GA-BP神经网络的钛合金微弧氧化膜层厚度预测模型的建立

利用正交试验法获得的TC4钛合金微弧氧化实验数据建立了基于4-11-1(即4个输入神经元,11个隐含层节点,1个输出神经元)结构的BP神经网络预测膜层厚度的模型,并引入遗传算法(GA)对其权值和阈值进行优化。以微弧氧化工艺参数中的电流密度、脉冲频率、占空比和氧化时间作为网络的输入向量,氧化膜层厚度作为网络的输出向量,对比和分析了BP与GA-BP模型的预测结果。与BP网络模型相比,GA-BP网络模型稳定性能较好,并能高精度预测膜层的厚度,GA-BP网络模型预测值的平均误差为0.015,最大误差仅为0.036,而BP模型预测结果的平均误差为0.064,最大误差为0.099。     

基于BP神经网络的旋风分离器分割粒径模化与预测

为精确建立分割粒径与旋风分离器结构参数和操作参数之间的复杂映射关系,发展了基于数据驱动的BP神经网络（BPNN）的分割粒径模型。使用全局量纲分析,提出环形空间雷诺数、表征旋风分离器本体尺寸影响的量纲为1数和排气芯管插入深度尺寸比作为网络输入参数,表征空气动力等效分割粒径大小的量纲为1尺寸作为网络输出参数,分别确定了训练算法和隐含层神经元个数对BPNN分割粒径模型预测精度的影响。结果表明：贝叶斯正则化算法优于L-M算法和拟牛顿算法,并在隐含层神经元个数为7时达到最优预测性能。与理论模型、半经验模型和多元回归模型进行比较,结果表明,贝叶斯正则化BPNN分割粒径模型展现出了较好的预测能力和泛化性能,模型预测的均方误差为0.136、决定系数为0.975。     

基于小波神经网络的循环冷却水腐蚀预测研究

利用某石化企业40个月的循环冷却水实际生产数据,基于小神经网络进行了腐蚀预测研究。经过对比分析,得出了小波神经网络预测精度最高的网络模型为6-7-1结构。在相同输入参数向量下,对含有相同隐层节点个数的小波神经网络和BP神经网络进行腐蚀预测对比,小波神经网络比BP神经网络预测精度高。     

一种优化的橡胶老化性能预测方法

正申请公布号:CN 112989691A申请公布日:2021年6月18日申请人:航天材料及工艺研究所发明人:张欢、许文、赵云峰等本发明介绍了一种优化的橡胶老化性能预测方法。利用优化的BP人工神经网络对应用于复杂环境下的橡胶材料及制品的老化性能进行预测。首先对输入的数据进行整理和筛选;然后确定输入层和输出层的参数,利用BP人工神经网络对输入数据进行训练,优选出隐含层神经元个数和训练函数;之后利用训练的神经网络模型对橡胶材料性能数据进行预测。该方法使用的BP人工神经网络具有良好的自适应性和自学习能力,     

嵌入岭回归的BP算法及其在软测量中的应用

针对三层神经网络(ANN)最佳隐节点个数难以确定和随着隐节点个数增加ANN模型易出现过拟合等缺点,提出了嵌入岭回归(RR)的误差反传算法(BP).BP-RR根据样本规模自适应确定隐节点个数,并通过BP算法充分提取样本数据信息.然后,针对隐含层输出可能存在的复共线性,采用RR以预测性能为指标,通过进化算法确定最佳岭参数,进而重新确定隐含层与输出层之间最佳的权值和阈值,克服ANN过拟合,建立具有良好预测性能的模型.将BP-RR应用于建立石脑油干点软测量,结果显示,BP-RR模型具有良好的预测性能.与ANN相比,BP-RR模型鲁棒性强,预测精度高.     

BP网络结构和算法对非线性系统进行辨识

利用MATLAB神经网络工具箱进行了基于BP神经网络的非线性系统辨识仿真研究,针对实际问题选取BP网络结构和BP算法,并对网络输入、输出、隐层节点的个数选取作了探讨,选取一个非线性系统,通过改变隐层节点数和训练函数,找出适当的BP网络结构和算法对非线性系统进行辨识。     

人工神经网络光度法同时测定水中Fe(Ⅱ)、Fe(Ⅲ)

应用径向基函数人工神经网络（RBF）和误差反向传播神经网络（BP）,采用磺基水杨酸-邻菲罗啉双显色剂光度法同时分析了水中Fe（Ⅱ）和Fe（Ⅲ）.实验证明,RBF算法在所需神经元个数、训练时间、预测准确度等方面均明显优于BP网络算法.该技术和光度法结合有望成为多组分分析的有效选择方法之一.     

高砷褐煤与低砷烟煤混燃砷的挥发特性及模型

选取典型的高砷褐煤和低砷烟煤,在一维等温燃烧实验台上进行混燃实验,研究温度（600～1100℃）和掺混比（3:1、1:1、1:3）对高砷褐煤混燃砷挥发的影响。实验结果表明：随着温度的升高,单煤及混煤燃烧砷的挥发比例逐渐增大,不同温度下混煤燃烧砷的挥发比例介于两个单煤之间,但砷的挥发比例并不是简单的加权平均,不同温度和掺混比下混煤砷的挥发比例均高于加权值,高砷褐煤中较高的挥发分含量在影响混煤焦炭燃烧的同时也促进了混煤中砷的挥发。因此,提出了综合考虑温度、掺混比和高砷褐煤影响的混煤砷挥发模型,不同温度和掺混比下的模型计算结果与实验值吻合度较好。     

