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KPCA-BP神经网络与GC-MS图谱的白酒价格预测技术

为实现对白酒价格的准确预测，采用气相色谱-质谱（GC-MS）技术对白酒样品的挥发性风味成分进行测定后选择对不同档次白酒样品有显著差异的微量成分，分别采用主成分分析（PCA）与核主成分分析（KPCA）对GC-MS图谱数据进行降维处理，再将降维后的数据送入到反向传播（BP）神经网络实现价格预测。结果表明，不同档次白酒样品检测出27种挥发性风味成分，其中，酯类8种，醇类9种，酸类9种以及醛类1种；除对不同档次白酒样品无显著性差异的微量成分丁酸乙酯、正己酸乙酯、丙醇、正丁醇、异戊醇和己酸外，采用PCA和KPCA对21种挥发性风味成分进行特征提取。结果表明，PCA前3个主成分累计方差贡献率达87.38%,KPCA前3个核主成分累计方差贡献率达90.02%,KPCA对3种档次白酒在三维空间上有良好的区分度，更能实现白酒特性的准确表达；KPCA-BP神经网络对中、高端白酒预测误差为5%，而PCA-BP神经网络预测误差为15%；白酒价格预测模型验证结果表明，KPCA-BP神经网络方法比PCA-BP神经网络预测的价格更准确，PCA-BP准确率为86.89%,KPCA-BP神经网络准确率达到92.96%。     

基于PCA-BP算法的智慧建筑空调能耗预测

近年来,智慧建筑的空调能耗越来越重视向节能化发展。受气象参数和建筑参数等多种环境因素影响导致传统的SVM、Tree、Linear Regression、BP神经网络等算法不能准确的预测空调能耗,提出一种基于PCA(principal Component Analysis)-BP(Back Propagation)神经网络的融合算法来能耗预测。通过模型仿真试验,得出PCA-BP融合算法空调能耗预测的误差均方根为0.0056k Wh,预测准确度较传统BP神经网络算法提高了45.4%。     

基于遗传算法和BP网络的造纸废水处理预测研究

在造纸废水处理过程建立出水COD预测模型中,针对BP算法易陷入局部极小、收敛速度慢等缺点,根据遗传算法(Genetic Algorithm-GA)具有全局寻优的特点,将两者结合起来形成一种训练神经网络的混合算法--GA-BP算法;仿真结果表明,预测模型具有较强的学习能力和泛化能力,同时,建立的GA-BP模型预测输出的平均误差仅为0.88%,说明此模型可以有效、可靠地预测造纸废水出水COD.     

主成分分析与BP神经网络对束裤压力的预测

为了预测人体穿上束裤时身体各部位的压力变化,提出了一种主成分分析与BP神经网络相结合的预测方法。首先测量了90位女大学生在穿着同一品牌、款式束裤时,身体各部位所对应的压力值,然后用主成分分析的方法对影响压力的9个因素进行提取分析,得到体重、臀围和大腿中部围这3项作为神经网络的输入指标,压力值作为输出指标。借助Matlab软件自行编程并进行调试,比较并分析BP神经网络与PCA-BP神经网络的预测结果。结果显示,PCA-BP神经网络较BP神经网络预测的相对误差的精度提高了3. 790 7%,相对误差的绝对值精度提高了5. 793 4%,训练时间减少了18. 321 s。     

基于GA-BP神经网络异纤分拣机检测参数优化

探讨基于遗传算法(GA)优化BP神经网络预测模型、提高异纤分拣机检出率的方法。针对BP神经网络收敛速度慢和易于陷入极小值等缺点,建立基于GA-BP神经网络的异纤分拣机检测参数预测模型,对改进前后的预测和检出结果进行对比分析。结果表明:GA-BP神经网络在准确输出预测值的同时,收敛速度也比传统BP神经网络预测模型快;且GA-BP神经网络比传统BP神经网络的实际检出率高出5%。认为:基于GA-BP神经网络的算法具有更高的准确性和可行性。     

