基于改进BP神经网络的离心泵性能预测

采用改进神经网络(贝叶斯正则化算法)对IB型单级离心泵水力模型的性能进行了预测,通过工程实践中得到的100组离心泵最优几何尺寸来训练网络,并用训练好的网络对需生产的水泵进行工况预测。结果显示,用改进神经网络来预测单级离心泵的性能,预测误差不超过6%。     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

基于BP神经网络的乳制品质量预测研究

在乳制品加工生产中,产品生产质量是生产过程中的关键因素。为了实现产品生产质量的管理,引入了基于人工神经网络的预测方法,以实际生产过程中实验室检测数据以及仪表观测数据作为网络学习样本,通过训练网络模型并将训练后预测模型应用于乳制品企业实际生产,为产品质量分析提供了可靠的依据。     

基于改进BP神经网络的复合叶轮离心泵性能预测

应用Matlab建立了复合叶轮离心泵效率和扬程的BP神经网络预测模型.选取73组试验结果作为样本,采用LevenbergMarquardt法则对构建的网络进行训练,并随机选取12组训练样本外的数据对训练好的网络进行测试.试验的主要参数为流量Q, 叶片数z,叶片出口安放角β2,短叶片进口直径Di,叶片出口宽度b2,效率η以及扬程H.其中选取Q,z,β2,Di,b2作为网络的输入层,η和H作为输出层.预测结果的分析表明,预测值与试验值具有较好的一致性,利用BP神经网络对复合叶轮离心泵性能进行预测是可行的,可用来作复合叶轮的辅助设计,从而缩短试验时间,降低成本.     

基于BP神经网络的排种器充种性能预测

在分析丸粒化玉米种子精密排种器工作原理的基础上,运用Matlab神经网络工具箱建立了排种合格指数A的BP神经网络预测模型,选取排种轴转速n、型孔直径D和排种盘的锥角Ф作为试验因素进行排种性能试验,得到81组合格指数的试验结果。选取其中的60组进行样本训练,并对剩下的21组结果对训练好的网络进行预测,n,D,Ф为输入层,A为输出层,网络结构为3-11-1的3层网络。预测结果表明,预测值与试验值误差较小,为排种器的优化设计及参数的选择提供了依据。     

基于BP神经网络的农田灌溉量预测

农田灌溉量预测对水资源合理规划和优化配置具有重要意义。为此,以农田水分平衡公式为基础,导出灌溉量I与前各时期的降雨量pt-1、pt-2、pt-3灌溉面积S之间存在非线性关系,由此建立了农田灌溉量的BP神经网络预测模型。检验结果表明,灌溉量BP神经网络预测法精度约为94.5%。因而,以灌溉面积、前各时期降雨量为输入变量,结合BP神经网络技术来预测农田灌溉量,具有很好的应用前景。     

基于BP神经网络的农业机械数量预测

为了提高农业机械化水平、农业生产效率和优化农业产业结构,保证在农业机械生产与实际需求的一致性,在制订农业机械化水平发展规划过程中需要对农业机械数量进行预测。为此,采用基于遗传算法的BP神经网络预测算法,对我国从1997-2013年期间以农机总动力、中大型拖拉机数量和小型拖拉机数量为内容的主要农业装备数量进行预测。预测结果表明,利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量,农机总动力预测值与绝对值平均误差为1.080%、农用大中型拖拉机数量预测值与绝对值平均误差为1.352%、小型拖拉机数量预测值与绝对值平均误差为1.765%,预测精度稳定,该预测方法适用于本时间序列预测问题。     

基于AIGA—BP神经网络的粮食产量预测研究

针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,本研究借鉴免疫算法和遗传算法的优点,设计具有浓度调解机制和全局寻优特性的自适应免疫遗传算法(AIGA),用该算法来优化BP神经网络的权值和阈值,并最终给出AIGA—BP神经网络的MapReduce实现。通过仿真实验验证:在精准度方面,AIGA—BP神经网络对于粮食产量预测的精度要明显优于BP神经网络;在效率方面,该算法的MapReduce实现具有更快的处理速度和良好的加速比,在使用大尺寸训练集时优势更为明显。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

基于BP神经网络的HCNG发动机非正常燃烧仿真研究

为了解HCNG发动机某工况下的缸内燃烧情况,利用该工况的台架试验缸压数据,分析对比每个循环缸压值与平均缸压值,从理论上确定发生失火等非正常燃烧的循环。在Matlab中建立BP神经网络,利用理论分析的数据对其进行训练仿真。仿真结果显示,BP神经网络的表现函数mse为0.0229,可用于准确判断缸内的非正常燃烧情况。     

