基于BP神经网络的流体流量补偿方法

针对流体质量流量测量中密度随温度及压力等参数的变化而变化,在BP算法的基础上,采用BP神经网络补偿方法对液氨的密度进行了补偿,给出了网络训练后误差渐进过程的仿真图和补偿后的仿真结果图,通过函数调用网络训练后非采样点上的温度来得到对应的密度值。可以得到结论:基于BP神经网络的补偿方法弥补了最小二乘法在非线性补偿方面的缺陷,且误差比较小,是一种性能比较优越的补偿方法。     

BP神经网络补偿快速成型系统闭环误差的研究

提出快速成型系统闭环误差反馈的必要性,将BP神经网络引入快速成型技术,建立了快速成型误差补偿模型,探求出一种快速成型系统闭环误差的反馈方法,并通过实例进行了验证。结果表明,基于BP神经网络控制的最大绝对误差和相对误差均比传统误差补偿方法大为降低。     

基于BP神经网络的油井井斜角误差补偿研究

介绍了延长石油常用的石油测井测斜仪器及其测量原理,分析了其工作过程中可能存在的误差及其来源。针对井眼姿态测量中主要测量参数之一的井斜角,利用前馈神经网络算法,建立了以测量井斜角为输入、期望的井斜角为输出的三层BP神经网络模型,并用实际测斜仪器的测量数据进行现场测试。实验数据表明,采用该BP神经网络补偿算法,可将井斜角的实际测量精度从提高至以内。     

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。     

基于灰色-BP网络以及马尔科夫算法的天然气年消费量预测

采用灰色关联度分析法对我国天然气年消费量的影响因素进行筛选,将灰色关联度数值较大的影响因素作为BP(Back-propagation)神经网络预测的输入向量,进而建立灰色-BP神经网络模型对我国年天然气年消费量进行预测,利用天然气消费量的预测值与实际值的误差得出适用于本次预测的马尔科夫矩阵,再采用马尔科夫矩阵对进一步的天然气消费量预测数值进行误差修正,进而得到更为精准的预测结果。以往数据表明,我国天然气年消费量的主要影响因素为天然气产量及进口量、煤炭、石油以及其他能源消费量。通过灰色-BP模型预测得出的天然气年消费量数值与天然气的实际年消费量数值进行比较,预测结果显示灰色-BP神经网络模型适用于对我国天然气年消费量的预测,通过得到的马尔科夫矩阵对进一步的预测结果进行修正,经修正后误差有减小趋势,说明马尔科夫法可有效减小预测误差。     

基于神经网络与马尔可夫链预测地表水净化装置总氮降解的效果

通过数学模型对地表水净化装置净水水质进行预测是当下的一个热点,由于地表水净化装置的水质变化呈现非线性、时变性与随机性。基于此,首先采用BP神经网络对该装置水质预测,通过回归分析得到的可决系数判定拟合情况良好,误差较低。之后,为进一步提高预测精确度,降低BP预测结果随机波动带来的误差,将马尔可夫链与BP神经网络结合进行分析。通过对拟合结果及误差进行状态划分,得出状态概率矩阵,分析结果表明,出水的实际水质均符合最大概率区间内的预测范围值。因此,建立神经网络与马尔可夫链的组合预测模型,能够得到更准确的预测结果。     

基于ARIMA模型与BP神经网络算法的水质预测

近年来,政府相关部门虽然对地表水加大了治理力度,基本遏制河流水质恶化的势头,但是,突发环境污染事件仍然时有发生,对人体健康、生态安全造成了重要影响。利用水质在线监测仪虽然可以实时监测水质变化,但是智能化程度低,为此亟需采用先进手段实现对河流水质的预测预警并提前进行防范,最大程度降低类似藻类暴发等事件带来的损失。文中以嘉兴市河道水质为主要对象,开展水质预测模型研究,具有一定的实际应用价值。采用基于ARIMA自回归积分滑动平均模型与改进的BP神经网络算法相结合的方法进行水质预测的建模,研究水质数据和气象数据包含的线性关系和非线性关系,建立水质预测组合模型,并通过模型进行水质电导率、溶解氧、总磷、总氮、高锰酸盐、氨氮的预测;通过理论分析及试验对比,基于ARIMA自回归积分滑动平均模型与BP神经网络算法构建的模型,在水质预测方面比单纯使用传统的ARIMA模型具有更高的精度,各指标的MRE(平均百分比误差)、RMSE(均方根误差)均有很大程度的减小,提供了更科学、更准确的河流水质指数预测方法。     

