BP神经网络在地基土压缩指数预测中的应用

为了寻求基于多个常规物理参数间接得到土变形参数的途径,根据几个实际工程中的土工试验数据,利用BP神经网络方法对土压缩指数进行预测。选取土塑性指数、含水量、孔隙比、密度这4个常规物理参数作为影响土压缩指数的主要因素,得出土压缩指数的BP神经网络预测模型。结果表明:训练BP神经网络时,49组自变量数据中土压缩指数的BP神经网络拟合值与实测值的相对误差为-3.5139380%~1.5704225%,相对误差绝对值的平均值为0.91548%;10组自变量数据中土压缩指数的BP神经网络预测值与实测值的相对误差为-1.8055210%~6.0124173%,相对误差绝对值的平均值为3.32940%。可见,本文建立的基于4个物理参数的土压缩指数BP神经网络预测模型是可行的。     

柴油喷雾贯穿距影响因素灰色关联分析

由于燃油的喷射、雾化、蒸发以及与空气的混合等过程对发动机的燃烧和排放特性有重要影响,以柴油喷雾的主要特征尺寸喷雾贯穿距为研究对象,采用纹影法成像技术,研究了不同喷油脉宽、喷油压力和环境背压下定容弹中柴油的喷雾形态,得到不同工况下的柴油喷雾贯穿距,然后应用灰色关联理论分析这3个因素对喷雾贯穿距影响程度.结果表明:在相同喷油压力和脉宽下,喷雾贯穿距随背压的增大而减小;在相同背压和喷油脉宽下,喷雾贯穿距随喷油压力的增大而增大;喷油压力对喷雾贯穿距的影响最大,背压次之,喷油脉宽影响最小.     

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%.     

含稀相粒子的纳米燃油喷雾特性模拟研究

为了探究稀相纳米异质粒子对燃油射流喷雾特性的影响,基于纳米燃油喷雾可视化试验结果,应用计算流体力学软件建立含稀相纳米粒子的燃油喷雾模型,依据试验结果验证模型的准确性,并通过该模型研究喷油压力、环境温度和粒子质量浓度对CeO_2纳米燃油的喷雾特性的影响。研究结果表明:在相同喷射压力下,不同喷雾发展时刻,纳米燃油的油束贯穿距和索特平均直径(Sauter mean diameter, SMD)比柴油的大,喷雾锥角比柴油的略小。随着喷射压力提高,纳米燃油与柴油在喷雾贯穿距、喷雾锥角和SMD上的差异增大,且差异与纳米粒子质量浓度呈正相关。当射流环境温度上升时,纳米燃油与柴油在喷雾贯穿距和SMD上的差异均有所增加,且在高温环境下,纳米燃油的贯穿距和SMD会逐渐比柴油的小,纳米粒子质量浓度越高,该现象越明显,而喷雾锥角的差距有所减小。     

基于经验模态分解改进神经网络光伏出力预测

光伏发电存在光伏出力不稳定性与波动性等问题。本文提出一种基于经验模态分解(EMD)的遗传算法(GA)优化BP神经网络的短期发电功率预测模型,优化了BP神经网络迭代次数多、收敛时间长等缺陷。从某小型光伏电站获得发电数据,建立EMD-GA-BP预测模型,与单一的BP神经网络预测模型和GA-BP神经网络预测模型作对比,证实本文提出预测模型稳定性好且误差较小,具有一定的研究价值。     

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。     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

基于免疫粒子群混合算法优化BP网络的矿压预测方法

为攻克综采工作面顶板矿压显现规律预测预报的难题,构建一种基于免疫粒子群混合算法优化BP神经网络的矿压预测模型(IA-PSO-BP),针对BP神经网络收敛速度慢和易陷入局部最优的问题,采用免疫粒子群混合算法优化BP神经网络,并选取11种矿压主要影响因素作为模型基础数据,对工作面来压强度和来压步距进行预测。结果表明：IA-PSO-BP网络模型的收敛速度较BP网络模型和PSO-BP网络模型分别提高8倍和2倍,IA-PSO-BP网络模型的预测值与实测值基本吻合,预测结果的相对误差分别约为BP网络模型和PSO-BP模型的1/5和1/3。基于IA-PSO-BP的工作面矿压预测方法具有较快的收敛速度和较高的准确率,实现了工作面初次来压强度、周期来压强度、初次来压步距和周期来压步距距预测,为煤矿井下工作面矿压预测提供了一种新的技术途径。     

基于GA-BP神经网络算法的马铃薯晚疫病预测模型

应用基于遗传算法的BP神经网络构建马铃薯晚疫病预测模型,对原始样本进行归一化处理,应用遗传算法优化BP神经网络的结构、初始权值、阀值,通过BP神经网络训练构建马铃薯晚疫病预测模型,利用遗传算法来改善BP神经网络算法本身的缺陷,提高学习精度,预测准确度.仿真结果表明,GA-BP神经网络模型预测准确度较高,误差率较低,稳定性较好.实践证明,将GA-BP神经网络算法应用于马铃薯晚疫病预测模型中是可行的,能够实现晚疫病流行程度的快速预测.     