高砷褐煤与低砷烟煤混燃砷的挥发特性及模型

选取典型的高砷褐煤和低砷烟煤,在一维等温燃烧实验台上进行混燃实验,研究温度(600~1100°C)和掺混比(3:1、1:1、1:3)对高砷褐煤混燃砷挥发的影响。实验结果表明:随着温度的升高,单煤及混煤燃烧砷的挥发比例逐渐增大,不同温度下混煤燃烧砷的挥发比例介于两个单煤之间,但砷的挥发比例并不是简单的加权平均,不同温度和掺混比下混煤砷的挥发比例均高于加权值,高砷褐煤中较高的挥发分含量在影响混煤焦炭燃烧的同时也促进了混煤中砷的挥发。因此,提出了综合考虑温度、掺混比和高砷褐煤影响的混煤砷挥发模型,不同温度和掺混比下的模型计算结果与实验值吻合度较好。     

水/二甲基乙酰胺/聚砜体系双结点线的神经网络预测

基于实验数据,采用人工神经网络对水/二甲基乙酰胺/聚砜体系的双结点线进行了预测. 设计并验证了具有两个输入神经元(体系温度和聚砜的质量分数)和两个输出神经元(水和二甲基乙酰胺的质量分数)的BP(Back Propagation)网络, 选取50组训练样本和39组检验样本分别对网络进行了训练与检验. 结果表明,对水与二甲基乙酰胺质量分数的预测平均相对误差分别为1.86%和0.10%. 采用该网络能较好地预测常压下、20~60℃温度范围内水/二甲基乙酰胺/聚砜体系的双结点线.     

BP神经网络在加氢裂化装置航煤性质软测量中的应用

应用Matlab软件构建单隐层BP神经网络,并对中压加氢裂化装置航煤性质进行软测量应用。以700组样本数据作为训练集,对预测航煤闪点、终馏点模型进行训练。结果表明,在152组验证数据集上模型对闪点、终馏点预测分别取得1.57 ℃和2.74 ℃的均方误差(RMSE),随之在80组测试数据集上模型取得的泛化RMSE分别为1.87 ℃和1.98 ℃。以300组样本数据作为训练集,对预测航煤密度的模型进行训练。结果表明,在100组验证集上模型RMSE为2.18 kg·m^-3,随之在70组测试数据集上的泛化RMSE为2.72 kg·m^-3。BP神经网络的泛化RMSE表明,通过合理选择特征变量和设计网络结构,单隐层BP神经网络能够满足航煤性质的工业软测量要求。     

基于灰色BP神经网络的水泥强度预测模型研究

水泥强度的预测具有多变量、非线性和大时滞特性,因此传统线性回归方法的结果不准确。除此之外,传统的神经网络预测可能对少量样本不够精确。本文建立灰色BP模型,以此来预测水泥的强度。建立一个多因素灰色模型GM(1,N)用于水泥化学成分的样本数据进行预处理,得到新的数据来作为建立预测模型的样本数据,通过BP神经网络建立预测模型。最终通过建立的灰色BP神经网络预测模型来预测28天水泥强度。仿真结果表明:灰色BP预测模型的效果比BP预测的要准确。     

基于BP神经网络聚类算法的P2P流量识别

在研究有监督机器学习算法中的BP神经网络算法和无监督的机器学习算法中的k-means聚类算法的基础上,提出一种半监督的BP神经网络聚类算法对P2P流量进行识别.该算法具有有监督和无监督的机器学习算法的优点,能快速地进行精确的流量识别,即取少量离线的流量样本进行标记与分类,然后利用分类结果为聚类中心对大量在线流量进行聚类识别.这样既提高了效率,又能保证结果的准确性.利用BP神经网络对所采集的少量流量数据中每个流按包大小标准差、变换频率、平均值、包数目和总字节数5个特征进行分类,得出分类结果的特征均值,对大量的在线数据进行指导聚类.多次实际网络测试结果的准确率很高,证明该算法模型是可行的.     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。     

BP神经网络在非线性系统建模中的应用

介绍了采用BP神经网络建立系统数据间的非线性关系的数学模型,利用三层BP网络,结合Matlab神经网络工具箱,模拟肼与过氧化氢的反应过程,将预测的结果和实验数据作比较,结果表明该模型的预测值和试验值吻合的很好,是一种可行的数据处理方法。     

基于Sigmoid函数参数调整的双隐层BP神经网络的板形预测

提出一种改进的BP神经网络处理板形缺陷数据的方法,建立双隐层BP神经网络模型,并对Sigmoid激活函数的形状进行调节。将其应用到冷轧的板形缺陷识别中,与利用Levenberg-Marquardt规则训练的BP神经网络预测结果作对比,表明该方法不仅有效地减少双隐层BP网络的学习时间,同时改善了网络的泛化能力,有利于板形缺陷在线识别。     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明．BP神经网络能够对电力负荷进行较好地预测。     

基于子波能量特征的气液两相流流型辨识方法

气液两相流的流型影响着两相流的流动特性和传热特性，同时也影响着流动参数的准确测量以及两相流系统的运行特性。针对压差信号的非平稳和非线性特点，尝试利用Hilbert-Huang变换(HHT)和小波包分解对差压波动信号进行信号处理，进而建立流型的子波能量（IMF能量和小波包能量）特征，并以此特征向量作为Elman神经网络的输入量，从而实现对流型的智能识别。实验结果表明：这两种特征向量与Elman神经网络结合都能够较准确地识别出4种流型，并且各自都有不同的优缺点。另外与BP神经网络相比，采用Elman神经网络进行流型识别可以获得更高的识别率。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。