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。

基于水印技术的深度神经网络模型知识产权保护

构造一个优秀的深度神经网络(deep neural network,DNN)模型需要大量的训练数据、高性能设备以及专家智慧.DNN模型理应被视为模型所有者的知识产权(intellectual property,IP).保护DNN模型的知识产权也体现了对作为构建和训练该模型的数据要素价值的珍视.然而,DNN模型容易受到恶意用户的盗取、篡改和非法传播等攻击,如何有效保护其知识产权已成为学术研究的前沿热点与产业亟需攻克的难题.不同于现有相关综述,聚焦DNN模型水印的应用场景,从用于模型版权声明的鲁棒模型水印和用于模型完整性验证的脆弱模型水印2个维度出发,着重评述基于水印技术的DNN模型知识产权保护方法,探讨不同方法的特点、优势及局限性.同时,详细阐述DNN模型水印技术的实际应用情况.最后,在提炼各类方法共性技术的基础上,展望DNN模型知识产权保护的未来研究方向.

基于PSO-BP神经网络的磨机传动系统模型修正

针对磨机传动系统结构的复杂性、部件间约束条件的不确定性以及非线性等因素,提出了一种基于PSO-BP神经网络的有限元模型修正方法。通过改进BP神经网络逼近设计参数和特征量间的非线性映射关系,结合实际结构响应,利用神经网络的泛化特性,得到了模型设计参数值。修正后频率误差从最高18%降到4%左右,修正系数误差范围均在0.5%以内,明显提高了有限元模型精度;同时,又不需要大量迭代求解步骤,避开了传统反问题模型修正法的复杂非线性优化过程,提升了效率,验证了PSO-BP神经网络法应用于大型磨机传动系统上的可行性,为后续传动系统整体分析奠定了基础。

基于HSS-MCC融合模型及SSA-BP神经网络开展深基坑超大变形预测研究

软土环境下深基坑开挖变形特性研究中,多采用硬化类弹塑性模型进行分析,如HSS模型和MCC模型.南京河漫滩软土地区,深基坑开挖时局部常发生较大变形,部分土体变形状态介于小应变与大应变之间,单一模型无法准确预测土体变形特征.同时,BP神经网络在基坑变形预测中得到广泛应用,但在训练过程中,权阈值易陷入局部最优解,影响预测的准确性.据此,依托南京地区典型软土深基坑工程,采用Midas中的HSS模型与MCC模型进行分析,比对两种模型的桩体变形量差异,并基于最小二乘准则对两模型进行线性融合,融合模型可对后续区段监测数据进行校准及补充.通过融合麻雀搜索算法对BP神经网络进行优化,在其训练过程中快速收敛,得到全局最优的权阈值,依托狭长基坑已开挖区段监测数据学习训练,进而依据后续区段浅部开挖揭露深部变形特征,预测结果与实测值吻合度较高.研究结果对软土地区深基坑大变形的预测研究具有重要参考价值.

基于BP神经网络的高校教师精准教学能力评价模型构建

通过精准教学以促进学生个性化成长是教育理想和国家政策的不懈追求.高校教师是实施精准教学的“基”,现有关于其教学能力的评价体系中普遍存在概念不清和多采用主观构建评价指标的问题.为此,开展了基于BP神经网络的高校教师精准教学能力评价模型研究.首先,以理论研究为基础,对精准教学能力进行等级划分并构建评价指标框架,运用层级分析法建立指标权重;其次,利用BP神经网络智能学习的特性,以不同数据类型的指标值为输入,对应能力综合值为输出,检验精准教学能力分级及指标权重的合理性,进而生成较为客观的评价模型;最后,利用开发的评价系统和调查问卷进行样本数据采集和模型检验,从神经网络对数据的分类、拟合及仿真结果来看,模型能够对高校教师的精准教学能力进行客观评价,教师对模型测量结果的准确性也具有较高认可度.

