基于GABP神经网络的液压互联悬架建模研究

液压互联悬架(hydraulically interconnected suspension, HIS)是一种非线性系统,运用机理分析法建模存在建模精度和速度不可兼得的缺点。为解决上述矛盾,提出了一种基于遗传算法(genetic algorithm, GA)优化的反向传播(back propagation, BP)神经网络对HIS系统进行建模的方法。首先,通过Simulink建立的液压互联悬架模型仿真获取网络的训练数据。其次,使用遗传算法优化BP神经网络的初始权值和阈值;然后,两种建模方法对比验证GABP建模方法优点;最后,通过液压互联悬架台架实验获取实验数据,与神经网络训练结果进行比较分析。结果表明：在垂向模态下,低、中、高3种频率下相对误差百分数分别为4.12%、2.27%、1.51%;在侧倾模态下,低、中、高3种频率下相对误差百分数分别为7.64%、4.07%、4.35%。与机理建模法相比,GABP建模方法兼具较好的建模精度和速度。     

基于遗传算法优化BP神经网络的地层破裂压力预测方法

针对地层破裂压力现有预测方法适用性差、误差较大等问题,提出了遗传算法优化BP神经网络(GABP)预测地层破裂压力的方法。分析了地层破裂压力的影响因素;以地层深度、地层孔隙压力当量密度和岩石密度为输入变量,以地层破裂压力当量密度为输出变量,建立了GABP预测地层破裂压力模型,并利用塔里木盆地YB1井的数据进行神经网络学习和结果验证。GABP模型的预测结果误差约3.5%,精度远高于Eaton法。该方法不受地质构造条件影响,且具有精度高、计算速度快等特点。     

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GABP技术的PCA弥苴河水质预测

针对传统的水质预测方法中由于因子的多重相关性而造成的预测精度偏低的问题,提出了一种将主成分分析法(PCA)和遗传算法优化的BP神经网络(GABP)相耦合的水质预测方法.利用主成分分析法提取对水质因子影响较强的综合成分,克服了传统水质预测方法中信息冗余的问题.在对大理弥苴河水质进行大量实际监测的基础上,分别采用PCA-GABP神经网络,GABP神经网络以及传统的BP神经网络3种模型的方法,建立了弥苴河水质高锰酸盐指数的的预测模型.通过数据预处理,筛选了600组数据进行训练学习和测试.通过对3个模型的预测误差分析对比,可以得出PCA-GABP神经网络预测模型精度更高.     

基于GA-IBP神经网络的故障诊断方法

针对BP(Back Propagation)神经网络在进行故障诊断时准确度低、收敛速度慢等问题,设计了一种基于误差指针改进的BP(Improved Back Propagation,IBP)神经网络,并通过遗传算法(Genetic Algorithm,GA)对这种改进后的神经网络进行优化,从而建立了基于GA-IBP神经网络的故障诊断模型.使用典型三相逆变电路中IGBT开路故障数据作为样本,对所设计的模型进行了仿真分析.结果表明:改进后的网络模型收敛速度优于典型BP神经网络和基于GA算法优化的典型BP神经网络,故障诊断精度分别提高15%和4.5%.     

基于PSO-BP神经网络的纱线质量预测

针对复杂纺纱过程中成纱断裂强度难以预测的问题,提出一种基于粒子群优化算法(PSO)优化BP神经网络的成纱断裂强度预测方法.该方法采用PSO优化神经网络的权值和阈值,用来提高神经网络的收敛速度和获得全局最优解的能力.以纺纱车间大量现场质量检测数据为对象,进行预测验证,结果表明,PSO-BP神经网络在预测相关性(预测值与实际值的一致性程度)上与传统BP算法相比提高5.0%,与GA-BP算法相比提高4.6%,在预测精度上均要好于BP神经网络与GABP神经网络.     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

经营性高速公路停止收费后运营成本预测模型

针对单纯的神经网络会陷入局部最小点的缺点,以及单纯的GA方法不具备自适应学习能力,且在处理局部区域上存在一定问题的缺点,通过将遗传算法与神经网络相结合,提出了遗传算法优化神经网络权重的混合算法,并将此模型用于对经营性高速公路收费期满、停止收费后的运营成本进行预测。研究结果表明:相比单纯的BP算法,该算法能同时对解空间内的多个点进行遗传优选,避免陷入局部最小点,具有更快的收敛速度和更高的预测精度;该算法预测平均误差为0.06%,比单纯的BP算法提高了1.5%;利用该算法进行经营性高速公路停止收费后运营成本预测,可为高速公路运营管理者进行科学决策提供参考。     

