BP神经网络模型在橡胶配方优化中的应用

利用神经网络中的误差逆传播校正算法(BP模型)建立起橡胶配合剂与性能之间的非线性多目标模型，用遗传算法对BP神经网络模型的算法进行了改进，以试验数据为基础进行神经网络的训练，得到可预测橡胶配方性能的BP神经网络模型。以胶粉在全钢子午线轮胎胎侧胶中研究为例，对BP神经网络模型进行了验证。同时，与回归分析方法进行了比较，结果令人满意。     

腐蚀海洋立管剩余强度预测

利用人工神经网络具有的高度非线性映射功能,对在役腐蚀海洋立管的剩余强度进行预测。综合分析了管径、壁厚、腐蚀缺陷长度、腐蚀缺陷深度和管材极限抗拉强度对腐蚀海洋立管剩余强度的影响,建立了反向传播(BP)神经网络预测模型。利用遗传算法(GA)优化BP神经网络的权值和阈值,构建了GA-BP神经网络预测模型。采用DNV-RP-F101标准计算出来的样本数据分别对以上两种网络模型进行训练和预测。预测结果表明:利用人工神经网络对腐蚀海洋立管剩余强度进行预测是可行的,且GA-BP神经网络能够有效地提高网络的收敛性和预测精度。     

应用优化的BP神经网络模型预测储层伤害程度

为了快速、准确的预测柴西北区N21～N22储层伤害程度,在收集岩心分析资料的基础上,建立了预测储层敏感性伤害的神经网络模型。该神经网络模型运用遗传算法和Levenberg-Marquardt算法对BP神经网络的权阈值进行搜索,改进了以往神经网络模型容易陷入局部最优以及收敛速度慢的缺点,有效提高了网络的收敛性和预测的准确率。仿真结果表明：优化后的BP神经网络模型的敏感性伤害程度预测结果与岩心流动实验结果符合率高,同时,优化后的BP神经网络模型比以往的BP网络模型预测速度快、精度高。     

一种改进的混合遗传算法人工神经网络及其应用

采用自适应交叉变异、最优保存、局部寻优的遗传算法,避免了BP神经网络在训练过程中收敛于局部极小点的缺陷,并将其对神经网络的权值和阈值进行优化,从而提出了一种改进的混合遗传算法神经网络模型。该算法首先对一给定的神经网络结构,采用自适应交叉变异和最优保存策略对神经网络进行优化;然后采用局部寻优策略进一步克服神经网络学习算法的早熟问题。采用上述三种优化策略的神经网络模型对三元混合物溶液的物性和烟叶质量进行预测。试算结果表明,与实验值相比,预测结果良好。     

基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测

为了避免BP神经网络在训练过程中收敛于局部极小的缺陷,采用自适应交叉变异、最优保存的混合遗传算法对BP网络的权值和阈值进行优化,从而提出一种新的基于混合遗传算法的神经网络模型.该算法首先对一给定的网络结构,采用混合自适应交叉变异和最优保存策略,取各自的长处,用尽可能少的搜索代数找到问题的最优解,从而既防止算法陷入局部最优,又保证算法有较好的平均适应值和最佳的适应值个体.采用上述优化策略的人工神经网络可明显改善收敛的稳定性和收敛速度,并确保网络收敛于全局极小点.人工神经网络运用于物性数据的预测是一个具有潜力和有待开发的领域.运用该模型,根据有机化合物的分子量、临界密度、正常沸点和偶极矩,对其熔点进行预测.预测结果表明：提出的混合遗传算法神经网络优于其他算法神经网络,而且预测结果优于文献上已有的Joback方程和许氏方程的计算值.     

基于混合神经网络的PA6摩擦磨损性能预测

为预测某一成分的增强PA6基摩擦材料在特定摩擦条件下的摩擦磨损性能,建立了基于BP和RBF神经网络的混合神经网络,并利用自适应遗传算法优化网络参数。模型经训练后进行实际预测,预测值与实测值的相关系数在0.99以上,并描绘出了摩擦因数和磨损率分布关于材料组成或测试条件的三维分布图,结果表明该模型有良好的预测精度和指导意义。     

基于神经网络-遗传算法优化生物柴油制备工艺

根据生物柴油制备的实验数据,用人工神经网络(ANN)的反向传播(BP)算法建立了生物柴油转化率神经网络预测模型,提出了适宜的人工神经网络拓扑结构,讨论了BP算法中学习速率、动量系数及过拟合现象对网络的影响。实验数据检验表明,ANN方法能准确地关联生物柴油制备工艺条件与转化率的关系,转化率预测平均相对误差为1.917%,复相关系数R为0.9996;该神经网络预测模型用遗传算法优化,得到了最佳生物柴油制备条件。     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法 (GA)和模糊神经网络控制器的结构进行了说明。为了克服反向传播算法 (BP)的缺点 ,通过遗传算法对模糊神经网络控制器的参数进行优化 ,亦即对模糊神经网络进行训练。用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象 ,仿真结果证实了其性能较常规模糊控制器优越。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

