基于BP神经网络及其改进算法的织机效率预测

为准确预测纺织厂织布车间的织机效率,提出利用BP神经网络、主成分分析结合BP神经网络(PCA-BP)、遗传算法改进BP神经网络(GA-BP)3种模型预测织机效率,并将GA-BP预测模型与传统BP神经网络和PCA-BP预测模型的预测结果进行对比分析。结果表明:GA-BP对原始数据的拟合度最好,相关系数为0.946 87, 比BP增加了6.42%,比PCA-BP增加了2.61%;GA-BP、PCA-BP、BP这3种网络十万入纬的经停仿真值与期望值间的平均误差分别为0.341 2、0.303 1、0.234 1,误差百分率分别为8.63%、7.67%、5.92%,不同网络结构下织机效率仿真预测值与期望值间的平均误差分别为3.010 9、2.688 4、2.118 9,误差百分率分别为3.51%、3.13%、2.47%;3种模型的预测准确度顺序由大到小为GA-BP、PCA-BP、BP。     

基于GA-BP神经网络玉露香梨可溶性固形物高光谱技术检测

为了提高玉露香梨可溶性固形物的检测精度,本研究提出了一种优化反向传播(back propagation,BP)神经网络的玉露香梨SSC预测方法。使用高光谱成像仪采集玉露香梨表面的光谱信息,对剔除异常样本的光谱数据进行不同预处理,以确定最优的预处理方法。采用遗传算法(Genetic Algorithm,GA)优化BP神经网络的初始权重和阈值,建立玉露香梨SSC的GA-BP、BP、PLSR预测模型。结果表明,中值滤波(medianfilter,MF)预处理后的结果最好。在同一训练样本下,所建GA-BP模型性能最佳,建模集决定系数(Rc2)为0.98,均方根误差(RMSEC)为0.19;预测集决定系数(Rp2)为0.86,均方根误差(RMSEP)为0.43,剩余预测偏差(RPD)为2.45;在此基础上,采用不同数量的样本训练GA-BP网络,样本数为300时,建立的GA-BP模型的Rc2为0.99,RMSEC为0.22;Rp2为0.98,RMSEP为0.20。因此,采用GA-BP神经网络结合高光谱技术可快速、准确的检测玉露香梨可溶性固形物,当训练样本达到一定数量时,可进一步提升模型的预测精度,为基于BP神经网络检测玉露香梨SSC提供了理论基础。     

GA-BP神经网络及其在液体乳安全评价中的应用

利用遗传算法(Genetic Algorithm,GA)优化BP(Back Propagation,BP)神经网络的初始权值、阈值,以期加快网络收敛,提高预测精度。以乳制品中的液体乳为实验材料,建立安全评价指标体系;将优化后的GA-BP神经网络作为评价模型,对液体乳的日常检测数据进行拟合;以测试数据作为验证,检测模型的收敛速度和拟合度。结果表明GA-BP较BP神经网络来讲更稳定,能较快收敛,且仿真误差较小;在隐层节点数为9时,GA-BP神经网络对液体乳的拟合效果最好,预测精度较高,是一种可行的液体乳安全状况评价方法。     

基于神经网络的精纺毛纱性能预测模型比较

为比较BP与RBF神经网络对精纺毛纱性能的预测能力,采集前纺与后纺的工艺参数作为输入节点,表征精纺毛纱性能的条干不匀率与断裂强力分别作为输出节点,采用软件计算工具中的反向传播(BP)神经网络、径向基(RBF)神经网络分别建立细纱条干不匀率与断裂强力的预测模型,从统计学角度反映2种模型的预测性能。实验结果表明,在输入样本数较大、输入维数较高、精度要求相同的情况下,RBF神经网络模型的训练速度明显快于BP神经网络模型,但BP神经网络模型的预测性能略优于RBF函数神经网络模型,特别是遇到异常样本时,BP神经网络模型表现出更强的容错能力。     

南美白对虾货架期预测指标选择及模型研究

为研究南美白对虾品质指标与货架期之间的关系及南美白对虾在贮藏过程中的品质变化过程,精确预测其剩余货架期,通过检测277,272.2,255K温度下南美白对虾的感官指标、理化指标和微生物指标,分别针对南美白对虾品质检测的综合指标和部分关键指标,以支持向量机模型和BP神经网络模型为基础,建立南美白对虾货架期预测模型。结果表明:基于综合指标构建的货架期预测模型的预测精度(支持向量机为97.71%,BP为91.41%)比基于关键指标的(支持向量机为84.08%,BP为83.76%)高;基于支持向量机的预测模型的预测精度(关键指标为84.08%,综合指标为97.71%)比BP预测模型的(关键指标为83.76%,综合指标为91.41%)高;基于综合指标的支持向量机预测模型的预测精度是4种模型中最高的,为97.71%。该结论也可为支持向量机方法和预测指标选择在其他食品领域货架期的应用研究提供一定的参考。     

