基于遗传算法的BP神经网络气液两相流持液率预测模型优化

基于遗传算法(Genetic Algorithm,GA)对BP(Back Propagation)神经网络模型的初始阈值及权值进行优化,弥补了单一BP网络模型预测气液两相流持液率时收敛速度慢随机性大等问题。为了对优化后的BP网络模型进行可行性验证,以倾斜管道为研究对象,对倾斜管道内气液两相流的持液率进行预测,并与前人获得的预测结果进行对比。结果显示:基于GA优化后的BP神经网络模型预测倾斜管道内气液两相流的持液率精度较高,且收敛速度较快。通过与倾斜管道气液两相流持液率的实际值对比得出,与传统的持液率预测公式相比,优化后的BP神经网络模型预测结果与实际值偏差较小,验证了本文优化模型的准确性及可行性。     

基于 CS 的神经网络在抽油机故障诊断中的应用

为提高抽油机故障诊断效率, 提出了在布谷鸟搜索算法(CS: Cuckoo Search)中加入自适应步长, 并 用函数进行测试, 结果验证了改进算法的有效性。 用改进的 CS 算法优化 BP(Back Propagation)神经网络 的权值和阈值, 并与传统 BP 算法进行比较, 证明了改进的 CS 算法克服了传统算法训练速度慢、 易陷局 部极值的缺点。 将优化的神经网络应用于抽油机故障诊断中的实验表明, 该算法具有较快的收敛速度和 较好的稳定性, 同时也提高了抽油机故障诊断的精确性。     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

改进BP神经网络在交通事故预测中的研究

交通事故严重程度受多种因素的影响,适合用人工神经网络来建模预测.因为标准BP(Back Propagation,BP)神经网络具有收敛较慢的缺陷,所以在自适应学习和附加动量因子改进BP神经网络~([1])基础上做了进一步的优化改进,使附加动量因子也具有自学习性.利用改进后的BP神经网络算法,选取英国利兹市的公开交通事故数据集,用影响交通事故严重程度的多种影响因素和事故严重程度构建并训练神经网络,并对最新数据进行预测.通过大量的实验对比收敛速度和预测结果,验证了改进后的算法具有更快的收敛速度和更高的预测准确率.     

基于广义同余神经网络的非线性系统辨识仿真

(本文把分段广义求导误差反传调整权值的原理引入广义同余神经网络,对广义同余神经网络进行改进,提出了一类新的广义同余神经网络--BPGCNN(Error Back Propagation for Generalized Congruence Neural Networks),并用于非线性动力学系统的辨识仿真.仿真结果表明,该神经网络克服了原有广义同余神经网络的不稳定性,其稳定性能可与传统BP神经网络(Back Propagation Neural Networks,BPNN)媲美,并且其辨识效果、收敛速度和泛化性能都优于传统的BPNN.     

基于SMOTE算法的船舶结构可靠性优化设计

针对常规船舶结构可靠性优化设计由高度非线性带来的计算效率低、收敛困难的问题,提出了基于SMOTE(Synthetic Minority Oversampling Technique)算法的船舶结构可靠性优化设计方法.利用SMOTE算法建立了改进的BP (Back Propagation)神经网络模型,以较少的样本点完成了极限状态函数的高度近似,克服了以往代理模型不能同时满足精度和效率要求的缺点,并通过数学算例验证了使用SMOTE算法建立BP神经网络模型的可行性和有效性.将改进的BP神经网络模型和模拟退火法嵌入单循环优化策略,并将其用于船舶舱段的可靠性优化设计,验证了所提出的可靠性优化设计方法的求解效率和精度,为大型工程结构的可靠性优化设计提供了思路.     

基于改进遗传算法的BP神经网络自适应优化设计

BP(Back Propagation)神经网络在网络训练中存在着局部最优问题,其算法收敛过慢、局部收敛不理想,影响其工作性能.针对以上不足以及传统神经网络设计规模庞大等问题,提出了一种由EGA(改进的遗传算法)确定网络拓扑结构和训练网络的方法,该方法通过实数编码、自适应多点变异等操作有效地优化了网络拓扑结构和网络参数,从而有效缩小了网络规模和提高了BP网络训练的速度以及收敛的有效性.最后结合了番茄常见病害诊断的实例说明了此方法的可行性.     

