SVM与BP神经网络在石煤提钒行业清洁生产评价中的对比研究

为比较 BP 神经网络(ANN) 和支持向量机方法(SVM) 两种机器学习方法对清洁生产的评价能力， 以理论原理为基础，比较了两种机器学习算法在应用原理方面的差异．并以石煤提钒生产工艺中水浸工艺为对象， 对 BP 神经网络和支持向量机在清洁生产水平评价上进行了对比研究．结果表明: 支持向量机方法分类精度为 100%; BP神经网络为 90%但易陷入局部最优，因此支持向量机方法在解决小样本评价问题时具有较高的实用价值.     

基于BP神经网络的压铸浇注工艺参数设计

根据ＢＰ神经网络预测了压铸压力状况,由此进行了浇注工艺参数的整体性设计。     

基于声表面波谐振器的三维纳米团簇敏感薄膜关键技术研究

设计了一种新型基于声表面波技术的气体传感器,理论分析了三维纳米线结构的比表面积大、灵敏度高等优点,采用具备高Q值和低插损的谐振型声表面波器件结构,制备了三维敏感膜结构的声表面波气体传感器.在此基础上,为提高吸附效应,对三维纳米线簇进行了修饰改进.通过将沙林气和芥子气注入放置了声表面波的气体传感器密闭腔体内,经过神经网络识别系统进行定性识别.实验结果表明,基于修饰改进后的纳米线簇敏感膜制备的声表面波气体传感器对给定毒气混合气体的整理识别率大于90%,能够满足通用的毒气定性检测要求.并且三维纳米声表面波气敏传感器的灵敏度和响应速度优于传统的传感装置,在识别系统加大样本数据量时,能够进一步提高识别精度.     

用人工神经网络-近红外光谱法测定毛竹中木质素与综纤维素的含量

近红外光谱结合反向传播的人工神经网络(back propagation artificial neural network,BP-ANN)技术预测了毛竹中木质素与综纤维素的含量.用常规湿化学方法测定了54株毛竹样品的木质素含量以及53株毛竹样品的综纤维素含量.用近红外光谱仪采集相应的光谱,为了提高信噪比和计算速度,对原始近红外光谱进行平滑、压缩、归一化预处理.利用预处理后的近红外光谱数据建立BP-ANN模型.在模型建立过程中采用Leave-n-out交叉验证法优化了隐含层神经元的个数,学习率,动量因子和学习次数.优化的BP-ANN模型用于预测测试集中9个毛竹样品中木质素与综纤维素的含量,预测均方根误差分别为0.88%、1.40%.结果表明,应用毛竹的近红外光谱数据和BP-ANN技术,可以用于预测木质素和综纤维素的含量,基本能满足定量分析的要求.     

红麻生物酶脱胶BP神经网络预测模型的构建

针对红麻韧皮纤维生物酶脱胶过程具有的时变、非线性和不确定等特性,提出采用BP神经网络对脱胶过程进行预测建模的方法。根据脱胶实验中采用的多种不同的工艺参数和对应的脱胶效果,通过网络训练误差的横向和纵向的对比分析,选择采用traincgf函数主导的具有5-12-3结构的BP神经网络,成功地构建起脱胶过程的预测模型。