基于YOLOv5神经网络模型的变电所压板开关状态的识别方法

煤矿变电所是大型煤矿供电系统的重要组成部分,变电所压板开关状态的精确识别是监测煤矿供电状态的重要环节。然而,随着变电所电气控制柜上压板开关数量的大幅增加,传统人工巡检存在的巡检速度慢、巡检精度低的问题愈发显著。针对上述问题,提出了一种基于YOLOv5神经网络模型的变电所压板开关状态识别方法。使用Pytorch深度学习框架进行了模型训练;设计了针对压板开关图像的预处理方法;采用得到的最佳模型对预处理后的压板开关图像进行检测并评估检测结果。实验结果表明该方法可以实现压板开关状态的智能识别,且具有速度快、精度高的特点。

基于自适应RBF神经网络具有模型不确定性的四旋翼无人机指定时间预设性能控制方法

四旋翼无人机具有强耦合和欠驱动的特点,在飞行过程中很容易受到外界干扰,进而影响整个无人机系统的稳定性和精度。为此,提出了一种基于RBF神经网络的指定时间预设性能约束控制策略。首先,针对四旋翼无人机的不确定数学模型难以精确建立,并且在执行任务过程中存在外部未知扰动问题,提出了一种基于指定时间预设性能控制方法,将四旋翼无人机的轨迹跟踪问题转换为对位置子系统和姿态子系统的期望指令跟踪问题;其次,在设计控制器过程中,为了解决“微分爆炸”问题产生的滤波器误差,引入一种新型滤波误差补偿方法,通过RBF神经网络逼近外部未知扰动,并将预测结果补偿给控制器以提高轨迹跟踪的鲁棒性。最后,应用仿真模拟方法验证无人机控制系统稳定性和性能优势,通过飞行试验验证,微风聚拢环境下实际飞行轨迹与仿真模拟结果趋于一致,自主轨迹跟踪起降位置偏差小于1 cm,证明了所提出算法的有效性。

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。

采用ERA5数据构建基于人工神经网络的天津ZWD模型

提出一种高精度的ZWD模型(tianjin_zwd,TZ)。TZ基于2016-2018年逐小时气压分层的ERA5,欧洲中尺度气象预报中心第五代再分析产品数据,采用BP神经网络建立。然后,根据2019年的ERA5产品导出的ZWD对TZ模型进行了验证。结果表明:相比GPT3模型,TZ模型可提供更贴近真值的ZWD估值;并且,其RMSE由5.0 cm (GPT3)降至4.5 cm,表明10%的精度提升。上述结果表明TZ模型实现了更优的预测性能,该模型的构建策略可为全国其他地区的ZWD建模提供借鉴。

基于多元语义特征和图卷积神经网络的短文本分类模型

在互联网和社交媒体迅猛发展的背景下,网络中出现了大量的短文本数据,这些数据在舆情监控、情感分析和新闻分类等自然语言处理领域展现出了非常高的经济和学术价值.但短文本数据固有的特征给短文本分类带来了不小的挑战,如文本稀疏和缺乏丰富的上下文语义等.针对这些问题,提出了一种结合多元语义特征和图卷积神经网络(GCN)的短文本分类模型,该模型通过哈尔滨工业大学的语言技术平台获取短文本的多种语义特征,并将这些语义特征同短文本一起构建一个多元异构图,然后将其作为GCN的输入,利用GCN学习短文本更深层特征,最后通过Softmax函数获取每个类别的概率分布,进而实现短文本分类.试验结果表明,本模型在短文本分类的F1评分上比传统单一模型提高了4%.

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。

基于物理约束的分布式神经网络三维地应力预测模型

地应力是油气藏全生命周期中井壁稳定分析、水力压裂设计、地层出砂预防、套损预测防治和油气开采措施制定的重要基础参数.针对缺乏三维地震资料情况下的三维地应力场预测问题,以工区已钻井地应力测井解释结果为基础,建立了一种基于物理约束的分布式神经网络三维地应力预测模型.首先,采用测井解释方法获得工区已钻井地应力单井剖面,并通过Kriging插值构建三维地质模型;其次,将测井数据和三维地质模型的三维空间坐标喂入3个并行的全连接神经网络,引入地应力物理约束条件,提出了数据和物理双约束的条件,进而通过三维空间坐标实现三维地应力场的预测;再次,优选了数据和物理双约束的权重参数,与人工神经网络、支持向量回归、随机森林等三种机器学习模型以及克里金插值模型进行了对比;最后,评价了不同机器学习模型预测地应力的效果.研究结果表明:(1)研究区域的地应力满足潜在正断层应力状态,即垂向地应力>最大水平地应力>最小水平地应力;(2)数据和物理双约束权重参数取值对预测结果有显著影响,当权重参数λ=0.2时,三维地应力预测效果最优;(3)与人工神经网络、支持向量回归、随机森林、克里金插值等模型相比,本文模型预测得到的地层三维地应力和孔隙压力更准确,在工区内测试集预测得到的垂向地应力、最大水平地应力、最小水平地应力和地层孔隙压力的最大相对误差分别为0.63%、7.59%、7.16%、3.21%,而且,本文模型能够更加准确捕捉地应力梯度的三维变化特征,水平井段地应力和地层孔隙压力参数的正态分布特征明显.结论认为,物理约束的分布式神经网络模型能有效融合地形构造与地应力之间的联系,提高三维地应力预测的准确性和可解释性,为油田三维地应力场的预测提供了一种新的思路.

