分别为(0.99±0.85)次/年、(95.74±2.16)%、(1.72±1.28)%、(96.49±1.97)%和(97.59±1.49)%,平均故障频次和管理成本平均增幅低于经验管理模式,平均开机率、平均维护执行率和平均报废合规率高于经验管理模式,差异有统计学意义(t=3.297、3.469、2.394、4.187、3.503,P<0.05);设备使用操作与技术保障人员及患者或家属对采用智能管理模式的设备性能、运行质量、管理方式、管理成本以及诊疗效果满意度评分分别为(94.73±1.85)分、(93.38±3.15)分、(93.48±2.02)分、(94.35±2.34)分和(95.14±2.07)分,均高于经验管理模式,差异有统计学意义(t=4.131、3.827、5.716、3.430、3.173,P<0.05)。结论:基于PSO-LSTM神经网络医疗设备运行质量预测模型能更准确地评估设备运行状况,提高医疗设备临床运行质量,改善临床服务满意度。

基于长短时记忆网络的恒温水浴锅温度模型预测

【目的】由于恒温水浴锅温度系统存在强非线性及大滞后性,本研究提出一种基于长短时记忆网络的恒温水浴锅温度模型预测方法。【方法】首先,对采集到的数据进行标准化处理,寻找长短时记忆网络的最优结构及超参数,用来拟合出最佳的数据映射特征,并构建恒温水浴锅温度的动态数学模型。其次,通过模型对未来一段时间内的温度趋势进行预测。最后,使用本研究提出的方法与最小二乘法所预测的结果进行对比分析。【结果】本研究所提方法构建的模型的拟合度达到了98.2%,预测结果的MSE及MAE比最小二乘法模型分别降低了4.616、0.823。【结论】本研究所提方法具有更高的预测精度,对提高恒温水浴锅的生产效率及控制精度具有重要意义。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于神经网络的永磁同步电机模型预测电流控制

针对备选电压矢量有限导致永磁同步电机有限集模型预测电流控制性能较差及计算量较大的问题,提出基于神经网络的永磁同步电机模型预测电流控制。基于7个基本电压矢量和121个扩展电压矢量的永磁同步电机模型预测电流控制分别建立7分类和121分类神经网络。随着备选电压矢量的增加,模型预测电流控制性能提升,对应的神经网络控制性能也得到改善,但分类任务数也随之增加。对于多步模型预测控制,计算量随步长呈指数上升,但输出电压矢量不变。因此,基于两步模型预测电流控制建立7分类神经网络。仿真结果表明:以上神经网络控制均可行,性能与相对应的模型预测电流控制基本相当。实时性实验结果表明相较于单步模型预测电流控制,神经网络控制并不占优势,但相较于两步模型预测电流控制,神经网络实时性有明显优势,计算耗时减小29.58%,表明神经网络控制更适于多步模型预测电流控制。

基于BP神经网络的低渗透底水油藏油井见水模式预测模型

注水开发使得低渗透底水油藏油井见水模式更加复杂,需要进一步明确及预测油井见水模式来针对性地指导水淹治理措施。神经网络模型具备处理多元回归问题和计算速度快等优势,可被用于分析地质工程多因素参数与油井见水模式的内在关系,构建见水模式预测模型。在油井见水模式划分的基础上,通过灰色关联理论和神经网络算法对BCL低渗透底水油藏油井见水模式的主控因素和预测模型进行了研究。发现水层厚度、隔夹层数、隔夹层长度和避水高度是该类油藏注水开发下影响油井见水模式的主控因素。基于主控因素结合神经网络算法建立了油井见水模式预测模型。通过对18组测试数据进行验证,平均预测误差1.4%,获得了较好的预测精度。通过易于获取的主控因素快速预测注水开发低渗透底水油藏油井的见水模式,为该类油藏的高含水针对性治理提供基础依据。