应用电特性测量大豆含水率的实验研究

对基于电特性的大豆含水率测量方法进行研究,自制圆筒形电容器,利用智能 LCR 测量分析仪对不同含水量的大豆样品进行测试。实验结果表明,在1 kHz 频率下,大豆含水率与其等效电容值之间有显著相关性;利用BP 神经网络对实验数据建模,结果表明, BP 神经网络预测值和实验值非常接近;利用大豆电特性进行含水量检测,可以满足大豆含水率快速无损检测的要求。     

基于BP神经网络的牡丹花热风干燥含水率预测模型

针对热风干燥制作牡丹压花时含水率不便实时测定的问题,探讨了干燥过程中热风温度、风速、压花板孔密度和牡丹花初始质量对干燥速率的影响.利用BP神经网络建立了干燥时间、热风温度、风速、牡丹花初始质量、压花板孔密度与牡丹花干燥过程中含水率之间的关系模型,采用Matlab神经网络工具箱对模型参数进行训练和模拟.结果表明,利用神经网络建立的模型仿真结果与实测值接近,预测性较好.     

基于BP神经网络的大棚作物腾发量预测模型

在分析影响大棚作物腾发量的气象因子的基础上,以气象因子为输入向量,以大棚作物腾发量为输出向量,构建了气象资料不足情况下计算大棚作物腾发量的BP神经网络模型。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测,并把预测结果与用传统的Penman Monteith公式计算而得的同期作物ET值相比较。BP神经网络模型的预测值与公式计算的ET值的相关系数为0．986。研究结果表明：构建的模型计算精度较高,方法简便可行,能满足实际生产需要。     

径向基神经网络在猪胴体瘦肉率预测中的应用

猪胴体瘦肉率(LMP)是评价猪肉品质的重要指标之一,在生产线上快速而准确地预测出其数值并进行分级是并不可少的。目前,国内大部分厂家依然采取屠宰后人工称重测量的方法,耗时耗力,且存在相当大的误差。为此,随机抽取了116头皖北地区商品猪,选定眼肌面积、背膘厚及腿臀比作为参考数据,以Mat Lab工具箱作为研究工具,利用BP、Elman和RBF等3种不同的神经网络建立预测模型,统计后进行比较分析。实验表明:3种模型的神经网络均可用于瘦肉率预测,但RBF网络误差最小,训练速度最快,学习能力最强,最适合用于建立瘦肉率的预测模型。     

基于GA-BP神经网络的甘蔗收获质量预测

甘蔗联合收割机收获质量对制糖工艺有极大影响,但测量难度大,难以直接获得.针对上述问题,以甘蔗联合收割机切割机构、行走机构、切段机构、风机机构的负载压力信号和转速信号为输入变量,以含杂率和损失率为输出变量,建立了一种GA-BP神经网络预测模型.GA-BP神经网络预测模型对甘蔗收获质量的预测结果平均MSE为0.0937,平...     

基于神经网络红枣红外辐射干燥预测模型建立

针对红枣红外辐射干燥含水率的变化具有非线性和时变性、很难利用现有的模型构造一个数学模型来描述其变化规律的问题,利用Mat Lab神经网络工具箱和红枣红外辐射干燥特性试验数据建立了神经网络预测模型。通过对实测值和模型预测值进行分析研究,得出利用BP神经网络可以较快速、准确地建立模型来描述含水率的变化规律,且模型的预测值与试验测试值误差较小,能很好地实现在线预测的效果。     

基于BP模型的蝗虫密度预测系统的研究

为了预测农田蝗灾发生情况,研究了基于超低空飞行器的农田蝗灾预警系统.对由飞机上摄像头采集到的图像进行处理,得到幼蝗分布密度,结合往年蝗虫密度以及当地前1年内月平均气温和月平均降水量的情况,建立BP神经网络模型,并结合蝗虫密度采样的特点,提出了改进的BP算法,预测了东亚飞蝗成虫发生密度.在研究空间内插算法的同时,结合GIS空间分析,在数字地图上生成蝗虫发生密度图,为灭蝗工作的实施提供了参考.     

基于神经网络的传感器非线性校正方法

BP神经网络是基于数值计算的知识处理系统，具备高度非线性映射的能力。为此，通过BP神经网络对样本数据进行训练，得到非线性校正模型及精度值，然后与传统的曲线拟合方法进行比较分析。结果显示，基于神经网络模型的传感器非线性校正方法具有良好的测试精度和实用性。     

基于优化模糊神经网络权值的大豆虫害诊断

采用模糊神经网络应用于大豆虫害快速识别方法。首先选择我国北方地区具有代表性的食心虫等7种虫害作为输出,用数字化特征表示。依据危害方式、危害症状等8种性状对182个大豆虫害样品进行诊断,选择1 3 6个样本作为训练集,选择4 6个样本作为预测集。首先使用AHP层次分析法对权值进行调整;其次,依据最优参数分别建立BP神经网络和模糊神经网络模型。实验结果表明:选择模糊神经网络进行模型建立,共预测对4 4个样本,判定识别率高达9 5%,证明了模糊神经网络进行大豆虫害判别是可行的。