基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于神经网络的目标轨迹预报算法设计

提高轨迹预报精度是反高速机动目标面临的难点之一。本文基于目标运动特性分析,构建跟踪运动模型,采用交互多模型滤波算法完成多模型交互,局部滤波器采用自适应高阶容积卡尔曼滤波算法,通过与强跟踪滤波算法相结合,提高传统的估计精度,进而提高算法的鲁棒性;采用广义回归神经网络设计轨迹预报算法,并在预报过程中引入预报修正量对误差进行修正,通过样本学习提高长时间预报精准度,仿真结果表明,设计的跟踪预报算法在预报精度上较常规算法有较大幅度提升。

强跟踪平方根UKFNN的铝电解槽工耗动态演化模型

铝电解过程具有多变量、强耦合、强干扰、参数时变等特征,故其模型开发是一个技术难点.根据该过程的特点,本文提出强跟踪平方根无迹Kalman神经网络(Strong tracking square root unscented Kalman filter neural network,STR UKFNN),并用其建立铝电解槽工艺能耗的动态演化模型.该方法利用误差协方差矩阵的平方根代替UKFNN算法中的协方差阵,避免误差协方差矩阵可能出现负定而导致滤波发散,并在UKFNN算法中引入渐消因子和弱化因子,实时调整滤波增益,提高模型收敛速度和其对突变状态的跟踪能力.通过某铝厂170kA预焙槽的日报样本验证表明,该方法提高了能耗模型的精度和对电解槽突变状态的实时跟踪能力,有助于指导铝电解过程操作参数的优化.

基于BP神经网络的白酒评判模型的MATLAB实现

根据粗集理论和神经网络的结合,对浓香型白酒的成分做了定量的研究。由于BP神经网络在解决实际问题时,其模型结构的确定、每层神经元个数的选择无现成的规律可遵循,必须由实验数据来确定。为此通过对浓香型白酒的实验数据分析,确定所需要的元素,然后对其建模。经过多次的实验仿真,训练了1个BP网络,并对该网络进行误差分析,并使结果一目了然。

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2的72.14%精度和Transformer网络PVT的52.72%精度均有较大提升,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。

南北地震带地震活动强度变化特征及其神经网络模型

南北地震带是中国大陆的一条主要活动地震带 ,2 0世纪以来有很多大地震集中发生在这条地震带上。为了进一步探讨南北地震带地震活动强度变化的规律并对其进行中期预测 ,在研究了南北地震带逐年最大地震强度演化特征及其机理的基础上 ,建立了南北地震带地震强度序列变化的一种模式 ,建模中采用了人工神经网络技术 ,并提出了一种简易实用的能够获得较隹预测效果的确定神经网络输入窗口大小的方法。结果表明 :南北地震带的地震活动具有强弱分期轮回的特征 ;用人工神经网络建模的预测结果与实际资料的对比检验中误差较小 。

基于预测模型的BP_Adaboost算法改进

针对BP_Adaboost算法预测精度不高的问题,对算法作了改进:先用遗传算法对每个BP神经网络弱预测模型进行优化;然后把优化后的BP神经网络模型看作为新的弱预测器;再通过BP_Adaboost算法,用多个被遗传算法优化后的BP神经网络弱预测器组成强预测器模型;最后加权整合优化后用2 000组随机数据验证改进后算法的预测精度,用Matlab程序仿真实现改进后的BP_Adaboost算法,并与改进前的BP_Adaboost算法作比较。程序运行结果表明,改进后的BP_Adaboost算法预测精度有了明显提高。

强夯神经网络预测模型

针对强夯加固地基中的有效加固深度,传统方法建立的相关模型存在着一些局限性及缺点,而人工神经网络技术(ANN)是一种解决模型精确度和使用方便这两个方面矛盾的新途径,具有较高的实用性。

高速动车组强耦合模型的分布式滑模控制策略

高速动车组是由多节车辆与钩缓装置链接而成的复杂系统.将钩缓装置等效成弹簧?阻尼器系统,分析动车组运行过程中钩缓装置对相邻车辆作用的动力学机理,明确作用方式,建立高速动车组的强耦合模型.根据列车模型动力或制动力输入的分散特征,设计分布式神经网络滑模控制策略,对高速动车组进行速度跟踪控制.为减小速度跟踪过程中未知因素对高速动车组控制精度的影响,利用列车历史运行数据,采用历史工况数据中心对当前控制律输出进行补偿以提高控制精度与实用稳定性.采用高速动车组运行仿真平台的仿真实验结果表明,该建模方法较以往多质点模型更能体现高速动车组运行特性,且采用补偿规则的控制策略优于传统控制效果.

东沙隆起地区碳酸盐岩相控速度建模技术及应用

珠江口盆地东沙隆起地区碳酸盐岩发育广泛,具有广阔的勘探前景,但碳酸盐岩地层内部结构复杂,非均质性非常强,速度横向变化非常大,地震速度和常规反演无法准确刻画碳酸盐岩层的速度变化,导致碳酸盐岩底部深度预测误差巨大,严重制约了碳酸盐岩储层预测及下覆构造的落实。为了建立准确的碳酸盐岩速度模型,提出了相控速度建模的方法,综合利用地震、测井、属性、沉积相等信息,通过属性优选和多属性融合神经网络聚类分析得到5种相分类和相控速度,利用相控速度作为低频模型约束反演,最终得到了高精度的相控反演速度,利用该速度进行时深转换后盲井A3井碳酸盐岩底部的深度预测误差由68 m降低到3 m,有力验证了相控速度建模方法的准确性和有效性。