基于广义回归神经网络的电缆接头温度预测

通过电缆接头温度监测电缆接头运行状况,是供电公司管理电缆运行的良好途径。利用已有的110kV单芯电缆运行试验数据,建立基于广义回归神经网络的电缆接头温度预测模型。研究分析结果表明GRNN模型相比BPNN模型具有较高的准确度和可靠性,克服了BPNN模型预测时训练过程中存在局部最小点、收敛速度慢等缺点,     

结合ERDAS的基于BPNN遥感图像分类

基于改进BPNN的遥感图像分类,先利用ERDAS Imagine的Classifier模块对原始遥感图像进行聚类分析并对比,确定分类类别数.后在原始图像上采集各类别的训练样本和测试样本,通过输入训练样本集训练BP神经网络分类器.最后输入整幅遥感图像到训练好的分类器,得到分类图像.试验表明,其精度优于传统统计分类方法.     

基于优化弹道的BPNN预测制导方法

针对飞行器再入滑翔过程,提出一种跟踪优化弹道的BPNN(BP neural network)预测制导方法。首先着眼于多约束下弹道生成的快速性,利用hp-自适应伪谱法进行弹道优化;然后利用弹道样本数据训练BPNN,建立飞行状态参数与终端状态参数之间的非线性映射关系,实现对终端状态的预测;最后为制导律设计了双层线性反馈校正算法,从而完成预测制导关键环节。仿真算例该表明制导方法能够良好地满足再入飞行约束和终端约束,同时可以较好地实现对优化弹道的跟踪,并具有一定的鲁棒性和航程适应性。     

基于BP神经网络的蒸煮卡伯值预测模型

卡伯值反映了纸浆的硬度,是稳定纸浆质量的关键。本文利用BP人工神经网络与工厂实际数据建立了一个简单的卡伯值BP神经网络模型。且介绍了以BP网络为基础的卡伯值预测模型在蒸煮终点预报系统中的应用。将该模型的仿真结果与LUO模型进行比较,可知利用BP人工神经网络进行纸浆卡伯值预测是可行的,且具有很大的理论意义和实用价值。     

基于神经网络与LabVIEW平台建立焊锡真空炉粗锡含铅量的软测量模型与在线监测研究

焊锡真空炉粗锡含Pb量的高低直接关系到焊锡真空炉的生产效率,为了改变目前粗锡含Pb量只能通过人工化验才能得到的现状,实验基于反向传播神经网络(Back-Propagation Neural Network,BPNN)与广义回归神经网络(Generalized Regression Neural Network,GRNN)算法原理,构建了BPNN与GRNN软测量模型并对这两种模型的预测效果进行了对比分析,结果表明基于GRNN的粗锡含Pb量软测量模型具有较高的预测精度。同时,采用虚拟仪器(LabVIEW)中的Matlab Script节点技术,成功开发了基于LabVIEW的粗锡含Pb量监测系统,实现了基于BPNN与GRNN软测量模型的粗锡含Pb量实时在线软预测,运行结果表明所开发的监测系统运行稳定可靠。     

基于BPNN回归预测算法的专家数量预测模型

为迎合新型电力系统对数智化技术的发展需求,提升在集中招标采购数字化、智慧化过程中对数据价值提升、数据挖掘和数据分析的能力,站在招标人的角度,研究并提出了一种基于反向传播神经网络（back propagation neural network,BPNN）回归预测算法的预测模型。首先,深入探讨了电力行业的招标采购专家抽取现状,发现在集中招标采购过程中,需要大量专家参与其中,但专家数量的预测十分困难;其次,分析和学习历史数据,基于现有采购需求的情况及采购策略,有效定位专家需求基本情况,快速准确地预测专家数量;最后,验证了模型在资格预审与资格后审环节中的预测精度,为实际应用提供了参考,达到了降本增效的效果。     

基于BPNN的太阳能板双轴自动跟踪控制系统设计与应用

太阳电池板日照利用效率是光伏发电规划中备受关注的问题,为了实现光跟踪的精确控制,采用了PID控制方法,建立了BPNNPID太阳能双轴自动跟踪控制模型,利用BP神经网络对PID控制中的比例、积分、微分等关键参数进行了优化整定。基于日照强度传感器实现了闭环控制,修正了天文年历计算数据的偏差,完成了实物模型的设计与制作。试验表明:基于BP神经网络PID参数整定的控制策略具有良好的自适应性能,提高了光跟踪系统的响应速度、稳定性及准确性,提高了太阳能板的日照利用效率。研究成果对太阳能光伏发电效能提升应用提供了一定的技术参考。     

基于PSO-BPNN模型的氯氧镁水泥混凝土耐水性预测

为快速准确地获得具有优异耐水性氯氧镁水泥混凝土（MOCC）的配合比,设计了拓扑结构为4-10-2的粒子群优化（PSO）算法-反向传播（BP）神经网络（PSO-BPNN）模型.该模型的输入层参数为n（MgO）/n（MgCl₂）、粉煤灰掺量、磷酸掺量和磷肥掺量,输出层参数为MOCC的抗压强度和软化系数;模型数据集为144组,其中训练集数据为100组,验证集数据为22组,测试集数据为22组.结果表明：PSO-BPNN模型在MOCC抗压强度预测中的评价参数——决定系数R²=0.99、平均绝对误差S_MAE=0.52、平均绝对误差百分比S_MAPE=1.11、均方根误差S_RMSE=0.73;其在软化系数预测中的评价参数——R²=0.99、S_MAE=0.44、S_MAPE=1.29、S_RMSE=0.62;与BP神经网络（BPNN）模型相比,PSO-BPNN模型具有更强的双参数预测能力,可用于MOCC配合比的正向设计和反向指导.     

基于小波子空间能量特征的模式分类性能比较

模式分类性能的好坏主要取决于特征提取和分类器的识别能力,基于声信号目标分类的研究成果应用广泛．本文实验选取某型号发动机不同故障的声音作为分类目标,使用小波技术对目标声信号进行消噪和分解,并求解各尺度空间的能量,然后按一定的规则把这些能量组成特征向量,使用SVM和BPNN进行模式分类,计算机仿真结果表明,两种方法识别率都较高,SVM方法略优于BPNN．     

基于Taguchi-BPNN-SEDEA的精密产品多元质量非参数稳健优化

针对设计参数不确定性和模型结构未知情形下精密产品多元质量波动问题,同时兼顾主体结构对轻量化设计要求,提出一种基于Taguchi-BPNN-SEDEA的多元质量非参数稳健优化方法.首先,通过正交试验设计和有限元分析获取多元质量数值,运用Taguchi方法将多元质量数值转化为信噪比来衡量精密产品稳健性;其次,运用BPNN非参数模型构建多元质量信噪比预测模型,以避免由参数模型设定导致的误差;在此基础上,提出改进的DEA基本模型,采用SEDEA非参数稳健优化方法,将设计参数不确定性下BPNN非参数模型求解问题转化为不确定性条件下复杂多属性决策问题;最后,通过实例表明,所提出的方法能够有效处理设计参数不确定性和模型结构未知并存情况下的多元质量稳健优化问题,从而验证该方法的可行性.