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。     

基于神经网络的生鲜水产品货架期预测模型的构建及应用

为建立一种能够同时适用于多种新鲜水产品货架期的预测模型,采用反向传播(BP)神经网络模型、遗传算法(GA)优化的BP神经网络模型(GA-BP)、径向基函数(RBF)神经网络模型、极限学习机(ELM)神经网络模型和支持向量回归机(SVR)模型分别对金枪鱼、三文鱼、大菱鲆和鲷鱼的货架期进行预测,寻找最优的模型预测结果。首先通过试验获得4种水产品在0,4,10 ℃贮藏条件下的感官评分、菌落总数、挥发性盐基氮值、K值、pH值,构建训练样本和测试样本。经相关性分析,选择与水产品货架期相关性较高的感官评分、菌落总数、挥发性盐基氮值、K值作为模型的输入层单元,然后确定各模型的网络拓扑结构以及参数,进行模型的训练,最后使用训练好的5种模型对测试样本的货架期进行预测。结果表明:5种预测模型的预测精度排序为:SVR模型>RBF神经网络模型>GA-BP神经网络模型>ELM神经网络模型>BP神经网络模型,其中BP神经网络模型的预测精度最差,均方误差(MSE)为9.5127×10-4,平均绝对误差(MAE)为0.0197,平均绝对百分比误差(MAPE)为0.0825,R2为0.9766;SVR模型的预测精度最优,预测误差均在12%以内,MSE为2.2971×10-4,MAE为0.0128,MAPE为0.0631,R2为0.9944,能够很好地同时预测4种水产品在不同储藏温度下的货架期。本研究为水产品的品质控制提供一定的理论基础。     

基于BP神经网络的变形监测数据处理

变形监测是大型建筑物、构筑物安全运营的保障性工作,从而避免灾害的发生,则需要进行相应的预测预警。本文通过基于BP网络模型的变形监测与基于遗传算法的BP网络模型的变形监测的对比,表明所建立的GA-BP模型预测输出的误差要优于单一的BP神经网络模型,能更加有效、可靠地预测相关变形。     

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。     

预报细纱条干不匀率的BP神经网络方法

介绍了BP神经网络及其算法 ,分别建立了两类细纱条干不匀率CV值预报模型 ,并对预报结果分别作了对比分析 ,得出了两类模型的最佳结构 ,从而证明BP神经网络应用于纺纱质量预报的合理性和良好前景。     

BP神经网络预测废水处理过程的研究

通过在实验室条件下进行追纸废水处理试验取得的数据对BP神经网络进行训练，建立了造纸废水处理过程的网络模型。该网络模型仿真实际废水处理过程的结果表明，BP神经网络具有很强的学习能力。利用BP神经网络模型实现了对造纸废水处理过程的预测，平均相对误差为19％，表明网络泛化能力不是很好。经过动态训练的BP神经网络模型能够比较准确的预测造纸废水处理过程，平均相对误差为1．9％，大大优于未经动态训练的网络模型。     

基于PCA-BP网络的氯丁橡胶门尼黏度预测

为了准确预测氯丁橡胶门尼黏度,采用氯丁橡胶生产工艺机理及数据分析结果相结合的方法,选取影响门尼黏度的主要因素,提出了一种基于PCA-BP神经网络的氯丁橡胶门尼黏度的软测量预测方法,建立了双隐含层的神经预测网络模型。通过训练,确定网络结构为6-5-13-1。仿真显示,最大相对误差为4.1%,平均相对误差为1.8%,最大绝对误差为4.389,误差在允许的范围内,满足生产要求。     

