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U-net神经网络的油浸式变压器绕组流-热耦合快速计算

该文针对采用传统数值方法进行大型油浸变压器绕组温升仿真时间较长的问题,提出一种基于U-net神经网络训练的快速计算方法,可以迅速地预测变压器绕组温升及热点。首先,根据流热耦合原理筛选输入变量,并运用流热耦合方法计算不同工况下的输出结果,并将之制作成训练集和测试集。同时,详细讨论3个对网络训练影响最显著的超参数;其次,将归一化后的训练集输入U-net神经网络进行训练,并设置超参数最佳组合;最后,将预测集输入训练好的模型进行预测计算及反归一化操作,预测绕组热点与Fluent仿真结果相差仅0.44 K,单次仿真时间从200 s缩短为0.07 s。预测结果与实验温度平均误差最大为2.31 K,最小为0.98 K,预测方差为0.31左右。结果表明:该方法可用于快速获得油浸式变压器绕组的温度及热点,可满足变压器温度热点数字孪生的实时性仿真要求。

一种粒子群优化脉冲耦合神经网络的全色锐化算法

为了进一步降低多光谱与全色影像融合后的光谱和空间信息失真,提高融合质量,文章提出一种粒子群优化脉冲耦合神经网络的多光谱与全色影像融合算法。该算法基于主成分分析和非下采样剪切波搭建融合方法的基础融合框架,在低频系数融合过程中使用细节注射的融合方法,降低非必要的信息注射,从而提高光谱保持度。在融合高频系数时,采用参数自适应的简化脉冲耦合神经网络计算融合权重,并基于粒子群优化算法全局搜索能够获取最佳融合质量的对应参数,以提高空间信息的完整性和清晰度。文章通过三组实验验证提出算法的可行性,并与现有的、经典的融合算法进行对比,实验显示:文章提出的融合算法在三组实验中的光谱角映射均在0.1左右,通用图像质量指数在0.9以上。实验结果表明:该算法不仅能够有效提高全色与多光谱影像的融合质量,而且融合效果稳健,在对比实验中具有最佳的融合性能。

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神经网络算法的设计施工耦合

设计与施工的交互耦合分析对建设工程的发展具有极其重要的研究意义。这种交互耦合关系能从客观上反映出两个系统的耦合程度和耦合协调发展态势。为了较科学地研究两者的耦合态势情况,文章建立了设计与施工两个系统交互耦合的数学模型,并系统性分析了2010—2015年设计与施工耦合度、耦合协调度曲线变化情况。研究表明,设计与施工过程处于高水平耦合阶段,且两系统的整体发展水平表现不均衡。在此基础上利用PSO-BP神经网络算法对2016—2017年的交互耦合态势进行预测,选取了1996—2015年建筑业设计、施工相关数据作为训练样本,从中均匀抽取4组作为测试样本。该测试结果得到的预测值与实际值符合程度比较好,且预测精度较高。最后文章给出了设计与施工两个系统在处于高水平耦合阶段下,提高耦合协调度的建议。

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。

基于神经网络的热管反应堆多物理场耦合快速预测

本文基于热管反应堆多物理场耦合分析框架,提出了一种基于数据驱动型神经网络构建的快速预测方案。该方案利用神经网络部分代替分析框架中的数值计算模块,实现核-热-力多物理场耦合迭代过程的高效求解。以Megapower作为分析对象,搭建了相应的神经网络模型构建快速预测方案并对其进行相关参数的预测,与传统数值计算方法对比。快速预测产生的关键参数和数值计算的结果差异很小,其中,最大应力差值不超过2 MPa,燃料平均温度差值不超过3 K。相同计算环境中,相比于数值计算需要6 h的计算时间,快速预测仅需4 min,计算时间降低了95%以上。基于上述结果,认为基于神经网络的快速预测方案具有准确性高、速度快的特点。配合其灵活性及对训练数据量要求低、可针对性的优化模型等特点,认为基于神经网络的快速预测方案是应对堆芯优化等大规模计算需求场景的优选方案。

基于耦合神经网络反应扩散模型的图像增强方法研究

随着人工智能技术的迅速发展,图像处理已经广泛应用于交通、医疗、农林、航空航天等领域,并且对图像质量要求也越来越高。针对图像增强问题,提出了一种利用神经网络模型,将FitzHugh-Nagumo反应扩散模型转变为微分动力系统的方法,来改进耦合神经网络,引入自适应的阈值,得到耦合神经元的非线性动力学模型,利用此模型可使图像对比度得到提升,起到增强图像的效果。该模型的适用面更广,图像对比度拉伸效果更好,视觉增强效果更为明显。

