基于神经网络的离心泵汽蚀性能预测

介绍了离心泵汽蚀性能预测的研究现状,分析了离心泵汽蚀性能预测的主要研究方法．根据设计流量下离心泵汽蚀余量的影响因素,确定人工神经网络的拓扑结构．应用MATLAB的神经网络工具箱,建立单级单吸离心泵汽蚀性能预测的BP神经网络（Back Propagation Neural Network）和RBF神经网络（Radial Basis Function Neural Network）两种人工神经网络模型．用工程实践中得到的57台离心泵几何参数和试验数据作为样本来训练建立好的网络,并用6台离心泵的数据来测试网络．预测值与试验值的相关性分析表明,BP和RBF网络的预测结果均较好,其中BP网络预测模型的平均相对偏差为5．69％,RBF网络预测模型的平均相对偏差为6．32％,可满足工程应用的要求．     

基于GRA/BPNN的农作物害虫发生量预测模型

针对农作物害虫灾害发生的差异性、突发性、随机性、多样性和不均匀性等特点,将人工神经网络、灰色关联度分析与主成成分析相结合,提出一个新的农作物害虫发生预测网络模型.首先,针对影响农作物害虫发生影响因子较多的问题,模型通过主成分分析方法将影响因子进行简化处理;同时,为了实验数据的相关性,采用了灰色关联度分析,排除实验与统计等方面的误差;最后,利用BP人工神经网络构建了农作物害虫发生预测模型,并以斑潜蝇为例,进行了试报检验.检验结果表明,模型应用于农作物害虫灾害发生预测具有较高的预测精度和良好的泛化能力.     

人工神经网络在葡萄霜霉病预测中的应用

近年来,人工神经网络模型开始逐渐应用于植物病虫害的预测预报中,并取得了良好效果,已成为植物病虫害预测预报的新途径.为此,以温度、相对湿度、累积降雨量及累积降雨日作为预测因子,以葡萄霜霉病的感病指数为预测目标,利用人工神经网络的BP算法建立了葡萄霜霉病预测模型.以陕西杨凌地区2004年和2006年的数据作为BP网络的训练资料,对2007年霜霉病的流行状况进行预测,预测的变化趋势与该年霜霉病实际的流行趋势吻合.由此证实,利用神经网络建立葡萄霜霉病预测模型是可行的.     

BP神经网络在浅层地下水矿化度预

针对导致黄河下游三角洲地区土壤盐渍化的浅层地下水因素,以该地区典型区域为研究对象,将人工神经网络引入地下水矿化度的模拟和预测中,建立了基于土壤盐分、地下水埋深和pH的地下水矿化度预测的BP神经网络模型,并与多元回归模型在拟合精度和预测性能方面进行了比较。结果表明：研究区域地下水矿化度与土壤盐渍化程度呈显著的相关性,多元回归模型能较好地拟合地下水矿化度;通过网络训练确定了地下水矿化度的BP神经网络的拓扑结构为5：8：1,BP神经网络的拟合精度明显优于多元回归模型;统计检验表明BP神经网络的预测性能亦优于多元回归方法,其预测精度提高了50.1%。该研究可为黄河三角洲地区盐渍化的水盐调控和预测预报提供理论基础与决策依据。     

基于人工神经网络的固体碱催化制备生物柴油工艺优化

为了获得最优工艺条件,在单因素试验的基础上,利用正交试验和人工神经网络研究了固体碱氧化钡催化酯交换制备生物柴油的工艺.研究结果表明,以正交试验数据为基础,利用人工神经网络的反向传播BP算法建立网络预测模型能够较准确地预测不同反应条件下生物柴油的转化率.由此得到优化的工艺条件为:甲醇用量为油质量的30%,催化剂用量为油质量的1.0%,反应时间为2.5h,油浴温度为80℃,模型预测转化率为94.65%,实际转化率为96.82%,相对误差为2.24%,说明建立的模型能够反映样本自身的内在规律.     

人工神经网络在土壤含盐量预测中的应用

土壤含盐量的预测对合理配置水资源.防治土壤次生盐碱化等具有重要的指导意叉.在阐述BP人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层BP网络模型,以土壤含水率、地下水矿化度、地下水pH值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测.结果表明,BP神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度.     

基于神经网络的洮河枯期径流预报模型研究

根据洮河50年(1957～2006年)的径流量、降雨和上游径流量数据,建立了基于反馈神经网络的Elman洮河枯季径流预报模型。利用matlab7提供的神经网络工具箱进行建模训练。仿真结果表明所采用的Elman网络预报模型精度高,为人工神经网络运用到水文预测方面提供了依据。     

一种非线性组合预测方法在径流预测中的应用

将基于人工神经网络的非线性组合预测方法应用于径流预测中，以1996年太阳沱的洪水资料为例，对已经建立的2个模型，采用3层的BP网络进行组合模拟预测，从多方面分析比较，证明用该种方法能够提高预测精度，结果令人满意。     

基于光谱分析的温室黄瓜营养状态的研究

黄瓜在温室栽培面积中占有很大的比重,监测温室黄瓜营养状态非常重要。因此,利用光谱分析技术对叶片所含的化学成分进行测量,主要包括建模与预测两步,采用基于BP算法的人工神经网络和支持向量机进行光谱的定量分析,探索基于光谱分析的整株光谱判断温室黄瓜的营养状态。研究结果表明,基于 BP 算法的人工神经网络和支持向量机所建立的回归模型,在一定程度上提高了模型的自预测能力和实际预测能力。     

LS-SVM和BP-ANN在草莓糖度NIR检测中的应用

为了提高草莓糖度近红外光谱定量模型的性能,采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6 000～9 000 cm-1.结果表明,所建立的最小二乘-支持向量机和反向传播人工神经网络定量模型的校正性能、预测性能和稳定性均优于偏最小二乘定量模型,最优模型为前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型,其校正和预测相关系数分别为0.957和0.951,校正和预测均方根误差分别为0.279％和0.272％,剩余预测偏差为3.23,与以往研究文献相比,获得了较为理想的预测精度和稳定性能.     

