基于PSO-BP神经网络的轮胎负荷测量方法

研究基于粒子群优化（PSO）算法-BP神经网络的轮胎负荷测量方法。将采集的轮胎状态信息与提取到的加速度特征输入到BP神经网络,对轮胎负荷进行回归预测,使用PSO算法优化BP神经网络的权值与阈值,得到轮胎状态信息与轮胎负荷的关系。结果表明,采用PSO-BP神经网络预测轮胎负荷误差为1.865 6 %,PSO-BP神经网络预测精度较高,在转变工况条件下,预测误差为2.496%。     

基于红外光谱利用机器学习快速测定生活垃圾中的水分

本文选取棉花为生活垃圾典型代表物,利用红外光谱探讨不同含水率的反射波峰分布情况。应用了线性回归和BP神经网络模型,构建映射反射峰与含水率之间的关系。同时,也探讨BP神经网络映射反射峰与含水率的最优参数。实验结果表明,随着棉花含水率的增加,其反射峰呈下降的趋势;BP神经网络模型(R~2=98.49%)比线性回归模型(R~2=74.72%)能更加有效反映反射峰与含水率之间的关系。BP神经网络最佳识别参数为学习率为0.001,迭代次数为150和隐藏层个数为4326个,在此条件模型获得预测值与试验测定含水率的相关性为99.11%。该实验结果将为后期测定多组分掺杂和实际生活垃圾中的水分快速测定奠定基础。     

基于模态频率的风力机叶片覆冰检测方法

目前,风力机叶片覆冰后通常使用加热系统除冰,其消耗的能源是发电机组1%～4%的年发电量。本文通过试验模态调校叶片有限元模型,用有限元模型的仿真模态得出不同位置的覆冰厚度和固有频率对应关系方程,用这些方程生成随机样本训练BP神经网络模型,建立以固有频率为输入,以覆冰厚度为输出的非线性关系,以实现覆冰状态的检测。研究表明,通过叶片的力锤激励模态试验结果,调整叶片模型参数,优化后的叶片覆冰中空实体三维模型前三阶固有频率与试验值误差在2%以内。通过BP神经网络建模和训练,模型检测覆冰厚度的结果与实际值相对误差率平均值为8.83%,叶尖处误差最小,叶根处误差最大,相对误差率随着冰层厚度的增加而降低。训练好的BP神经网络模型可以基本实现覆冰的位置和厚度信息检测,为加热系统精确加热位置和加热时间、降低能源消耗提供理论依据。     

基于GRNN模型的肼类化合物毒性参数构效分析

对30种肼类化合物的6个量子化学参数进行灰色关联度分析,利用广义回归神经网络(GRNN)模型对肼类化合物的毒性参数进行预测。通过与BP神经网络建立的模型进行比较,其平均预测误差分别为5.160%和12.667%。结果表明,所建立的GRNN有效解决了BP网络存在的过训练和过拟合问题,并且对肼类化合物毒性参数具有较好的预测效果。     

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型，模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量，以煤灰流动温度作为输出量，对126组来自中国北部地区的煤灰样数据进行训练与测试，并建立常规BP神经网络模型，研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明：不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力，所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加，虽略微提高模型对训练样本的拟合程度，但也导致验证时过拟合现象的发生，模型对新样本的拟合优度下降。采用SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO和Na₂O+K₂O的质量分数6个参数作为输入变量的GA-BP模型最为适合，其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

BP神经网络模型在橡胶配方优化中的应用

利用神经网络中的误差逆传播校正算法(BP模型)建立起橡胶配合剂与性能之间的非线性多目标模型，用遗传算法对BP神经网络模型的算法进行了改进，以试验数据为基础进行神经网络的训练，得到可预测橡胶配方性能的BP神经网络模型。以胶粉在全钢子午线轮胎胎侧胶中研究为例，对BP神经网络模型进行了验证。同时，与回归分析方法进行了比较，结果令人满意。     

