共查询到16条相似文献,搜索用时 78 毫秒
1.
火电厂SCR脱硝系统的设计需要在满足脱硝效率的同时,尽可能节约成本,因此需要准确预测SCR脱硝所需的催化剂体积。火电厂的烟气条件复杂多变,烟气温度、烟气流量、出入口NOx浓度等参数都会影响SCR催化剂的体积设计,因此催化剂体积预测是一个多因素耦合的问题。针对这一特点,使用BP神经网络对催化剂体积设计进行了预测,并针对该模型结构上的缺陷,进行基于遗传算法优化的神经网络建模研究。结果表明,遗传算法优化后的BP神经网络模型预测精度和数据拟合能力均有提高,为脱硝系统的催化剂体积设计提供了新思路。 相似文献
2.
3.
4.
5.
基于遗传算法优化神经网络权值的损伤识别 总被引:1,自引:0,他引:1
针对传统BP神经网络存在着容易陷入局部极小点、训练时间太长等缺点,采用基于浮点编码的遗传算法对BP神经网络的初值空间进行遗传优化.用基于浮点编码的遗传算法来优化BP神经网络的权值,得到最佳初始权值矩阵,并按误差前向反馈算法沿负梯度方向搜索进行网络学习.以弹簧质量系统作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量.对网络进行训练,仿真结果表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到结构的模态参数识别中. 相似文献
6.
目的 以某空气净化器外壳为研究对象,进行注塑工艺参数优化,从而提高塑料制品的成型质量。方法 设置4个影响塑料制品成型质量的因素:熔体温度、模具温度、保压压力、保压时间,以最大翘曲值作为衡量塑料制品成型质量的指标,通过Moldflow模流分析软件,基于正交试验及极差分析探究各因素的影响主次顺序;使用BP神经网络表征工艺参数与翘曲变形的非线性映射关系;采用遗传算法寻优获得最佳注塑工艺参数组合与翘曲变形量,并将所得参数组合用于实际生产指导。结果 经极差分析,保压压力对塑料制品质量的影响最为显著,其次分别为模具温度、保压时间、熔体温度。经BP神经网络预测与遗传算法寻优,发现当熔体温度为229.5℃、模具温度为77.9℃、保压压力为84.4 MPa、保压时间为6.5 s时,可以使注塑件达到最优质量,预测的最小翘曲值为2.94 mm,此工艺参数组合下的仿真计算翘曲值为2.91 mm,二者吻合程度较高。将优化后的工艺参数组合用于实际生产指导,获得了质量良好的注塑产品。结论 所提出的方法对产品注塑的成型及优化有良好的工程应用价值。 相似文献
7.
8.
目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。 相似文献
9.
遗传算法和BP神经网络在电机故障诊断中的应用研究 总被引:2,自引:0,他引:2
人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明:无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。 相似文献
10.
11.
12.
压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,难以实时修正。提出基于BP神经网络的压电陶瓷蠕变预测方法,使用压电陶瓷驱动系统采集数据,对数据进行归一化处理,通过实验设计BP神经网络的隐含层数、隐含层节点数、节点转移函数和训练函数,构建BP神经网络预测模型,建立压电陶瓷蠕变与时间的关系。用BP神经网络模型对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,蠕变预测结果与实验数据的最大绝对误差均小于0.1 μm,最大蠕变误差均不超过0.6%,最大均方误差仅为0.0021,可见,BP预测模型具有较高的预测精度,可作为预测压电陶瓷蠕变误差的一种有效手段。 相似文献
13.
14.
将遗传算法与神经网络相结合,用遗传算法完成神经网络的学习过程,建立了结构损伤的遗传神经网络检测方法,并对遗传算法进行了改进.研究结果表明,用改进的遗传算法进化神经网络可以有效地避免BP算法有可能陷入局部极小的缺点,而且运算速度大大加快,精度提高. 相似文献
15.
利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。 相似文献
16.
目的 应对快速多变的市场,提前预知市场发展,制定相应的排产计划,使企业在竞争中占据先发优势。方法 目前基于灰色神经网络的预测算法,准确地预测产品需求通常需要连续且大量的样本数据,对小数据非线性系统的预测结果精确度低、可靠性差,针对这一问题,提出一种耦合遗传算法的灰色神经网络预测方法,综合灰色模型和神经网络理论,构建了面向产品订单量需求预测的灰色神经网络模型;通过电力机车产品实例分析了模型的预测性能;为解决预测过程中模型早熟收敛的问题,利用遗传算法对训练网络的权重和阈值进行了迭代优化。结论 研究结果表明,优化后产品预测模型的精确性和鲁棒性得到提高,验证了所设计方法的可行性。 相似文献