基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。     

基于BP神经网络识别毛竹冻融循环次数

毛竹内部在经历不同次数冻融后会发生不同程度损伤,严重的内部结构破坏会影响毛竹材性。利用105组毛竹傅里叶红光谱数据,通过BP神经网络建立了毛竹冻融次数预测模型,无损预测毛竹内部冻融损伤。将105组毛竹平均分为4组,每组依次通过0、1、2、3次冻融循环处理,采集每个毛竹的红外光谱,带入BP神经网络模型中进行训练,发现较优识别准确率可达100%。结果显示：利用傅里叶红外光谱结合BP神经网络,可有效预测毛竹冻融次数,能为毛竹材料选取提供可行方法。     

利用神经网络预测木材径向导热系数

利用神经网络所具有的输入-输出之间的高度非线性映射关系,给出一种利用BP神经网络模型预测木材径向导热系数的方法.为了提高网络模型的泛化能力,采用规则化调整的方法.仿真结果表明:利用文中所提出的神经网络模型能够较准确、快速地预测木材径向导热系数的变化,其精度高于推导出的木材径向导热系数的理论公式.     

基于PSO的发动机故障诊断算法与应用

为提高发动机的安全性,利用BP神经网络进行发动机故障诊断。BP神经网络隐含层节点数根据经验公式选择,并考虑训练方法的影响,通过比较每种方案的误差确定为最佳BP神经网络方案。由于BP神经网络存在诸多有待优化之处,选择粒子群算法优化BP神经网络,首先提取粒子群中相应参数作为网络的权值和阈值,然后设置网络进化参数,最后将从粒子群中提取的数值赋给神经网络,进行网络训练。利用发动机故障诊断台架对两种算法进行故障诊断测试,将结果与未优化的BP神经网络进行比较,结果显示,经过粒子群优化后的BP神经网络学习速度和诊断正确率均优于未优化的BP神经网络。     

BP神经网络对超临界CO_2萃取油茶籽油过程的模拟

应用BP神经网络(BPNN)对超临界CO2萃取油茶籽油过程进行了模拟和预测。研究了神经网络的构建、训练以及学习算法和隐含层结构的优化,并用得到的神经网络对不同原料平均粒径(0.215～0.625 mm)、压力(30～35 MPa)、温度(35～50℃)、CO2流量(20～25 L/h)条件下的油茶籽油收率进行预测。结果表明:L-M算法是适宜的BP神经网络学习算法;具有5/8/1结构的BP神经网络的模拟性能最优;模型的预测值与实验结果吻合较好,大部分数据的相对误差小于3%,说明BP神经网络适用于超临界CO萃取油茶籽油过程的模拟。     

基于BP神经网络理论的物流金融风险评价模型

介绍物流企业在物流金融服务过程中可能遇到的内外部各类风险,分析风险产生的主要因素,并构建一套完善的物流金融风险评价指标体系。通过应用BP神经网络理论建立物流金融风险评价模型,利用BP神经网络的结构形式及训练原理,调查数据为样本,对该网络进行充分训练与检验,从而得到可对物流金融风险做出准确评价的BP神经网络评价模型,为物流企业发展提供借鉴。     

BP神经网络反演森林生物量模型研究

基于LandsatTM影像和DEM数据,尝试利用BP神经网络建立旺业甸林场森林生物量非线性遥感模型系统,通过实验筛选,最终利用增强型的BP网络进行训练仿真。模型仿真结果表明,增强型的BP神经网络具有自学习和自适应功能强、收敛速度快的特点,能够最大限度地利用先验样本。仿真检验结果的相对系数达0．8022,平均相对误差为15．7％,表明该模型预测的生物量与实际生物量一致性较好,能够达到较好的反演效果。     

基于BP神经网络的泉州湾红树株高预测模型

在分析测量数据的基础上,提取红树的平均基径、基径数、平均胸径、胸径数等特征参数,建立了预测红树株高的人工神经网络模型。采用Levenberg-Marquardt优化算法改进了BP神经网络算法;采用训练好的BP神经网络模型对距堤坝25,50,75 m 3个采样点的株高进行预测,预测值和实测值的均方根误差分别为0.000 6,0.002 2,0.004 1,相关系数分别为0.99,0.95,0.94。结果表明利用BP神经网络对红树株高进行预测是可行的。     

基于串并联理论木材导热系数的初探研究

为定量表征木材纵向与横向导热系数,笔者基于木材宏观特征与微观构造,结合电阻串并联理论,建立了木材纵向和横向导热系数模型,系统分析了木材密度、水分及温度对木材纵横导热系数的影响规律。并以樟木为例,系统研究了不同温度及含水率状态下樟木导热规律,验证了木材纵横导热系数模型的准确性。利用该模型可以快速推导木材的导热系数,为量化分析木材干燥及热处理过程提供理论基础。     

木材导热系数实验与模拟方法的研究进展

精准评定木材的导热系数对木材干燥、热处理等工艺优化及模型构建意义重大。近年国内外学者主要通过实验法与模拟法两方面解析木材的导热行为。本文在综括木材导热系数的实验法与模拟法的基本原理、特点及应用研究现状基础上,从检测方法的规范性、模型构建的合理性两方面,分析不同检测方法的科学性、精确性及实用性,旨在为木材导热系数的精确测算提供借鉴与参考。