基于BP神经网络拟合特性曲线的取水泵站优化调度模型

针对取水泵站依靠经验搭配取水泵机组,导致取水泵站功耗较高的问题,提出基于反向传播(BP)神经网络拟合特性曲线的取水泵站优化调度模型。首先,基于BP神经网络分别构建流量-扬程、功率-流量的特性曲线拟合模型;然后,以取水泵机组总功耗最低为目标函数,分析取水泵运行的约束条件,构建优化调度模型;最后,利用改进遗传算法求解取水泵站优化调度模型,通过调整交叉概率和变异概率,避免算法陷入局部最优解。实验结果表明,该优化调度模型比传统人工操作节能,且改进遗传算法具有更好的收敛性,缩短了模型求解时间。

BP 算法在磁化曲线拟合中的应用

在优化学习率ＢＰ算法的基础上，根据磁化曲线的特点，进行了一些改进与简化．提出了一种简化的快速算法，并编制了训练程序．结果表明，该算法可较大幅度地提高拟合精度，而且节省较多的计算时间．

基于遗传优化的BP神经网络法在甲烷检测中的应用

针对传统的最小二乘法拟合红外传感器的输出特性曲线时存在误差大、计算复杂,传统的BP神经网络法拟合红外传感器的输出特性曲线时存在网络收敛速度慢、易陷入局部极小的问题,通过分析改进的最小二乘法和改进的基于遗传优化的BP神经网络法的拟合效果,指出改进的BP神经网络法拟合度较高,并给出了改进的BP神经网络法在甲烷体积分数检测中的实验结果。结果表明,该方法能够拟合出理想的曲线,有效提高了红外传感器的检测精度及响应速度。

基于MEA-BP神经网络的压气机特性曲线预测

针对燃气轮机建模过程中压气机特性曲线的预测在非设计工况条件下精度较低和泛化能力较差的问题,提出了一种基于思维进化算法(MEA)的BP神经网络预测模型。该模型融合了MEA全局寻优的能力,在神经网络的权值和阈值范围内,通过MEA的"趋同"和"异化"操作,得到全局最优解并将其应用于BP神经网络的初始值,进而通过迭代得到最优输出预测曲线。预测结果表明:与独立的BP神经网络相比,MEA-BP神经网络的预测结果具有更好的精度和泛化能力,相对误差也降低了很多。可见,该方法适用于压气机特性曲线的预测,有助于压气机的实际运行分析,为燃气轮机的整体建模打下了较好的基础。