神经网络在输电线覆冰增长因素中的应用

在分析影响输电线覆冰增长因素的基础上,利用数据挖掘中的BP (Back Propagation)神经网络方法,建立导线覆冰增长的BP神经网络模型.利用此模型研究不同因素对输电线覆冰增长的影响,将采集的数据样本训练BP神经网络,利用收敛的网络进行输电导线覆冰增长的预测,研究结果对输电线路的覆冰预防具有较好的参考价值.     

基于实数编码的遗传神经网络水淹层综合判别

为解决油层水淹后,使用一般测井解释方法很难识别水淹层的问题,提出了一种基于实数编码的遗传BP(Back Propagation)神经网络进行水淹等级综合判别的方法.在此基础上建立的神经网络经反复训练验证,性能稳定、学习收敛速度快,同时有很强的记忆能力、推广能力和适应性.对大庆长垣7口井的资料处理表明,准确率达到87%以上,取得了很好的效果.     

采油控制系统神经网络建模和优化算法设计

油田抽油机普遍存在抽取能力大于油井实际负荷的问题,产生泵空或空捞现象,其结果增加了无效行程,浪费了大量电能,同时也增加了抽油设备的维护费用。针对这一问题,提出结合BP(Back Propagation)神经网络和遗传算法的采油控制系统。为了克服常规BP神经网络容易陷入局部极小和收敛速度慢的缺点,采用改进的非线性同伦BP神经网络进行采油模型辨识,并用遗传算法优化停机时间。在保证采油量的前提下,采油控制系统的节电率达25%以上,并可延长抽油机寿命30%左右,实现了抽油机采油的智能控制,经济效益十分显著。     

LMBP和RBF在ECS特性曲线拟合中对比研究

为精确反映数字式涡流传感器的输入输出特性, 为其非线性补偿提供可靠依据, 对传统BP（Back Propagation）神经网络进行改进, 利用LMBP（Levenberg Marquart Back Propagation）神经网络和RBF(Radial Basis Function)神经网络对涡流传感器的输入输出特性曲线进行拟合, 并将两者拟合结果进行对比研究。仿真结果表明, 在训练样本数量相等且中小规模网络的条件下, 采用RBF神经网络比采用LMBP神经网络进行曲线拟合的误差更小、 收敛速度更快且具有更高的拟合精度, 为工程实际中一维数据的拟合方法选择提供了依据。     

基于实数编码的遗传神经网络水淹层综合判别

为解决油层水淹后 ,使用一般测井解释方法很难识别水淹层的问题 ,提出了一种基于实数编码的遗传 BP ( Back Propagation)神经网络进行水淹等级综合判别的方法。在此基础上建立的神经网络经反复训练验证 ,性能稳定、学习收敛速度快 ,同时有很强的记忆能力、推广能力和适应性。对大庆长垣 7口井的资料处理表明 ,准确率达到 87%以上 ,取得了很好的效果。     

改进型粒子群优化算法的BP神经网络全息图压缩

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。     

基于BP神经网络的中子法检测煤的发热值

介绍了中子快速检测煤的发热值的方法.基于BP神经网络(Back Propagation Neural Network)建立了煤的发热值的检测模型,并结合电厂锅炉燃烧用煤的实验测定数据进行模型验证研究.结果表明,该方法对煤的发热值的检测精度达到了0.3 kJ/ g.     