面向2035的基础教育教师需求规模预测——基于BP神经网络模型

基于2003—2021年基础教育教师规模及其影响因素的变动情况,采用BP神经网络模型对2023—2035年基础教育教师需求和师资盈缺情况进行预测,发现基础教育教师总体需求规模呈现不断缩小的趋势,其中学前教育和小学阶段教师需求持续下降,初中和普通高中阶段教师需求呈先增后减趋势。这一期间,师资需求振幅较大,学前教育和小学阶段师资需求将出现阶段性短缺或过剩,这对教师资源的供给弹性和适应性提出了更高要求。基于以上发现,管理部门应稳定部署师范生招生计划,推进教师供需均衡;加强教育体系内贯通协作,促进教师合理流动;催生社会需求新业态,激励教师多元就业。

基于图神经网络的法律文本共指消解模型

共指消解是确定上下文中的代词或名词短语所指的具体对象或实体,是自然语言处理(Natural Language Processing,NLP)的基本任务之一,对理解文本语义具有重要意义。现有的方法主要集中在一般领域的代词、所有格和名词短语的解析上,针对法律领域的研究较少。为了更好地学习法律文本中的知识,并消除共同指代现象,提出一种基于图神经网络的法律文本共指消解模型(Graph Neural Network for Coreference Resolution,CR-GNN)。所提CR-GNN可以促进法律文本挖掘中的一系列后续任务。利用预训练语言模型和双向门控循环单元(Bidirectional Gate Recurrent Unit,BiGRU)对法律文本进行编码;使用基于元任务的动态图卷积网络(Meta Dynamic Graph Convolutional Network,MDGCN)整合实体之间的引用关系;使用前馈神经网络(Feed-Forward Neural Network,FFNN)和Biaffine模型为候选对进行加权评估。CR-GNN可以有效识别实体之间的引用关系,并对实体依赖关系进行建模。在法庭记录文件数据集上进行大量实验,结果表明所提CR-GNN模型达到89.76%的F1分数,均高于现有基准模型。

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.

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。

神经网络阻尼比模型及工业机器人导纳控制

在工业机器人打磨过程中,环境刚度随未知环境的变化,将对力控制精度产生不利的影响,针对环境刚度变化的问题,该文提出一种基于神经网络阻尼比模型的自适应导纳控制方法。在导纳控制设计中,根据力误差与系统阻尼比之间的机理关系,设计激励函数,构造神经网络阻尼比模型;通过该模型使阻尼比在线调整,适应末端环境的刚度变化,实现力到位置自适应转换的导纳控制。与常规导纳控制进行仿真比较,结果表明所提出的力控制策略力误差更小,响应速度更快,能适应变刚度的未知打磨环境。

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.

基于不同神经网络模型预测体测成绩

为更加准确地反应当前学生的身体素质情况,基于多个不同的神经网络模型构建体测成绩预测模型,为降低体测成绩中各项目数据之间的相关性,使用主成分分析法对数据集进行处理。使用BP神经网络结合脉冲神经网络构建一个预测模型,加强模型处理分析数据集的能力,提高预测的准确性。在长短期记忆神经网络中加入注意力机制构建另一个预测模型,使模型更加关注数据集中的关键信息。通过实验,预测模型输出的预测值与实际值的重合率高达90%以上,预测准确率整体在95%以上。