基于不同神经网络模型的橡胶减振器性能预测的应用研究

利用BP和GRNN神经网络建立胶料性能和减振器性能之间的预测模型,并对预测结果的误差进行对比分析。结果表明,利用BP神经网络建立的预测模型预测平均相对误差在16%以内,利用GRNN神经网络建立的预测模型预测平均相对误差在5%以内,说明使用GRNN神经网络进行减振器性能预测精度更高、效果更好。     

一种改进的支持向量回归的混凝土强度预测方法

混凝土抗压强度是影响建筑质量的主要因素,根据一些主要参数事先预测其强度可作为现场施工的参考。以支持向量回归(SVR)为理论基础,提出一种基于马氏距离的加权型SVR(MWSVR)的人工智能算法对混凝土强度进行预测。不同于将训练样本统一看待的传统方法,该算法根据训练集和测试集自变量的距离来决定训练样本在求解SVR模型中的重要性,距离测试集近的训练样本权重更大,赋予其更高的惩罚因子,从而得到更优的回归超平面。通过与决策树、随机森林、BP神经网络、RBF神经网络和传统SVR方法的比较研究,发现该算法具有更低的均方根误差。     

井下工具中位移传感器温度补偿方法

为了消除高温环境下井下工具中位移传感器温度漂移对测量精度的影响,提出了一种基于BP神经网络的位移传感器温度补偿方法,由LabVIEW编程语言进行算法实现,设计测试电路、通过非等间距温度采样记录位移传感器在不同温度下的漂移量,由BP神经网络模型进行温度补偿。通过仿真试验验证,该方法将高温环境下位移传感器的输出误差最大值由补偿前的4.5%降低到0.6%以下,有效地提高了位移传感器的测量精度,满足了井下工具的应用需求。     

基于相关向量机模型的混凝土综合性能预测

为快速获取及评价混凝土的综合性能,选取影响混凝土综合性能的6个主要因素为输入数据,混凝土综合性能(28 d强度、坍落扩展度及表观密度)为输出数据,建立基于相关向量机(RVM)的混凝土综合性能预测模型,对14组学习样本进行拟合训练,并对其余5组预测样本进行预测。结果表明:在相同的样本条件下,与BP神经网络模型进行对比,RVM模型预测精度更高,离散性更小;同时,与实际值相比,RVM模型预测的混凝土综合性能指标的平均相对误差均明显小于BP神经网络模型预测得到的平均相对误差,进一步验证了RVM模型对混凝土综合性能预测的可靠性,具有较好的推广价值。     

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。     

基于小波神经网络的污水处理污泥体积指数软测量

污水处理过程具有非线性、时变和滞后等特点,因而无法进行准确的数学建模。现有的污水处理技术中最突出的问题是一些关键的水质参数不能在线监测,只能通过人工间接测量再通过计算获得,耗时较长,不能及时地进行信息反馈,会造成一些严重的后果。为了避免这样的问题,提出了基于小波分析的神经网络(BP)软测量技术,通过建立小波神经网络参数软测量模型,对污水处理中难测水质参数SVI(污泥体积指数)进行在线监测。研究表明,此方法能有效规避单一的BP算法收敛速度慢、容易陷入局部最优解等问题,有助于实现对污水处理的智能控制。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影（VIP）这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

基于人工神经网络的炸药性能研究

为了解人工神经网络方法在炸药性能预测的应用及发展,分析总结了BP神经网络在炸药性能预测方面的应用。选取合适的参考量作为输入,建立BP网络学习样本、训练样本,构建网络,训练并优化网络,调整隐含层节点数和迭代次数,使得预测误差处于可接受范围。通过对炸药的装药密度、爆热、爆速以及撞击感度等性能的研究,认为人工神经网络会对炸药更多的性能进行精确的预测,有重要参考价值。     

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RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性.     

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....     

BP神经网络在炼油污水回用于循环水系统中腐蚀率的预测

介绍了BP神经网络的构造及基本原理,阐述了利用MATLAB的GUI建立BP模型的方法和步骤,并将其应用于炼油污水回用于循环冷却水系统腐蚀率的预测,建立一个以电导率和p H为输入向量、腐蚀率为输出向量的BP神经网络预测模型。结果表明,采用GUI建立的三层结构的BP神经网络模型,对炼油污水循环冷却水系统的腐蚀率的预测具有较高的预测精度。说明人工神经网络在循环水腐蚀预测中的应用是可行的,具有一定的应用价值。