煤与瓦斯突出强度预测的IGABP方法

针对传统松散式(Genetic Algorithm Based Back Propagation Neural Network,GABP)模型应用于复杂煤与瓦斯突出预测时,存在GA自身性能及模型间相对孤立等不足,提出二者优势互补的IGABP一体化模型。IGABP首先在自适应交叉、变异率等方面进行改进,以提高GA自身的性能。其次,将BP导向性训练以算子的形式引入到标准GA进化过程,实现了GA寻优搜索的随机性向自主导向性转变。BP对GA搜索到的近似最优值进行微调,GA算法的收敛速度得到提升,确定精确解的位置能力加强,同时,又避免了单一BP网络本论文易陷入局部极小值的缺点,实现了两者一体化结合。仿真实验表明,构造出的进化神经网络更能反映煤与瓦斯突出强度样本的复杂非线性关系,有效克服了传统模型的不足,其运行效率、预测精度、可靠性等方面均优于传统模型,为瓦斯智能预测提供了新的解决方案。     

基于反向传播神经网络的入侵检测算法

讨论了多层神经网络算法缺陷,提出了一种基于改进反向传播(Back Propagation,BP)的快速入侵检测算法--IBP算法:在BP算法中的梯度下降算式中,加入一个动量项α[ω(t)-ω(t-1)],改善计算神经元 j到神经元i的级联权值;采用学习速率可变的策略;算法训练网络时采用批处理的样本输入方式.改进后的算法选取较大的学习速率η=0.5和η=0.65,并采用3层神经网络的结构,输入、输出样本是16维和15维,各进行100次独立仿真实验,结果证明可加快算法收敛速度,另外,仿真实验还证明:改进后的算法对初始权值的敏感性、网络所表现出的稳定性等都比传统算法性能优越.     

基于神经网络的蒙特卡罗可靠性分析方法

在结构可靠性分析中,蒙特卡罗(MC)是最准确的方法,但是对大量样本点的精确计算限制了它在工程实际中的应用.为了减少分析次数,以BP(Back Propagation)神经网络技术为基础,提出了一种改进的MC方法(BP-MC).该方法通过进行实验设计(DOE)构建BP模型,以权重因子和到失效面的距离作为筛选准则,从MC样本点中筛选出失效面附近的点添加至训练集,重新训练BP模型直至满足收敛准则.随后以该BP模型识别样本点是否处于失效域,从而计算结构的失效概率.最后,以数学模型和加筋板极限强度可靠性计算为例,验证了BP-MC算法的准确与高效.     

基于改进灰狼算法-BP神经网络的智能巡检机器人电磁兼容故障诊断

智能巡检机器人巡检电力线路时可能受到电磁干扰而影响工作甚至发生故障,为有效地完成智能巡检机器人电磁兼容故障的诊断,提出一种基于改进灰狼算法(improved grey wolf optimizer, IGWO)优化BP神经网络(IGWO-BP)的故障诊断模型。由于智能巡检机器人电磁兼容故障征兆与故障原因之间具有复杂的非线性关系,采用一般BP神经网络诊断模型存在着收敛速度较慢,易陷入局部最优,诊断准确率偏低的缺陷。针对以上问题,利用IGWO-BP的权值与阈值,将优化后的BP神经网络应用于智能巡检机器人电磁兼容故障诊断。仿真结果表明,相比于GWO-BP神经网络和一般BP神经网络,IGWO-BP神经网络诊断模型收敛速度加快,网络泛化能力增强,故障诊断准确率提高。     

基于小波包能量熵和随机森林的级联H桥多电平逆变器故障诊断

为了提升级联H桥多电平逆变器故障诊断的准确性和高效性,提出一种基于小波包能量熵和随机森林的故障诊断方法 .首先对级联H桥多电平逆变器的输出电压进行小波包分解,提取小波包能量熵构建故障特征;然后采用主成分分析法对故障特征进行维数约简,以降低诊断模型的训练时间;最后采用经参数调优后的随机森林模型对逆变器故障进行分类诊断.基于Matlab平台,将该诊断策略与传统的基于快速傅里叶变换的SVM(Support Vector Machine)方法以及基于小波变换的BP(Back Propagation)神经网络方法进行对比.仿真结果表明,针对级联H桥多电平逆变器中功率开关晶体管开路故障,基于小波包能量熵和随机森林诊断策略的故障识别率更高,可有效提升故障诊断率至97%左右.     

GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机(SVM)参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性,提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明:应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。