神经网络对固体推进剂力学性能的预测

针对误差反向传播算法(BP)神经网络在寻优过程中容易陷入局部最优的缺陷,将遗传算法(GA)与BP神经网络相结合,构建了一种基于遗传算法反向传播(GABP)神经网络模型。建模所用网络训练数据是推进剂配方中的工艺助剂及键合剂含量、固化参数、不同粒度的高氯酸铵含量、不同粒度的铝粉含量、端羟基聚丁二烯(HTPB)的羟值等对应的不同温度下测试的抗拉强度和断裂伸长率共12组数据,对它们进行预测和实测。结果表明,预测值与实验值整体具有较好的吻合性,抗拉强度及断裂伸长率的最小误差分别为0.71%、4.67%,即所建模型具有指导配方性能预示的意义。     

基于小波分析和神经网络的聚丙烯产品质量预测

建立了基于小波变换和BP神经网络的温度和压力信号模型,用于聚丙烯产品质量预测模型.聚合前期的升温过程对最终产品质量影响大,第一个模型运用db4小波对前期聚合温度(压力)信号进行变换,将所得的部分系数作为神经网络输入参数,研究了聚合前期温度(压力)与熔融指数的关系.第二个模型以分解信号的功率频谱作为部分输入,预测聚丙烯的等规度.两个模型仿真结果表明,用温度变换结果作为输入比压力作为输入具有优势,熔融指数的相对误差为2.91%,等规度预测值的相对误差最小为1.0%,效果比较令人满意.     

活性炭吸附甲基橙模拟废水预测模型研究

分别采用BP人工神经网络算法及多元线性回归法,以实验所得的36组数据为样本,建立了以吸附时间、活性炭投加量及甲基橙废水浓度为输入变量,以活性炭吸附处理后甲基橙溶液的吸光度为输出变量的吸附预测模型,并进行了两模型预测效果的对比。结果表明,BP神经网络模型获得了比多元线性回归更好的拟合预测效果。使用BP神经网络模型可以实现同时考虑三个操作因素条件下活性炭吸附特性的预测,而且预测结果与实验数据吻合度较高,其预测样本最大和最小相对偏差分别为2.92%和0.029%,残差绝对值小于0.050 5。     

死端微滤酵母悬浮液比阻的预测

本文首先设计了三因素四水平的正交实验表作为建模样本,其次利用人工神经网络方法和多元线性回归方法分别建立了基于操作条件（压力△P=0.04-0.12 MPa,浓度C = 0.3-2.0 g.L^-1,温度T = 20-40℃）的比阻预测模型,以期用于死端微滤过程操作条件的优化,最后以检验样本的相对误差作为衡量指标,分别采用BP人工神经网络方法和多元线性回归方法对死端微滤过滤酵母悬浮液时的比阻进行了预测。研究结果表明：(1) 在本实验范围内,BP人工神经网络模型的最佳拓朴结构为3-7-1,隐层神经元个数为7,学习速率为0.05,学习函数为traingdx, 传递函数为Logsig;用多元线性回归方法得到的比阻与操作条件之间的数学关系式为1.639883+44.2 +0.86217 -0.0607 ; (2)利用BP人工神经网络和多元线性回归方法预测死端微滤比阻的平均相对误差分别为3.55％和5.16％.由此可见,这两种方法都可用于死端微滤比阻预测,并且前者优于后者。     

基于BP神经网络方法的热管中冷器热工性能分析

基于BP神经网络建立了热管中冷器的传热性能和阻力性能预测模型,采用基于Levenberg Marquardt的trainlm训练算法,对热管中冷器的传热性能和阻力性能进行了预测,经试验数据的验证,预测值与试验值吻合较好,传热性能网络预测最大相对误差为8.0%,平均相对误差为3.5%,阻力性能网络预测最大相对误差为13....     

偏高岭土高性能混凝土抗压强度预测研究

以水胶比、用水量、砂率、水泥强度、水泥用量以及偏高岭土、矿粉和粉煤灰用量为输入向量,采用SPSS回归方程分析和基于Levenberg-Marquart算法的BP神经元网络预测模型对偏高岭土高性能混凝土的抗压强度进行了预测研究,并与试验值进行了对比.结果表明:与SPSS回归方程分析预测结果相比,BP神经元网络预测值与实测值线性拟合度高,拟合值为0.997,两者之比的平均值和标准差分别为0.999和0.010,网络预测最大相对误差不超过2.1%,模型预测精度高,结果可靠,为偏高岭土高性能混凝土的抗压强度预测提供了指导依据.     

