应用GA-BP神经网络对加速工况车内声品质研究

遴选出15辆乘用车三挡全油门加速工况车内噪声,选择专业评审者进行主观评价试验,选择具有噪声时变特征的4个客观评价参量,基于GA-BP神经网络建立精准的预测模型,同时将用该模型与多元线性回归模型得出的结果进行对比。研究表明,GA-BP神经网络模型更适合描述车内噪声品质评价的复杂性和非线性,可以获得更好的预测结果,可较大程度地提高预测精度。     

车内声品质主客观评价模型对比分析

为了研究轿车理想的车内声品质主客观评价模型,采集某轿车在时速为60 km·h~(-1)时,车内播放不同音乐时的驾驶员双耳噪声样本.对声样本进行剪辑、等响及分频段等预处理,基于成对比较法进行车内声品质主观评价试验、客观参量计算并建立了多元线性回归、BP神经网络和径向基函数(RBF)3种评价模型.评价模型的预测效果表明:多元线性回归评价模型各个频段的误差较大,稳定性较差,车内声品质的评价为非线性过程;BP神经网络预测模型整体频段的误差最小,频率为160~1 280 Hz时的误差较大,相比多元线性回归模型误差进一步缩小,但距理想的预测效果还有一定的距离;基于径向基函数评价模型误差基本能控制在20%以内,且稳定性较高,能够较好地预测此试验工况下的声品质.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

基于遗传算法神经网络的地源热泵夏季低负荷运行性能预测分析

为了探索夏热冬冷地区岩溶地质条件下地热能应用能效,通过运用遗传算法优化的反向传播（GA-BP）神经网络模型预测了夏季系统负荷率低于30%运行工况下地源热泵系统的系统能效比和机组能效比,分析了预测值的预测误差评价指标,验证了GA-BP模型具有较高的预测精度,并应用此模型研究了地源热泵短期能效测试与中长期能效测评的关系。结果表明,GA-BP模型预测的COPsys及COP与计算值的相对误差为±5%,各项预测误差评价指标均比反向传播神经网络（BPNN）模型更小,可见GA-BP模型可用于预测岩溶地质条件下地源热泵系统能效。基于此模型,短期能效测试的最佳时期为一天中14时~16时或7、8月累计13天,且满足机组负荷率达到60%~70%,COPsys及COP预测值可以作为中长期能效比评估,其产生的相对误差在允许的范围内。     

基于车内噪声水平的路面预养护指标阈值确定方法研究

为了消除车内噪声对人心理和生理的危害,提出了一种基于车内噪声水平的沥青路面预防性养护指标阈值的确定方法。通过多层前向反馈神经网络构建了车内噪声和国际平整度指数的关系模型;依据噪声分级和危害标准,确定了国际平整度指数指标预防性养护的噪声阈值标准;对比分析了国际平整度指数指标预防性养护的规范阈值标准和噪声阈值标准的养护需求。结果表明,前向反馈神经网络能够较好地根据车内噪声水平预测沥青路面国际平整度指数。噪声阈值标准相对于规范阈值标准,对沥青路面国际平整度指数提出了更高的要求。     

长江中下游汛期降水GA-BP预测模型

为分析遗传算子选择方案对遗传算法优化神经网络(GA-BP)方法的影响,建立了长江中下游汛期降水短期气候预测GA-BP模型。以最大适应度函数值为指标,比较遗传算法在不同选择、交叉、变异和整体策略方案组合中的差别,在周期特征分析的基础上讨论了不同因子组合对GA-BP模型预测效果的影响。结果表明,用竞争选择法、自适应交叉、变异和精英策略法组合构成的遗传算子方案获得的最大适应度函数值为1.35,高于其他遗传算子选择方案获得的最大适应度。利用GA-BP模型对2003-2012年汛期的降水量进行预测试验,结果表明,同时考虑环流、海温等物理影响和预测量自身周期特征的因子选择方案,模型预测值与观测值的均方根误差为129.65mm、相关系数为0.772,优于其他因子筛选方案。     

基于GA-BP神经网络的金精矿品位的预测

在对金矿生产过程进行大量实际调研工作的基础上,分别采用BP神经网络和遗传算法优化BP神经网络的方法,建立了金精矿品位的预测模型,以现场采集的978组数据作为样本,运用噪声平滑技术进行数据预处理,筛选了770组数据,运用其中的650组数据建模,并运用其余的120组数据对模型进行了验证.通过对两个模型的预测误差分析,得出用遗传算法优化的BP神经网络(GA-BP)预测精度更高,当预测相对误差在±2%范围内时,模型的预测精度达到97.5%.     

基于MIGA-BP神经网络的短期电力负荷预测

准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.针对已有遗传算法优化的BP神经网络(GA-BP)存在局部搜索能力差的缺点,提出多岛遗传算法优化的BP神经网络(MIGA-BP),通过使种群在不同"岛屿"进化和迁移提高物种多样性,克服GA-BP算法中的缺点.将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型,在MATLAB环境下进行仿真研究.结果表明,控制变量条件相同时,MIGA-BP模型预测误差比GA-BP模型的更小,对短期电力负荷预测更有优势.     

基于GA-BP神经网络算法的马铃薯晚疫病预测模型

应用基于遗传算法的BP神经网络构建马铃薯晚疫病预测模型,对原始样本进行归一化处理,应用遗传算法优化BP神经网络的结构、初始权值、阀值,通过BP神经网络训练构建马铃薯晚疫病预测模型,利用遗传算法来改善BP神经网络算法本身的缺陷,提高学习精度,预测准确度.仿真结果表明,GA-BP神经网络模型预测准确度较高,误差率较低,稳定性较好.实践证明,将GA-BP神经网络算法应用于马铃薯晚疫病预测模型中是可行的,能够实现晚疫病流行程度的快速预测.     

