基于混合并行遗传算法的蛋白质二级结构预测

蛋白质二级结构预测是后基因组学的重要内容,是准确预测蛋白质分子三维空间结构的关键步骤.为此,提出基于混合并行遗传算法(HPGA)的蛋白质二级结构预测方法,充分考虑蛋白质序列两端氨基酸对中间氨基酸结构的影响,以及蛋白质疏水性对二级结构的影响,在整合与改进前人算法的基础上,使得计算复杂度降低1个数量级,其预测准确率达到62%左右.     

生命科学与生物技术

研究蛋白质的折叠 ,是生命科学领域的前沿课题之一。蛋白质是一种生物大分子 ,基本上是由 2 0种氨基酸以肽键连接成肽链。肽链在空间卷曲折叠成为特定的三维空间结构 ,包括二级结构和三级结构两个主要层次。有的蛋白质由多条肽链组成 ,每条肽链称为亚基 ,亚基之间又有特定的空间关系 ,称为蛋白质的四级结构。所以蛋白质分子有非常特定的复杂的空间结构。通过“蛋白质结构预测”破译“第二遗传密码”,是蛋白质研究最后几个尚未揭示的奥秘之一。天津大学和中国科学院生物物理所的科学家已经做出了优秀的研究成果。他们预测 ,蛋白质的种类虽然…     

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。     

水库来水量预测的进化神经网络法

利用遗传算法的全局空间寻优功能和BP网络映射能力强的优点，用遗传算法确定最优网络结构，建立了水库来水量预测进化神经网络（简称GA-ANN）模型，据此预测水库来水量。实例分析表明，该模型克服了BP网络输入层、隐含层节点确定的盲目性，适应性强，精度高，可供用于水库来水量预测。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

多级离心泵水力性能数值预测涡量分析法

为了研究利用CFD技术预测多级离心泵水力性能的方法,选取某一多级离心泵为研究对象.采用数值模拟方法获得了多级离心泵内部全流场信息.分别选取多级离心泵单级、二级、三级的三维模型进行全流场数值模拟,获得了3种三维模型各水力部件内部的的水力损失,通过对计算结果分析发现,多级离心泵内部各级水力损失大小基本类似,不随级数的不同而改变,这为通过对少级数的数值模拟以预测更多级数的泵性能提供了依据.通过对多级离心泵内部流场各级能量损失进行分析,分析各级能量损失特征及其流动特点,发现各级涡量分布基本一致,损失特性相同,只在最后一级导叶内部的涡结构有一定的区别.采用能量分析结合多级泵内部流场涡动力学分析方法建立了多级离心泵性能数值预测的计算方法,并建立了多级离心泵性能预测基于少级数模型数值分析的计算公式.     

基于遗传神经网络的水田下陷量的预测

分析了遗传算法GA（Genetic Algorithm)和人工神经网络ANN（Artifical Neural Network)的主要内容和各自的优缺点，给出了将遗传算法和人工神经网络有机结合的遗传神经网络，并提出了一种新型的预测水田土壤下陷量的方法。结果表明，遗传神经网络作为预测的一种有效方法是可行的。     

基于神经网络的离心泵能量性能预测

总结了BP网络和RBF网络在离心泵能量性能预测中的应用现状,介绍了这两种网络的结构及特点.分别采用BP网络和RBF网络建立了离心泵能量性能预测模型.用57组数据对这两个预测模型进行了训练,并用6组数据对两种网络结构的性能预测模型进行了仿真.研究结果表面:两种网络结果的预测模型预测精度比较接近且预测结果的趋势也相同,BP网络预测精度略高于RBF网络;BP网络扬程平均预测误差为3.85%,效率平均预测误差为1.39%,RBF网络扬程平均预测误差为4.79%,效率平均预测误差为3.43%;RBF网络预测所需时问仅为BP网络预测所需时间的一半.     

基于CGA-RBF的刀具寿命预测方法研究

刀具作为加工制造系统中的基础部件,刀具的磨损状况及寿命情况直接影响到工件的加工质量和加工效率。为了能够准确预测刀具使用寿命,确保加工精度,提出了一种基于CGA-RBF的刀具寿命预测方法。在RBF神经网络技术基础上,构建遗传算法和混沌寻优算法相结合的寻优机制来对RBF神经网络进行训练优化,建立刀具寿命预测模型。最后应用Matlab仿真软件对刀具寿命预测模型的效果进行验证,结果表明该预测模型具有较好的预测精度。     

拖拉机作业载荷数据平台设计与旋耕作业质量预测

针对拖拉机田间试验数据不足、机组作业质量无法实时评估与准确预测的问题,设计了涵盖多参数、多工况的车载测试终端,构建了全国范围的田间作业试验拖拉机作业载荷数据平台系统,以获取拖拉机各关键零部件的田间作业载荷数据。在此基础上,研究了准确预测、评价拖拉机田间旋耕作业质量的智能算法,为产品研发、性能预测以及作业评估提供全面的基础数据与可靠的预测结果。基于农业大数据,融合BP神经网络与遗传算法对数据平台基础作业载荷进行分类挖掘,预测评价了拖拉机田间旋耕作业质量,结果表明,基于遗传算法的神经网络预测精度高达96.77%,均方根误差(RMSE)小于0.01,说明拖拉机作业载荷数据平台的基于遗传算法的神经网络预测模型可准确预测评价拖拉机田间旋耕工况的作业质量。     