贝叶斯正则化神经网络在深基坑变形预测的应用

针对传统BP神经网络在深基坑施工开挖变形的预测,基坑的安全性判定仅利用监测的最终数值而无法全面服务于深基坑工程,提出了一种遗传算法(Genetic Algorithm, GA)和贝叶斯正则化算法(Bayesian Regularization, BR)组合优化传统BP神经网络的预测模型,在优化预测模型中加入了影响深基坑安全稳定的客观因素及人为主观因素,进一步提高了BP神经网络全局优化能力以及泛化能力.研究结果表明：该组合优化方法对深基坑地表沉降和水平位移变形预测的平均相对误差分别为0.32%和0.59%,表现出较高的预测精度.该组合优化模型首次在深基坑变形领域验证了应用的可行性,为深基坑变形预测提供了新的思路和方法.     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

基于遗传神经网络的数字化渐进成形回弹预测

针对传统BP神经网络具有易陷入局部极小等缺陷,采用遗传算法(GA)对BP神经网络(初始权值、阈值)进行了优化,将人工智能技术和激光扫描测量技术有机结合,建立了金属板材数字化渐进成形回弹预测的遗传神经网络模型,对计算结果与BP神经网络预测结果进行比较,表明遗传神经网络预测值与实测值之间具有很高的相关性和精确度,该模型可用于预测渐进成形工艺参数与回弹量之间的映射关系,为金属板材数字化渐进成形回弹量的预测开辟了一条新的途径.     

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.     

基于自适应遗传算法优化的BP神经网络股票价格预测

股票价格是一种具有较强随机性的数据,不仅受到买卖双方的影响,而且与国内外政策因素有关.为了提高精度,采用BP神经网络与遗传算法结合的方法进行研究.针对BP神经网络初始权值随机、遗传算法易陷入局部优化等问题,给出了一种基于自适应遗传算法优化的BP神经网络股票价格预测模型,该模型通过自适应遗传算法对BP神经网络初始权值进行优化,从而对股票价格进行预测分析.实验仿真结果表明该模型可以获得较高的预测精度和较快的收敛速度.     

基于永磁操动机构的同步合闸时间预测方法研究

为了提高相控开关动作时间预测精度,抑制电容器投切产生的过电压和涌流,文章建立了以控制电压和环境温度为输入的前馈网络预测模型;为了提高模型预测精度,提出基于遗传算法(genetic algorithm,GA)和粒子群算法优化神经网络的补偿方法,并对算法优化前、后网络预测性能进行比较。研究结果表明,经过遗传算法和粒子群优化后的前向神经网络模型比没有优化的有更好的预测精度。     

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%.     

基于遗传算法的BP网络在机车滚动轴承故障诊断中的应用

提出一种遗传算法（GA）和BP算法结合的神经网络模型优化方案。首先采用自适应交叉概率和变异概率的遗传算法优化BP网络的权值,在进化结束时,能够寻到全局最优点附近的点;在遗传算法搜索结果的基础上,利用局部寻优能力较强的BP算法,从此点出发,进行局部搜索,进而达到网络的训练目标。在铁路机车滚动轴承诊断方面,利用MATLAB仿真实验结果表明,遗传算法与BP算法结合的模型诊断精度为100%,标准BP算法的模型诊断进度为80%,并且提高了网络的收敛速度。说明GA—BP算法模型诊断精度较高,诊断能力得到了改进,遗传算法与BP算法的结合算法可行有效。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

遗传算法降维优化的BP模型及葡萄酒质量预测

针对BP神经网络模型输入自变量维数过高导致模型训练时间长、泛化能力低、效率不高的缺陷,提出一种基于遗传算法筛选降维的方法,并利用遗传算法优化降维过程中建立的BP网络的权值与阈值以提高筛选效率,最后建立用遗传算法优化的GA-BP网络预测模型,用于葡萄酒的质量预测。利用遗传算法从37个理化指标中筛选出18个作为自变量输入GA-BP预测模型并与未经优化的BP模型对比,经遗传算法降维优化的GABP模型建模时间由7.5625秒缩短为0.8623秒,预测平均相对误差由10.83%减少为2.85%。仿真实验表明降维优化的GA-BP网络模型效率更高、泛化能力更好。