基于色差系统的宝庆桂丁红茶品质量化评价模型构建

目的:基于茶叶色差构建宝庆桂丁红茶品质量化评价模型。方法:以宝庆桂丁红茶为研究对象,在感官审评的基础上,分别测定干茶、茶汤和叶底的色差值,分析茶叶色差值与品质之间的相关性,并以GA-BP神经网络构建品质量化评价模型。结果:宝庆桂丁红茶品质与茶汤和叶底的L、a、b值呈极显著相关（P<0.01）,与干茶a值呈显著相关（P<0.05）;遗传算法（GA）的引进明显提高了BP神经网络的拟合精度,GA-BP模型的决定系数（R2）明显高于BP网络;通过对比不同隐含层结构,优选结构为9-5-1的GA-BP神经网络结构;优选的GA-BP神经网络模型的训练、验证、测试和预测的决定系数（R2）分别为0.988、0.976、0.933和0.95。结论:基于色差系统和GA-BP神经网络对宝庆桂丁红茶品质进行量化评价的方法是可行的。     

RBF-NN与BP-NN比较的风功率预测模型研究

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。本文探讨了RBF神经网络和BP神经网络两种训练方法。以中国北方某风电场的实际数据以及数值天气预报数据为依据,对RBF神经网络模型和BP神经网络模型进行了验证,最终研究并比较二者在风功率预测方面的差异。结果表明:对于风电场短期功率预测,RBF神经网络模型预测精度要好于BP神经网络模型,预测精度较高,且收敛速度较快,能够较好的拟合实际功率曲线。     

基于遗传算法和BP神经网络的竹粉模压花盆跌落冲击响应预测

提出以竹粉模压花盆跌落冲击响应为对象的预测模型。利用均匀设计和有限元分析技术获得试验数据,以花盆周壳厚度、底沿厚度和底壳厚度为网络输入,花盆壳体最大应力为网络输出,构建三层BP神经网络;采用遗传算法(GA)优化BP神经网络的初始权值和阈值,利用均匀试验数据对GA-BP网络模型进行训练和仿真,最后利用GA-BP网络模型预测花盆跌落冲击的壳体最大等效应力。结果表明,所建立的GA-BP网络模型具有较强的学习能力,预测值与有限元分析值相对误差小于5%,表明GA-BP网络模型可用于花盆跌落冲击响应的预测。     

GA-BP算法下的管材滚切预测模型

为了满足管材滚切高质量的要求,本文利用遗传算法优化BP神经网络模型,实现对管材切口质量的预测。通过数值模拟得到管材滚切预测网络模型的输入输出样本数据,以此数据在GA-BP神经网络模型上进行仿真最终得到管材滚切预测的GA-BP网络模型。通过一系列的实践应用,得知GA-BP算法模型具备良好的预测精度及其稳定性。以建立的管材滚切预测的GA-BP网络模型,在MATLAB的GUI环境中建立了管材滚切过程中所需的工艺参数直接从界面输入,通过所建模型的预测,输出结果直接从界面上读取,实现了管材滚切预测模式的人机交互。     

格氏乳杆菌GU-G23高密度培养因子多维度优化及其验证

为提高具有益生特性格氏乳杆菌GU-G23的生物量,获取其高密度培养因子,该研究首先通过单因素实验和Plackett-Burman实验筛选出该菌株主要的生长营养因子为鱼蛋白胨、胰蛋白胨、柠檬酸三铵。以响应面实验设计组合作为机器模型训练样本,采用随机森林回归（Random Forest Regression,RFR）和径向基神经网络（Radial Basis Function Neural Network,RBF）模型对其培养基配方进行预测。以决定系数（R-squared,R2）、平均绝对误差（Mean Absolute Deviation,MAE）、均方误差（Mean-Square Error,MSE）和平均绝对百分误差（Mean Absolute Percentage Error,MAPE）作为模型评价指标,比较认为RBF在该研究中具有更好的预测性能。随后选择RBF神经网络和遗传算法（Genetic Algorithm,GA）结合对培养基主要成分进行了优化。最终获得该菌株培养基的优化配方为：鱼蛋白胨29.89 g/L,胰蛋白胨23.33 g/L,柠檬酸三铵4.34 g/L,蔗糖15.00 g/L,低聚果糖15.00 g/L,乙酸钠5.00 g/L磷酸氢二钾0.40 g/L,七水硫酸镁0.58 g/L,一水硫酸锰0.29 g/L,吐温-80 1.00 g/L。在此培养基条件下,所得样品活菌数达到5.21×109 CFU/mL,是未优化前的4.57倍。该研究对微生物高密度培养优化预测提供了新的方法。