ANN与模糊算法在毛精纺织机效率预报中的对比

 介绍了人工神经网络技术和模糊算法在毛精纺面料织造预报过程中的应用,建立人工神经网络BP质量预报模型和模糊算法中模糊评判模型,利用这2种预报技术分别给出了织机效率预报模型,并比较2种预报模型对毛精纺织造质量预报的性能优劣。通过对人工神经网络技术和模糊算法的理论比较及其预报结果的对比分析,得出在毛精纺织造质量的预报中,人工神经网络BP质量预报模型优于模糊算法中的模糊评判模型,2种预报技术在解决非线性问题方面具有各自的适应性。     

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。     

基于BP神经网络的熔喷非织造布工艺参数优化

为得到熔喷非织造布的最优工艺参数,用实验数据中每组条件的前4个数据作为训练样本,建立了BP神经网络预测模型,并用其余数据作为检验样本对模型进行验证。结果表明：BP神经网络预测过滤效率和透气量的平均值时相对误差均小于9%,模型相关系数都接近于1,因此BP神经网络的拟合效果非常理想。在此基础上通过计算机模拟方法得到最优工艺参数,即温度、接收距离和面密度分别为281℃、18 cm和469 g/m2时,过滤效率可达到94%,透气量在400 L/（m2.s）以上。     

基于MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

卷烟销量组合预测模型研究

  目的  为进一步提高卷烟月度销量预测精度,  方法  本文选择ARIMA模型、基于梯度下降算法的BP神经网络模型、基于Levenberg-Marquardt算法改进的BP神经网络模型等3种模型为单项预测模型, 并利用BP神经网络对各单项预测模型进行动态加权, 构建非线性组合模型对全国卷烟月度数据进行预测。首先, 利用各单项预测方法对卷烟历史数据进行仿真拟合, 并对2018年1~4月的销量进行预测; 其次, 构建非线性组合预测模型, 对3个单项预测模型的拟合及预测结果进行动态加权, 充分利用各个模型的优势, 获取销量数据的各方面的信息。  结果  研究表明, 相比于单项预测模型, 组合预测模型误差绝对值均小于当月的日均销售量, 预测误差更加均衡, 结果更加平稳, 适应性更强, 更符合卷烟销售的实际情况。      

麻灰纱中色纤维混合模型运用

针对目前大部分色纺企业仍然依靠有经验的配色人员进行人工配色,存在配色效率低、配色精度差等问题,提出运用反向传播（BP）神经网络的方法对色纺纱的黑白纤维混合配色进行预测,并与使用Datacolor MATCH系统模拟染料配色方法和基于颜色混合模型中的Kubelda-Munk双常数理论的配色方法对黑白纤维混合配色的结果进行对比。结果表明：上述3种方法均可对麻灰纱的黑白纤维混合配色进行有效的预测,配方的相对误差基本控制在7.36%之内,且配方样品与标准样品的色差小于1;比较而言,3种黑白纤维混合配色的预测模型中,基于BP神经网络的配色方法适用性及精度最佳,配方的相对误差最高,为3.08%。     

结构指数预测古井贡酒风味成分的色谱保留指数

为建立古井贡酒风味成分保留指数的定量结构-保留相关性（QSRR）模型,计算了古井贡酒风味成分的分子连接性指数、分子形状指数、电性拓扑状态指数和电性距离矢量,优化筛选了分子连接性指数的0X、1X、3X和5Xc,分子形状指数的K1、K2和K3,电性拓扑状态指数的E1和电性距离矢量的m1,将这9种指数与古井贡酒风味成分的色谱保留指数进行回归分析,以这9种分子结构指数作为反向传播（BP）神经网络的输入参数,保留指数作为输出参数,采用9∶13∶1的网络结构,构建了BP神经网络预测模型,总的相关系数rt为0.996 6,计算的预测值与文献值较为吻合,平均相对误差为1.88%。结果表明,模型具有良好的预测保留指数的能力,从构建的模型可知,甲基等取代基数量及所处位置是影响古井贡酒风味成分色谱保留指数大小的主要因素。