船用柴油机超高压共轨系统喷雾特性试验研究

利用自行设计的超高压共轨系统喷雾试验平台,开展了超高压共轨系统喷雾特性的试验研究.从油束形态、喷雾贯穿距以及喷雾锥角方面出发,系统定量地分析了喷油压力和喷油规律对船用柴油机喷雾特性的影响,为进一步改善船用柴油机性能提供了理论依据.结果表明:通过控制超高压共轨系统中电控增压器电磁阀和喷油器电磁阀的开启时间,可以实现变压力和变喷油速率喷射;随着喷油压力的升高,油束周围的破碎蒸发现象、喷雾贯穿距以及喷雾锥角均逐渐增大,但当喷油压力超过200 MPa后,其对喷雾贯穿距和喷雾锥角的影响越来越小;随着喷油规律由矩形变化到靴形,油束周围的破碎蒸发现象、喷雾贯穿距以及喷雾锥角均逐渐减小,且喷油压力为150 MPa的矩形喷油规律的喷雾贯穿距大于喷油压力为200 MPa的靴形喷油规律的喷雾贯穿距,这进一步表明了喷射初期的压力是决定喷雾贯穿距的最主要因素.     

初始液滴尺寸分布对超高压喷雾大涡模拟的影响

分别在100、200MPa常规喷油压力和300MPa超高压喷油压力条件下,研究了不同初始液滴尺寸分布对柴油喷雾结构的预测性能.基于OpenFOAM开源平台比较了欧拉-拉格朗日喷雾仿真中常用于计算初始液滴尺寸分布的两种方法——Blob和Rosin-Rammler.结果表明:在300 MPa超高喷油压力下,Blob方法和初始液滴平均尺寸为喷嘴有效直径的Rosin-Rammler函数分布对喷雾贯穿距随时间发展的预测几乎没有影响,而减小液滴平均尺寸使喷雾贯穿距稍微降低.虽然初始液滴尺寸分布对索特平均直径(SMD)影响比较大,但随着喷油压力的提高,影响逐渐减小.超高喷油压力会产生大量直径小于1μm的液滴,初始液滴尺寸分布对该尺寸液滴形成过程的计算有重要影响.     

乙醇/汽油喷雾特性试验研究

采用高速摄像技术在定容弹内对直喷汽油机多孔喷油器的喷油特性进行了研究,通过改变环境压力、喷油压力、喷油脉宽分析了这些因素对喷雾发展的影响.此外,重点研究了环境压力和喷油压力对喷雾贯穿距的影响.研究结果表明,随着环境压力增大,喷雾贯穿距减小;随着喷油压力增大,喷雾贯穿距增大;随着喷雾发展,环境气体围绕喷雾向相反方向运动,...     

城市建筑安装涂料VOCs排放量模拟预测研究

通过建立灰色离散分数阶预测模型GM(1,1)、BP和RBF神经网络预测模型,以西安市建筑安装涂料产生的VOCs为例,将用于建筑安装的涂料量以及其驱动因子数据作为模型的输入值,用收集整理的2004—2011年16组西安建筑安装涂料消耗量数据进行BP和RBF神经网络训练模拟,2011—2014年5组年数据进行检验预测,采用曲线拟合度和相对误差2个评价指标对3种预测模型结果进行比较分析。结果表明,灰色预测、BP和RBF神经网络预测模型的样本训练及预测的平均误差为:-16.53%,、7.05%,和4.73%,,结合真实值与预测值的曲线拟合和误差下降曲线来看,RBF神经网络的预测结果优于BP神经网络预测结果,采用RBF神经网络预测模型对城市建筑安装VOCs的排放量进行预测具有模拟效果好和预测精度高的优势,对城市VOCs的治理有一定的参考价值。     

喷油压力对GDI积碳喷嘴喷雾特性的影响

喷油器积碳是直喷汽油机(GDI)面临的主要问题之一,提高喷油压力可以改善直喷汽油机的喷雾特性和燃烧特性。在自行设计的定容燃烧弹内,研究了两种喷油压力(4 MPa和7 MPa)对3支积碳程度不同的直喷汽油机喷油器喷雾锥角和贯穿距的影响。结果表明,喷油压力从4 MPa提高到7 MPa时,所有喷油器的喷雾锥角均增大,但增加的幅度有所不同,积碳严重的喷油器在喷油过程中喷雾锥角增加的幅度最大,大约增加了25°,积碳较少的喷油器和无积碳喷油器增加幅度相差不大,大约增加了7°。随着喷油器积碳程度的增多,喷雾锥角呈增大的趋势。燃油喷射结束后,喷雾锥角变化不大,主要是由于此时受环境背压的影响。喷油压力较小时,积碳喷油器喷雾锥角变化的波动范围较大,而喷油压力较高时,积碳喷油器喷雾锥角波动范围变化则较小。积碳喷油器贯穿距增长幅度在喷雾发展过程中受喷油压力和积碳程度的影响较小。喷雾的发展速度在各阶段是不同的,低喷油压力时,积碳喷油器的贯穿距均大于无积碳贯穿距,较少积碳喷油器的贯穿距大于最多积碳喷油器的贯穿距,随着喷雾的发展这一趋势并未改变。高喷油压力时,积碳会抑制喷雾贯穿距的增长,较少积碳喷油器的贯穿距始终大于最多积碳喷油器的贯穿距,无积碳喷油器的起始贯穿距小于另两支喷油器,但最后无积碳喷油器的贯穿距大于另两支喷油器贯穿距。     