汽车活塞销表面纳米复合镀层的制备及耐磨性预测

在汽车发动机活塞销表面制备Ni-ZrO_2纳米复合镀层,以期提高活塞销表面的耐磨性。通过正交试验,得到影响纳米复合镀层磨损量的因素主次顺序,并在正交试验基础上建立BP神经网络模型,对纳米复合镀层的磨损量进行预测,进而评价其耐磨性。研究表明:BP神经网络模型能用于预测纳米复合镀层的磨损量,磨损量的预测值与实验值具有较高的拟合度。通过正交试验与运用BP神经网络模型优化的最佳参数组合相同,采用最佳参数组合制备的纳米复合镀层的磨损量较低(仅为4.26mg),其耐磨性良好。     

基于PSO-BP神经网络的发动机故障诊断

提出一种将粒子群优化算法与BP网络结合的新算法——PSO-BP来训练神经网络的权值和阈值,并将该算法用于汽车发动机的故障诊断。仿真结果表明：PSO-BP算法较传统BP网络的故障诊断结果具有收敛速度快、准确度和精度高的特点。     

基于BP神经网络紫外可见光度法测定苏丹红混合组分

应用人工神经网络,以BP算法对混合样品中苏丹红系列的三种组分(苏丹红Ⅰ、苏丹红Ⅲ、苏丹红Ⅳ)的浓度进行测定。在MATLAB 7.0中建立BP神经网络,优化网络条件,对训练样本进行训练,然后对检测样本进行检测。预测结果的误差范围在0.03%~9.20%之间。当样品浓度<0.1×10-4mol/L时,预测误差较大,均在5%以上;当浓度>0.1×10-4mol/L时,预测的相对误差较小,均在5%以下。该方法已用于模拟水样中微量苏丹红的检测。     

基于优化神经网络的高拱坝力学参数反演

高拱坝力学性能参数变化规律复杂,使用人工智能算法进行预测已经成为反演参数的重要手段。使用遗传算法对神经网络进行优化来检验优化后算法的性能,并比较不同算法应用于参数反演中预测结果的精度。根据某高拱坝运行期变形监测数据,分别使用RBF神经网络和遗传算法优化的BP(GA-BP)神经网络对不同水位工况下的坝段分区混凝土弹性模量进行反演。基于反演结果进行有限元正分析计算,将所得结果与实测数据进行对比,检验反演精度和效率。结果表明:GA-BP网络的最大预测误差为1.8%,相比于RBF网络预测精度提高了约50%。使用神经网络进行拱坝力学参数反演实用性好,优化后的神经网络比传统BP神经网络在计算精度和效率两方面均有明显改进,且GA-BP神经网络反演比RBF神经网络反演精度更高。     

基于改进差别矩阵属性约简的聚合釜粗糙集-神经网络故障诊断

引言 聚氯乙烯树脂(PVC)是重要的有机合成材料,其产品具有良好的物理性能和化学性能,广泛应用于工业、建筑、农业、电力、公用事业等领域.聚合釜则是聚氯乙烯生产装置的关键设备,聚合釜能否稳定运行直接关系到整个聚氯乙烯生产装置的运行状况.     

基于径向基函数网络的MH/Ni电池建模及容量预测

引　言近年来 ,随着汽车的迅速发展和大量普及 ,它所造成的尾气污染问题也日益突出 .电动车的发展可以有效地解决燃油汽车的污染排放问题 .MH/Ni电池是一种无污染的“绿色能源” ,它具有高比能量、高比功率、长寿命及安全性好等特点 ,是电动车用动力型电池的首选 .在动力型电池     

基于神经网络与遗传算法结合的硝化细菌发酵培养基优化(英文)

Two artificial intelligence techniques, artificial neural network and genetic algorithm, were applied to optimize the fermentation medium for improving the nitrite oxidization rate of nitrite oxidizing bacteria. Experiments were conducted with the composition of medium components obtained by genetic algorithm, and the experimental data were used to build a BP (back propagation) neural network model. The concentrations of six medium components were used as input vectors, and the nitrite oxidization rate was used as output vector of the model. The BP neural network model was used as the objective function of genetic algorithm to find the optimum medium composition for the maximum nitrite oxidization rate. The maximum nitrite oxidization rate was 0.952 g 2 NO-2-N·(g MLSS)-1·d-1 , obtained at the genetic algorithm optimized concentration of medium components (g·L-1 ): NaCl 0.58, MgSO 4 ·7H 2 O 0.14, FeSO 4 ·7H 2 O 0.141, KH 2 PO 4 0.8485, NaNO 2 2.52, and NaHCO 3 3.613. Validation experiments suggest that the experimental results are consistent with the best result predicted by the model. A scale-up experiment shows that the nitrite degraded completely after 34 h when cultured in the optimum medium, which is 10 h less than that cultured in the initial medium.