基于剪切波变换和脉冲耦合神经网络的图像融合方法研究

图像融合的目的是将多个来源的图像合并,从而产生1个包含所有原始图像信息的新图像。传统的图像融合方法可能损失一些重要信息或导致图像失真,因此研究新的图像融合方法具有重要意义。作为新兴技术,剪切波变换和脉冲耦合神经网络在图像融合中的应用潜力尚未被充分发掘。文章致力于研究这2种技术在图像融合中的效果,并提出结合两者的新方法。

基于BP神经网络的粮食-耕地生态安全耦合协调研究

通过选取我国长江经济带11省市2011-2020年的面板数据构建指标评价体系,运用BP神经网络评价粮食安全和耕地生态安全,建立耦合协调度模型进行分析,最后运用BP神经网络进行预测。分析结果表明:研究期内,长江经济带粮食安全和耕地生态安全均取得了不同程度的提升,粮食-耕地生态安全耦合协调发展水平也由2011年的轻度失调水平发展到了2020年的中级协调水平,预测在2025年能达到良好协调水平,但耦合协调度存在区域差异。因此,长江经济带各省应该协同合作,根据各地资源优势和实际情况制定合理的策略,促进粮食-耕地生态安全协调发展。

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。

基于脉冲耦合神经网络的图像分割算法分析

为进一步提高脉冲耦合神经网络(PCNN)在图像分割中的性能,文章研究了基于PCNN模型的图像分割算法,并探讨其模型简化算法,旨在减少其中的参数量,从而提高图像分割处理效率和分割效果。借助Girl属性图像进行仿真验证,通过与OTSU算法及LevelSet算法的分割效果进行对比,文章论证了算法的有效性及可行性。实验结果表明,该算法具有显著的分割效果。

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。

基于耦合神经网络的步态识别方法

主流步态识别过程中识别率易受到视角变化的影响,使用耦合网络模型解决最小类间距离大于最大类内距离的问题,利用步态样本比对解决识别问题。用二值图像序列合成步态能量图,联合使用逻辑回归与对比损失函数对模型进行训练优化,实验验证耦合神经网络的步态识别性能,并与普通卷积神经网络模型(CNNs)的识别结果进行对比。在背包与大衣遮挡情况下的识别率达到73.7%和60.5%,高于CNNs的识别率,并提高了遮挡情况下步态识别精确度。

基于脉冲耦合神经网络的红外图像分割算法研究

红外图像噪声多、结构复杂,传统的分割方法难以对红外图像实现完整的分割。脉冲耦合神经网络(PCNN)参数众多,而人工调整网络参数耗时耗力。为了避免人工调整网络参数、实现对红外图像较完整的分割,将粒子群优化(PSO)算法和改进的PCNN相结合,提出了一种新的红外图像分割算法。首先,对红外图像进行预处理。其次,为了减少网络参数,对PCNN进行了化简。然后,将预处理图像输入网络进行循环迭代,利用PSO算法计算每次迭代的分割结果的适应函数值,从而确定群体和个体最佳参数。最后,通过种群最佳参数得到分割结果。为了验证算法的分割性能,试验使用了不同的自然风景图像和红外图像。试验结果表明,所提算法可以对红外和自然风景图像实现较完整的分割;无论是分割效果还是定性分析,所提算法都要优于传统算法。

基于脉冲耦合神经网络和遗传算法的图像增强研究

为提高图像增强技术的效能和适应性,本研究采用融合脉冲耦合神经网络(pulse coupled neural network, PCNN)和遗传算法(genetic algorithm, GA)的方法,设计了一种新型的图像增强方案。该算法以PCNN为基础,利用GA进行参数优化和模型调整,以期达到更优的图像处理效果。研究结果表明:相比传统图像增强技术,所提出的融合算法在图像清晰度、细节增强和噪声抑制等方面展现了显著优势,证明了该方案在实际应用中的高效性和实用性。

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BP神经网络的水中双爆源爆炸冲击波峰值压力预测模型研究

为了获得水中等质量两爆源同步爆炸时冲击波耦合中心的峰值压力计算模型,利用Autodyn计算得到不同药量和爆距下的峰值压力数据.一方面根据量纲分析确定的函数形式拟合数据从而获得峰值压力的计算公式;另一方面对药量、爆距及峰值压力三类数据进行对数变换和归一化,并将其分为训练集和测试集,然后将训练集代入BP神经网络进行训练,得到结构相对简单、均方误差最小的BP神经网络预测模型.结果表明:公式计算结果和BP神经网络模型计算得到的峰值压力与实际值吻合较好,公式计算值与实际值的平均相对误差为1.08%,BP神经网络预测值与实际值的平均相对误差为0.52%,与公式计算相比,BP神经网络能够以更少的数据样本容量实现更高的精度预测.