基于MIGA-BP神经网络的短期电力负荷预测

准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低.针对已有遗传算法优化的BP神经网络(GA-BP)存在局部搜索能力差的缺点,提出多岛遗传算法优化的BP神经网络(MIGA-BP),通过使种群在不同"岛屿"进化和迁移提高物种多样性,克服GA-BP算法中的缺点.将天气因素影响权重和归一化后的负荷数据输入建立的MIGA-BP神经网络预测模型,在MATLAB环境下进行仿真研究.结果表明,控制变量条件相同时,MIGA-BP模型预测误差比GA-BP模型的更小,对短期电力负荷预测更有优势.     

基于GA-BP算法的旋转控制头轴承温度预测

旋转控制头轴承组件要承受很大的动载荷,由于摩擦力的作用,使轴承发热和磨损非常严重,极易发生轴承温度过高而导致轴承失效。针对旋转控制头轴承温度影响因素多、精确计算困难、不易测量等特点,提出了一种基于遗传算法优化的神经网络(the optimized algorithm of BP neural network based on genetic algorithm,GA-BP)进行旋转控制头轴承温度预测的方法,利用某无外挂冷却润滑泵站式旋转控制头台架实验数据进行训练和测试,并与传统神经网络模型(BP)进行对比。结果表明,GA-BP预测模型实现了控制头轴承温度预测过程的自适应控制,预测得到的轴承温度与期望值之间的线性相关度达到0.991 48;通过95%置信区间以及平均、最大、最小绝对百分比误差的对比得到,GA-BP模型在逼近能力、收敛和泛化能力上都要优于BP预测模型。GA-BP预测模型预测精度高、稳定性好,对掌握轴承运行状态,优化旋转控制头冷却润滑方式和结构。提高旋转控制头的整体性能有重要指导意义.     

基于BP神经网络的股票价格预测

影响股票价格变动的因素有很多,且股票数据具有高度的非线性和时变性等特征,因而采用经典线性时间序列模型可能无法完全提取非线性部分的信息.针对这一问题,建立了BP神经网络模型、PCA-BP神经网络模型、GA-BP神经网络模型和ARIMA(6,1,6)模型对上证综合指数的收盘价格进行预测.计算各预测模型下的统计指标RMSE和MAE,并对4个模型进行对比分析.结果表明,GA-BP神经网络预测模型与其它三种模型相比具有更小的误差,也就是说GA-BP神经网络预测模型对上证综合指数的收盘价格预测效果更好.     

基于BP神经网络的水中双爆源爆炸冲击波峰值压力预测模型研究

为了获得水中等质量两爆源同步爆炸时冲击波耦合中心的峰值压力计算模型,利用Autodyn计算得到不同药量和爆距下的峰值压力数据.一方面根据量纲分析确定的函数形式拟合数据从而获得峰值压力的计算公式;另一方面对药量、爆距及峰值压力三类数据进行对数变换和归一化,并将其分为训练集和测试集,然后将训练集代入BP神经网络进行训练,得到结构相对简单、均方误差最小的BP神经网络预测模型.结果表明：公式计算结果和BP神经网络模型计算得到的峰值压力与实际值吻合较好,公式计算值与实际值的平均相对误差为1.08%,BP神经网络预测值与实际值的平均相对误差为0.52%,与公式计算相比,BP神经网络能够以更少的数据样本容量实现更高的精度预测.     

基于GA-BP神经网络的综合管廊投资估算研究

针对综合管廊造价高于传统市政管线设施,其估算具有影响因素众多、非线性等特点,综合考虑管廊长度、截面面积、舱数以及管线入廊个数等10个特征因素,充分利用遗传算法(GA)与BP神经网络模型的优点,建立了基于GA-BP神经网络的预测模型。通过MATLAB仿真试验,对综合管廊的投资估算进行预测研究,并与传统BP神经网络的计算结果进行对比。相关测试表明:检验样本的模拟输出值与样本真实值呈线性吻合,相对误差基本在5%以内,说明该模型预测综合管廊的投资估算比传统BP神经网络模型具有更高的精度和一定的实际应用价值。     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.