轿车车内噪声品质偏好性评价方法的研究

针对汽车噪声品质主观评价所需周期长、可重复性差且仅能比较出具有较明显差别的噪声样本等问题,在研究声品质客观量化的基础上,提出了一种以心理声学客观参数来描述噪声主观评价结果的计算方法.以6辆同类轿车匀速行驶时的车内噪声样本为评价对象,采用成对比较法进行声品质主观评价,计算各噪声样本的主要心理声学客观参数,通过多元线性回归分析,建立了声品质偏好性主观评价客观量化的数学模型.模型结果表明,相对于噪声分析中常用的A计权声压级和线性声压级,心理声学客观参数更适合于描述车内的噪声品质,其中响度和尖锐度是匀速行驶工况下车内声品质的主要影响因素.     

基于熵权-离差的GA-BP神经网络编程能力评估方法

针对在线评测系统中缺少对学习者编程能力的客观反馈和评估指标权重难以确定的问题,建立遗传算法(genetic al-gorithm,GA)优化反向传播(back propagation,BP)(GA-BP)神经网络的编程能力评估模型.通过对在线评测系统的数据进行挖掘,提取编程能力评估指标,采用双参数平衡熵权法和离差最大化法的客观组合赋权方法确定指标权重以及编程能力评估值,将评估值作为GA-BP神经网络的期望输出,并与单一BP神经网络确定的编程能力评估结果进行比较.研究结果表明,利用该模型能够实现对学习者编程能力的评估且评估结果更准确.     

基于小波分解的色噪声预测

研究色噪声的预测．将小波分析理论与神经网络建模预测基本原理相结合，提出了基于小波分解的神经网络预测方法．通过对年平均太阳黑子数典型统计模型的预测，验证了该方法的预测效果．将该预测方法用于色噪声的预测研究，通过改变对色噪声的采样速率，分析了色噪声预测的可能性和效果．研究结果表明，色噪声是可以预测的；对其预测的误差随采样率的提高而减小；基于小波分解的神经网络预测方法的预测精度优于线性神经网络预测方法．     

铝合金地铁车内低频结构噪声特性预测

针对轨道不平顺引起地铁车辆车体壁板振动产生的车内低频结构噪声问题,建立了铝合金地铁车辆车体结构有限元模型、车内声场边界元模型和车辆轨道耦合模型,进行了动力学分析,得到轨道随机不平顺激励下,车体所受激励载荷并施加于车体结构的有限元模型,在ANSYS软件中进行了车体结构谐响应分析,得到车体振动响应.将得到的车体振动响应作为边界条件传递给车内声场边界元模型,在SYSNOISE软件中计算了频率0～200 Hz范围内车内不同位置的低频结构噪声分布特性.结果表明:车内最大声压级超过75 dB;车体结构特点以及激励载荷情况直接影响车内结构噪声特性;减少轮轨激励载荷或优化车体结构,均可降低车内结构噪声.     

城市变电站噪声的声品质烦躁度评价研究

针对城市变电站的低频噪声对周边居民影响日趋严重,将声品质评价的概念与研究方法引入对城市变电站噪声的评估中。通过对110 k V、220 k V和500 k V三座全户内型城市变电站的噪声现场采集,采用等级评分法对变电站噪声的烦躁度品质进行主观试验,计算了所试验的声样本的心理声学参量。通过相关性分析和回归分析,建立了城市变电站噪声的烦躁度品质预测模型。研究结果表明:城市变电站噪声的烦躁度与A声级、响度、粗糙度和抖动度都有着相对较高的相关性,而与尖锐度的相关性较低。烦躁度主观预测模型主要取决于A声级与粗糙度,并且A声级的权重明显高于粗糙度。通过对城市变电站噪声的烦躁度品质进行评价,为变电站噪声的治理提供一个具体的、全新的思路与途径。     

基于改进粒子群算法优化BP神经网络的废水处理软测量模型

针对废水处理过程BP神经网络软测量模型受处理过程非线性特征影响,存在收敛速度慢、陷入局部极小点等问题,用改进的粒子群算法(PSO)优化BP神经网络,建立废水处理过程中出水化学需氧量(COD_eff)与出水固体悬浮物(SS_eff)的软测量模型(PSO-BP模型),并与基于遗传算法-BP神经网络算法的模型(GA-BP模型)及BP模型的预测效果进行对比. 研究结果表明:采用PSO-BP模型预测COD_eff时,均方根误差(RMSE)、决定系数(R2)分别为3.995 5、0.640 1,而用于预测SS_eff时,RMSE、R2分别为0.650 3、0.681 1;相比BP模型和GA-BP模型,PSO-BP模型对COD_eff的预测性能分别提高了4.49%、0.44%,对SS_eff的预测性能分别提高了40.11%、24.77%.     

基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量。结合遗传算法（GA）和误差反馈型神经网络（BP）,建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量。对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%。随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景。     

基于模糊数学理论的车内噪声声品质评价

将模糊综合评判理论与噪声声品质评价相结合,利用车内噪声声品质客观参量的计算结果和主观评价的试验数据,运用模糊数学知识分析了车内噪声各客观参量对其声品质的影响,并计算出了不同客观参量的影响权重。