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。     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

基于神经网络的农业病虫害损失预测

鉴于农业病虫害经济损失的预测具有较强的复杂性和非线性特性,设计了一种新型的GRNN预测模型,对农业病虫害经济损失进行预测.该模型基于人工神经网络捕捉非线性变化独特的优越性,在神经网络技术和江苏省气象局提供的数据的基础上,利用MATLAB人工神经网络工具箱及GRNN广义回归神经网络建立预测模型,来提高农业病虫害经济损失预测的精度.预测结果表明,该方法建立的模型可以实现对病虫害经济损失的预测,且其预测精度较高.     

基于GM-ANN组合模型的大坝变形监测数据分析方法

大坝变形监测数据由于受水位、温度、时效等多因素影响,呈现一定的趋势性和波动性。引入时间序列分析模型和方法,合理分析大坝变形监测数据序列特征,精确预测大坝变形状况,是大坝安全监测的重要内容。重点针对"贫信息"、"小样本"情况下的大坝变形监测数据序列,将灰色模型(GM)与人工神经网络(ANN)模型相结合,研究了分析和预测大坝变形监测数据的方法,并进行工程实例验证。首先利用灰色模型拟合和预测实测样本数据,然后将灰色模型残差作为人工神经网络模型的学习样本进行训练和预测,最后将上述结果进行综合得到大坝变形的预测值。应用文中所述方法对某实际大坝变形监测数据的建模检验表明,本文给出的GM-ANN模型预测精度高于GM(1,1)模型,具有较好的实用性。     

基于L—M优化算法的喷头射程神经网络预测模型

喷头射程受较多因素影响,各因素之间相互作用,是一个复杂的非线性系统.神经网络能有效地描述非线性模型多输入和不确定的特征.采用Levengerg-Marquardt优化算法对神经网络进行了改进.对获得的数据进行训练,建立了喷头射程预测中喷嘴仰角、喷嘴直径和工作压力的映射网络模型,并模拟分析了喷头射程与其影响因素之间的变化规律.结果表明,用基于L-M算法的人工神经网络预测喷头射程时,不需要建立具体的模型,设计方便、运算迅速、仿真性强、精确度高.     

考虑壁面影响的矩形裂缝通道中的颗粒沉降

为了表征颗粒在矩形裂缝通道中沉降时壁面对沉降速度的影响,基于人工神经网络(ANN)提出壁面因子预测方法,提取影响颗粒沉降速度的7个参数(ρf,ρp,d,d/a,a/b,K和n)作为特征值,借助Machac的70组试验数据对模型进行训练和预测,并将人工神经网络预测结果与Miyamura公式和刘马林公式计算结果进行对比分析.结果表明:人工神经网络模型具有较高的精度,90%的预测结果误差小于7.5%.与Miyamura公式和刘马林公式相比,人工神经网络模型不但在处理平行板模型和矩形模型时有较高的工程精度,而且具有更广泛的适用范围,能够满足更加复杂的工程需要.     

基于GWO-LSTM的设施蔬菜温室温度预测

温度是设施生产中作物生长的主要制约因素之一,提前预测温室温度对精准调控温室环境具有重要的指导意义。因此提出一种基于灰狼优化算法的长短期记忆网络模型预测温室温度,该模型利用灰狼优化算法(Grey Wolf Optimizer,GWO)对长短期记忆网络(Long Short Term Memory,LSTM)模型参数进行调整优化。以江苏省农业科学院阳光板温室2020年9月23日—12月21日期间的试验数据对该方法进行验证。结果显示：在预测时间步长30 min时,GWO-LSTM 的预测均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.677 6、0.411 4、0.168 7和0.960 4。在预测时间步长60 min内,GWO-LSTM模型预测精度均高于标准LSTM和反向传播人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)。说明所提出的GWO-LSTM模型能够准确地预测未来温室内温度变化,可为制定温室环境智能调控策略提供有效的数据支撑。     

水稻产量预测的Hopfield数学模型

在众多的人工神经网络模型当中,Hopfield神经网络是应用比较广泛的一种。鉴于Hopfield神经网络的特点,将其应用于水稻产量预测领域,运用人工神经网络的知识,建立了水稻Hopfield产量预测的数学模型,通过它可以提高水稻产量预测的精确性,以提高肥料利用率,促使水稻优产、高产,达到经济、生态和社会效益的统一。此数学模型已通过了测试与试验验证,取得了较好的效果。     

灌区降水量影响因子分析与集合降水预测

针对降水随机性较强、影响因素复杂、单一模型预测精度低的特点,采用集对分析法,研究降水量与气象影响因子的关系。将基于密度参数的径向基函数人工神经网络模型与灰色模型相结合,利用信息熵权重法计算2个单一模型的权重,构建基于信息熵的集合模型(Combing model based on information entropy,IE-CM),用于三江平原友谊农场的降水量预测。研究结果表明,与单一模型相比,IE-CM模型预测结果的决定系数、平均相对误差及均方根误差较单一模型均有所提高,分别为0.99、10.655%和3.03 mm,预测结果的合格率为83.3%,均满足水文预测要求。     

人工神经网络模型应用于大坝变形

利用已有的垂线原型观测资料，建立了基于人工神经网络的大坝变形计算模型，并用原型观测数据对其进行了校核和检验。结果证明，用人工神经网络建立坝体变形的神经网络模型对大坝变形能够进行较高精度的预测，并具有一定的优越性。