利用近红外光谱技术的葵花籽品质分析

葵花籽作为中国需求量很大的油料作物,常用的化学检测方法虽然准确性高,但是时间久,破坏样本完整性,难以实现快速检测。为了研究近红外光谱法快速无损检测葵花籽中蛋白、脂肪及水分含量的准确性,使用454份葵花籽样本近红外光谱数据及蛋白质、水、脂肪三个含量信息为测试对象,随机选取其中383份作为测试集,71份作为验证集,对测试集使用不同的预处理方法之后分别进行PLS(partial least-square method)和BP神经网络建模,并通过验证集对模型进行预测分析。结果发现:①PLS模型预测中发现小波变换的预处理方法对蛋白质含量的预测最好,小波变换的预处理方法对水分含量的预测最好,标准化的预处理方法对脂肪含量的预测最好;②BP神经网络预测中一阶导数+均值中心化对蛋白质含量的预测最好,一阶导数对水分含量的预测最好,一阶导数+标准化对脂肪含量的预测最好。比较两种神经网络模型的预测结果,PLS模型预测精度要高于BP神经网络模型。     

基于近红外光谱技术的葵花籽品质分析

葵花籽作为国内需求量很大的油料作物,常用的化学检测方法虽然准确性高,但是时间久,破坏样本完整性,难以实现快速检测。为了研究近红外光谱法快速无损检测葵花籽中蛋白、脂肪及水分含量的准确性,本文使用454份葵花籽样本近红外光谱数据及蛋白质、水、脂肪三个含量信息为测试对象,随机选取其中383份作为测试集,71份作为验证集,对测试集使用不同的预处理方法之后分别进行PLS和BP神经网络建模,并通过验证集对模型进行预测分析。结果发现:(1)PLS模型预测中发现小波变换的预处理方法对蛋白质含量的预测最好RMSECV=0.343,RMSEP=0.296,小波变换的预处理方法对水分含量的预测最好RMSECV=0.299,RMSEP=0.354,标准化的预处理方法对脂肪含量的预测最好RMSECV=0.285, RMSEP=0.316;BP神经网络预测中一阶导数+均值中心化对蛋白质含量的预测最好RMSEP=0.341,一阶导数对水分含量的预测最好RMSEP=0.329,一阶导数+标准化对脂肪含量的预测最好RMSEP=0.312。(2)BP神经网络模型与PLS模型预测对比发现,PLS模型预测精度要高于BP神经网络模型。     

BP神经网络用于饮用水管网细菌总数预测

为保障饮用水管网细菌学水质安全，并实现对细菌总数指标的预测，选定北方某市实验小区饮用水管网为研究对象，应用Matlab软件建立BP神经网络的细菌总数预测模型．结果表明，BP神经网络方法能较好地模拟复杂系统，模型精度较高；同时，建立BP神经网络模型，对水质指标间的相互作用进行模拟，拟合效果较好，并针对该实验管网给出了某些指标的限值．     

人工神经网络预测高炉铁水硅含量

提出了BP神经网络预测高炉铁水硅含量的几种网络优化方法，指出了神经网络预测硅含量的可行性与局限性。     

浆体流变参数建模及仿真预测

采用传统的数学函数关系难以表达和揭示浆体流变参数影响规律．章以主要影响因素正交试验结果为基础。利用神经网络理论，建立了4个输人单元和2个输出单元的3层BP神经网络模型．采用该模型仿真和预测新试验样品的流变参数，并与实测参数对比．结果表明；预测准确率达90％以上，可以用于指导工程应用中浆体配比与制各．     

应用BP神经网络预测超临界CO2的摩尔体积

用BP神经网络，在1．017≤pr≤8．134和1．019≤Tr≤5．917的范围内，对798组超临界CO2的p—V—T数据进行训练和预测，预测160组，平均相对误差为2.01％；用RK、RKS及PR状态方程法计算这160组数据，平均相对误差分别为2．66％、3．24％和2．48％，表明神经网络法优于状态方程法。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

基于BP神经网络的干热风灾害预测

干热风是我国新疆，西北等地农业气象灾害之一，其形成因素呈现复杂的非线性关系．利用传统方法很难建立起一个精确完善的预测模型．人工神经网络具有强大的非线性映射能力，尤其是BP神经网络在预测领域中被广泛应用．本文利用BP神经网络对干热风灾害进行了预测．结果表明，基于BP神经网络的干热风预测模型误差小，能达到满意的效果．     