Maximum solid concentrations of coal water slurries predicted by neural network models

The nonlinear back-propagation (BP) neural network models were developed to predict the maximum solid concentration of coal water slurry (CWS) which is a substitute for oil fuel, based on physicochemical properties of 37 typical Chinese coals. The Levenberg-Marquardt algorithm was used to train five BP neural network models with different input factors. The data pretreatment method, learning rate and hidden neuron number were optimized by training models. It is found that the Hardgrove grindability index (HGI), moisture and coalification degree of parent coal are 3 indispensable factors for the prediction of CWS maximum solid concentration. Each BP neural network model gives a more accurate prediction result than the traditional polynomial regression equation. The BP neural network model with 3 input factors of HGI, moisture and oxygen/carbon ratio gives the smallest mean absolute error of 0.40%, which is much lower than that of 1.15% given by the traditional polynomial regression equation.     

利用遗传神经网络预测有机物的易燃下限温度

由1171种有机物组成样本集,将利用Dragon软件计算出来的分子结构描述符Mv、CID、EEig02d、GGI1、nROH、nHDon等数值与有机物的易燃下限温度进行关联,借助遗传神经网络方法建立了相应的定量关系模型。结果表明,在给定条件下,由该模型获得的预测值平均相对误差为3.23%,平均绝对误差为10.28K,相关系数为0.9833。新建立的有机物易燃下限温度预测方法具有模型建立简便、预测精度较高、适用面宽等优点,有望在有机危险物品的火灾性能预测及其安全使用方面发挥重要作用。     

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。     

基于BP神经网络的不凝性气体对脉动热管传热影响的分析

不凝性气体的存在会影响脉动热管的传热性能。本文以去离子水和聚丙烯酰胺（PAM）溶液为工质，搭建了脉动热管半可视化传热性能实验系统，研究了不凝性气体的存在对脉动热管传热特性和运行特性的影响；通过建立BP神经网络模型，在不同不凝性气体压力条件下，对脉动热管传热热阻做出了回归预测，并进行了验证。结果表明：不凝性气体的存在会恶化脉动热管的传热性能。随着加热功率的增加，在不同不凝性气体分压力条件下的热阻呈现下降趋势。而随着不凝性气体分压力的增大，工质的蒸发段平均温度明显增大。通过BP神经网络可以对不同不凝气体分压力下脉动热管热阻作出可靠的回归预测，可为脉动热管运行状态的优劣提供判定思路。     

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。     

BP神经网络在膜分离处理废水中的应用

为能更好地预测工艺条件对膜分离过程的影响,运用BP神经网络技术建立输入变量为压差、流速、浓度和温度,输出变量为膜通量的预测模型。通过大量实验数据训练预测模型,得到的网络模型整体误差平方和仅为0.014 5;计算值与模拟值相比,10组不同条件的膜通量平均预测误差仅为1.1,证实了所建立的BP神经网络膜通量预测模型与实验值吻合程度较好,有较好地预测能力。在此基础上进一步考察了工艺参数对膜分离过程的影响。     

基于GA-BP神经网络的超临界CO2传热特性预测研究

超临界二氧化碳（S-CO₂）动力循环在能源利用领域中拥有广阔的应用前景,其中超临界CO₂的传热特性对其能量转换效率至关重要。开展了超临界CO₂在水平小圆管内对流传热实验研究,并通过建立遗传算法优化的BP神经网络模型（GA-BP）,对其在不同工况下的传热特性进行预测分析。实验参数范围：系统压力7.5~9.5 MPa,质量流速1100~2100 kg/（m²?s）,热通量120~560 kW/m²。实验结果表明,超临界CO₂传热系数随流体温度的升高先增大后减小,在拟临界温度附近达到最大值。GA-BP神经网络模型能有效地预测超临界CO₂的传热系数,预测数据的决定系数R²为0.99662,超过95%的数据误差位于±10%范围内,平均误差为3.55%,为超临界流体传热预测提供新的思路。