融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络（WNN）获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。     

基于物联网的浮标水质监测系统与溶解氧浓度预测模型

为促进近海养殖业信息化发展,更好地实现对近海养殖环境的监控,设计了基于浮标平台的环境监测系统。利用STM32L475微控制器定时采集光照、温度、pH值、溶解氧浓度等信息,通过物联网技术将数据传输至云监测平台,实现了多区域环境信息远程监测和多终端访问。提出了改进遗传算法BP神经网络的溶解氧浓度预测模型,实现对近海养殖环境的预测;根据所采集的数据,利用改进遗传算法对初始权重和阈值进行优化得到最优参数,在此基础上构建BP神经网络溶解氧浓度预测模型。通过试验验证了该系统海洋环境信息采集的准确性与可靠性,以及溶解氧浓度预测模型的有效性;与传统遗传算法BP神经网络预测模型相比,平均误差由0.0778mg/L降至0.0178mg/L,能够满足近海养殖的实际需求。     

四驱汽车电控分动器性能预测与试验

为了探讨四驱汽车电控分动器的传动性能,以带多片式离合器式的电控分动器为研究对象,提出一种基于遗传PID控制的电控分动器性能预测方法。首先通过分析分动器各部件功耗损失,构建电控分动器传动特性预测模型;其次探讨离合器摩擦副数、摩擦片内外径、润滑油粘度等参数对其性能传递的影响规律;最后在电控分动器试验台上开展了分动器性能试验。试验结果表明,所提性能预测方法能较好地预测行驶过程中电控分动器传动特性,为后期控制系统设计提供理论依据。     

基于环境因子的黄瓜病害预测研究

日光温室中病害的预测预报是病害管理的重要组成部分,也是有效防治和控制病害发生发展的依据,更是农业生产管理和决策的前提。植物生长发育进程明显受到温度的影响,而病害发生又与长时间高温度和高湿度相联系。以往的病害预测多是基于对植物本身的病害特征、种植方法和农药的用量来实现的,多是如何防止。因此,病害早期的预测、预报和防治显得非常重要。为此,根据已有的专家知识库建立以环境数据(即温度和湿度)为输入的神经网络病害预测模型,通过此模型用实际的环境数据再预测未来病害,从而减少病害发生的概率,获得速生高产与优质高效的农产品,实现经济效益最优的目标。     

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。     

基于数值模拟的多级双吸式离心泵性能预测

以北赵引黄工程谢村站用多级双吸式离心泵为研究对象,基于雷诺时均的N-S方程,采用SSTk-ε湍流模型,压力速度耦合使用SIMPLEC计算,对泵内部流动进行了三维定常全流场湍流数值模拟,得到不同工况下该泵内部流动的速度矢量图等流场信息,在对其内部流动规律进行了定性分析的基础上,预测了泵的性能,并与现场测试结果进行了对比分析。分析结果表明,首级叶轮首级压水室以及次级叶轮次级压水室内流动较均匀;由于过渡流道的结构特点以及流动惯性,流体在首级压水室进入过渡流道时,在流道突然扩大区域形成了旋涡,旋涡区域大小与流量有关;预测扬程值与现场测试扬程吻合较好,预测扬程最大误差为2.7%,而预测的流量-水力效率曲线与现场测试流量-机组效率曲线变化趋势一致;水泵内部流动的数值模拟可为工程中泵设计阶段的性能预测和结构优化提供依据。     

基于灰色蚁群组合预测的生物质气化炉双闭环控制

针对生物质气化炉处理过程中存在非线性、大时滞性、不稳定性和负荷干扰特点,提出了一种基于灰色蚁群组合预测双闭环控制算法。首先采用灰色算法建立气化炉温度预测模型,然后考虑可能的扰动,引入蚁群算法对灰色模型进行优化,在此基础上对炉温进行控制;最后引入基于变论域模糊控制算法,利用模糊规则对气化炉一次风量进行控制,在保证炉温稳定的情况下,降低可燃气体含氧量。仿真和现场运行结果表明了方法的有效性和先进性。     

采用优化特征子集选取和改进SVR的养殖禽舍温度预测算法

为提高养殖禽舍温度预测算精度，降低数据冗余度和差异性对预测结果的影响，提出一种基于智能优化特征子集选取和模糊聚类改进SVR（Support Vector Regression）的温度预测模型。首先，构建最优特征子集选取模型，通过设计最优特征子集选取指标，以降低特征之间冗余度和数据维度；采用改进的离散灰狼算法对特征子集选取模型进行求解，以实现最优特征子集选取。其次，建立模糊聚类改进SVR预测机制，通过设计多度量核FCM（Fuzzy C-means）算法，以实现数据样本自动分类；提出与数据样本分类相对应的SVR预测算法，并采用灰狼算法对SVR参数进行优化，最大程度降低样本数据差异性对预测精度的影响。最后，融合最优特征子集选取和模糊聚类改进SVR预测机制，以实现养殖禽舍温度高精度预测。仿真结果表明，该算法实现不同季节条件下养殖禽舍温度的高精度预测，相比于其他预测算法，预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能，具有一定的推广应用价值。