基于PIWT-IPSO-BP的污水厂出水COD含量的预测模型

在农业灌溉的领域中,化学需氧量(Chemical Oxygen Demand,COD)的测定是衡量水体中有机物污染程度的一个重要指标。当COD浓度超过60mg/L时,其对土壤质量和农作物的生长产生的负面影响成为不容忽视的问题。这一现象可能会严重影响农作物的产量和质量,进而对农作物生产的可持续性构成挑战。因此,有必要精确预测污水处理厂出水COD浓度的变化趋势,从而促进其在农业灌溉中的有效应用。研究结合了改进的小波变换、改进的粒子群优化(Improved Particle Swarm Optimization,IPSO)算法和反向传播BP(Back Propagation,BP)神经网络作为预测模型。鉴于COD受到众多因素的影响,这些因素之间存在复杂的耦合关系,采用PCA进行特征提取。考虑到数据采集的过程中不可避免的噪声干扰,应用小波降噪对原始数据进行处理,以确保数据质量,提高模型准确性。在此基础上,基于BP神经网络算法构建污水处理厂出水COD的预测模型。为了解决BP神经网络参数选择可能遇到的盲目性问题,引入改进的粒子群算法对模型进行参数优化,以提高预测精度。实验结果表明,提出的PIWT-IPSO-BP模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.222、0.386和0.984。该模型在一定程度上改善了数据噪声、多因子制约等问题,为污水循环利用技术应用于农业灌溉方面提供了参考依据。

SSA-RBF神经网络模型在风电风速预测中的应用研究

为了提高风电功率的预测精度和稳定性,以更好应对风速的多变性和非线性特性,提出了一种基于麻雀搜索算法(SSA)优化径向基函数(RBF)神经网络的风速预测模型(SSA-RBFN)。通过SSA优化RBFN的参数,以预测提高模型的精度和稳定性。通过选用风电场实际数据进行研究,与SSA-BP模型、RBF模型、BP模型进行比较。仿真结果表明:SSA-RBF预测模型在MAE、MBE和RMSE指标上体现出预测误差显著低于传统RBF模型和BP模型,表明提出的模型是可行和有效的。

参照零模型的加权网络链路预测因素研究

基于零模型,文章研究了如何量化分析加权复杂网络中链路预测的影响因素。通过对1阶零模型、权重置乱零模型,结构置乱零模型在拓扑结构和权重相关性两个方面分别进行研究。以美国航空网络为实证网络,针对加权网络中的权重特性,分析不同权重连边的可预测性和对于链路预测的影响。结果表明,美国航空网中存在拓扑权重相关性,并且破环拓扑结构比破坏权重相关性对于链路预测的影响更大。

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。

基于神经网络模型的朝阳市生猪价格预测

选取2020年1月至2023年6月朝阳市生猪日价格和猪饲料中豆粕的日价格作为研究数据,分别建立BP神经网络模型和小波神经网络模型对朝阳市生猪价格进行预测.将前160周的价格数据作为BP神经网络模型和小波神经网络模型训练集数据,161~180周的价格数据作为预测数据,通过图形显示预测值和实际值变化,计算2种神经网格模型的平均绝对误差和均方根误差.通过误差比较分析得出,在朝阳市生猪价格波动领域,小波神经网络模型优于BP神经网络模型,建议推广应用.

基于SBAS-InSAR和PSO-BP模型的鲁南高铁沿线地表沉降监测与预测

选取38景Sentinel-1A SAR影像,利用SBAS-InSAR技术获取2019-02~2022-11鲁南高铁曲阜-菏泽段沿线5 km区域的地表沉降结果,分析其分布特征和规律,并利用PSO-BP模型对若干特征点进行沉降预测。结果表明,高铁沿线0.1 km范围内地表年均形变速率为-20~15 mm/a,最大沉降速率为25.46 mm/a,最大抬升速率为17.43 mm/a;PSO-BP模型得到的沉降预测值的RMSE为5.8~12.4 mm,可对地表沉降进行较好的预测。