基于改进BP神经网络预测蛋白质二级结构

蛋白质结构预测在生物信息学研究中占有重要地位,而蛋白质二级结构预测是蛋白质结构预测的关键步骤。针对标准BP算法存在的缺点,讨论采用几种不同的改进BP神经网络来实现蛋白质二级结构的预测,运用MATLAB语言实现各种改进算法的初始化和训练。并分析比较了它们对蛋白质二级结构预测精度的影响。实验表明,遗传算法结合动量法与学习率自适应调整策略的BP算法可获得较高的预测精度。     

DM423摇瓶培养过程生物量的BP神经网络软测量

利用BP神经网络来描述腊样芽孢杆菌(Baeillus cereus DM423)(简称DM423)摇瓶培养过程中生物量与培养液初始葡萄糖含量和初始生物量之间的关系．建立了结构为2-6-3的BP神经网络．用所建立的神经网络对DM423摇瓶培养过程的生物量进行估算,发现估算值与实测值相当接近,表明网络有较好的泛化能力．此外,当初始葡萄糖含量超出测试样本范围时(分别为4．25和27．30g／L),网络对样本的预测结果也相当理想,预测的平均相对误差为1．95％．     

Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

基于人工免疫算法的神经网络电力系统短期负荷预测

在BP神经网络（Baek-propagatlon neural network, BPNN）模型中引入人工免疫算法（Artificial Immune Algo-rithm,AIA）,给出了AIA-BPNN模型,基本思想是结合AIA算法的搜索特性和BPNN 模型的优良性能,可以进一步提高学习能力．与实际电力系统结合构造了AJA-BPNN电力系统短期负荷预测模型,通过使用AIA算法,优化BPNN的权值和阈值。使BPNN权值和阈值选择的盲目性得以克服．     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

基于人工神经网络的扁钢轧制力模型

根据ＢＰ人工神经网络算法原理,结合某厂型钢轧机轧制扁钢时的轧制力实测数据,对扁钢轧制力进行建模,结果表明,神经网络用于轧制力建模是可行的,所建模型系统误差〈１％,模型计算值与实测值的偏差,４％,较好地反映了实际轧制过程的特征。     

基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.     

一种抗噪孤立字语音识别模型

论提出一种连续隐Markov模型和BP神经网络相结合的,具有两次辨识过程的抗噪孤立字识别模型,首先以连续隐Markov模型完成语音信号的时序建模并提供一次识别信息,以BP神经网络进行后处理,提取二次识别信息,识别结果由两次识别信息共同决定,实验证明,由于有效地利用了隐Markov模型的强时序信号处理能力和BP神经网络的强模式分类和泛化性能,这种识别模型明显地改善了孤立字识别系统的抗噪性能。     

基于神经网络的不稳定时滞对象控制

针对过程控制工业中的一类不稳定时滞对象存在的难以稳定、鲁棒性差、对输入的变化和扰动十分敏感的问题,采用了基于神经网络的双自由度控制结构.在利用内环控制器镇定对象并且提高系统反应速度、减轻输出的振荡的同时,结合Guillermo等提出的比例-积分-微分(PID)参数镇定区域理论优化设计外环BP神经网络控制器的学习范围、学习方式和初始参数,改善系统设定值跟踪和扰动抑制的性能,提高系统鲁棒性.仿真结果表明,即使在建模有误差的情况下,该控制结构仍能比传统双自由度PID控制有更好的控制效果和鲁棒性.     

Improved Marquardt Algorithm for Training Neural Networks for Chemical Process Modeling

IntroductionResearch on artificial neural networks(ANN) hasmade great progress during the past few years.Neural networks have been widely used in chemicalprocesses.Among all kinds of networks,the back-propagation (BP) network is the most commonchoice forits high capability of nonlinear mapping,study and classification. Through adjustingnetwork weights according to samples,the BPnetwork can simulate systems with complexnonlinear mapping relationships,such as chemicalprocesses.　The most com…     

BP神经网络预测高水分农产品物料比热的探索

高水分农产品物料的比热是农产品加工工程研究和农产品加工设备设计中的重要热特性参数之一．预测精度关系到所设计加工设备的质量、性能的优劣．本文建立了高水分农产品物料比热的ＢＰ神经网络模型,比较了二元回归模型和ＢＰ神经网络模型对高水分农产品物料比热的预测效果,得到ＢＰ神经网络模型的预测精度高于二元回归模型．     

混凝土三轴循环本构关系的神经网络模拟

利用BP神经网络的模拟能力代替传统的力学方法，对混凝土材料的循环本构关系进行了模拟研究．首先回顾了此类模型的研究进展和构造方法。然后直接从试验数据出发，建立了混凝土三轴受压循环比例加栽条件下的本构模型．试验结果和模拟结果的比较说明，该模型具有较高的精度和良好的泛化能力．本研究结果进一步说明神经网络模型适合于描述多影响因素的非线性复杂因果规律，为研究材料本构特性提供了一条新的途径．