混流式水轮机综合特性的Adaboost_LMBP集成神经网络模型

为提高基于模型综合特性曲线的混流式水轮机非线性模型精度,提出了一种适合描述水轮机综合特性的Adaboost _LMBP集成神经网络模型构建方法。该方法首先分别根据混流式水轮机单位力矩、单位流量特性数据,利用Levenberg -Marquardt算法反复训练出若干个BP神经网络弱学习器,然后采用Adaboost增强学习算法对全部BP神经网络弱学习器进行集成,最终构建出水轮机单位力矩、单位流量特性的Adaboost_LMBP集成神经网络模型。计算结果表明,相较于一般的神经网络模型,混流式水轮机综合特性的Adaboost_LMBP集成神经网络模型具有更高的拟合精度,更好的泛化性能,能够有效提升基于模型综合特性曲线的混流式水轮机非线性模型的计算精度。     

土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选

基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。     

基于遗忘因子和误差修正的水文实

在进行水文预报时，由于影响河道洪水的因素众多，常用的水文预报模型往往不符合实际水文系统的客观规律。对这类系统的参数辨识要求算法具有较强的实时跟踪能力，以适应模拟或预测洪水运动变化过程的要求。利用洪水预报误差信息，对BP网络洪水实时预报校正模型与方法进行了探讨，提出了两种实时预报方法。第一：运用最小二乘递推算法，引入时变遗忘因子实时跟踪模型中时变参数的变化，建立了神经网络在非线性系统中动态的系统输入、输出数据之间的映射关系。第二：利用BP网络模型对误差的可识别性，将模型对输出变量的预报误差再次作为输出变量，对网络可能预报的误差进行实时修正。计算实例表明：以上两种方法提高了神经网络在水文领域的预报精度，给BP神经网络的实时预报方法提供了新的途径。     

玉米秸秆热裂解产物产率预测分析

以影响热裂解液化过程的因素(输入功率、压差、氩气流量和进料率)为网络输入,热裂解液化产物为网络输出,应用BP神经网络模型法对玉米秸秆热裂解液化产物产率进行了预测分析,并将预测结果与非线性回归分析法进行了比较分析.结果表明,采用BP神经网络模型预测输出值与试验值间的相对误差总体上在5％之内,说明模拟预测的效果较好.对BP神经网络模型法与非线性回归方法的预测结果对比分析显示:在试验数据范围内,BP神经网络模型对玉米秸秆热裂解3种产物产率的预测值更接近试验值,计算精度比非线性回归方法略高.     

基于BP神经网络的锡青铜连杆衬套磨损量预测

利用连杆衬套—活塞销往复摩擦磨损试验机,获得锡青铜QSn7-0.2连杆衬套在不同工况(载荷、转速、连杆衬套和活塞销间隙)下的磨损量数据。基于BP神经网络技术,建立了运行工况和磨损量之间的非线性函数关系。用连杆衬套—活塞销往复摩擦磨损试验结果训练神经网络模型,得到和试验数据相匹配的BP神经网络模型。最后进行神经网络模型检验,结果表明:BP神经网络模型具有很高的预测精度,可以较好地预测锡青铜连杆衬套的磨损量。     

基于BA-BP开关磁阻电机电流分段建模研究

提出一种基于蝙蝠算法(BA)优化BP神经网络的方法,将该方法用于建立开关磁阻电机(SRM)的电流模型。针对BP神经网络存在的易陷入局部最优和收敛速度慢等缺点,利用BA算法快速寻优能力优化BP神经网络的初始阈值和权值,提高BP神经网络SRM建模精度。同时采用分段拟合法进一步提高建模精度。结果表明,基于BA优化后的BP神经网络具较高的建模精度,而采用的分段拟合建模法可进一步提高建模精度。     

基于卡尔曼滤波的GA-BP模型在大坝变形预测中的应用

传统的BP神经网络拥有良好的逼近非线性映射能力,然而由于其自身存在收敛速度慢,容易陷入局部极小值和泛化能力差的不足,往往难以满足实际中预测精度的需要。采用卡尔曼滤波方法,将观测到的大坝位移原始值进行滤波处理,以尽可能剔除随机误差的干扰,并引入遗传算法,对神经网络的权、阈值进行优化,提高其全局搜索能力,建立了基于卡尔曼滤波的GA-BP模型。以某大坝位移预测为例,证明了此模型比传统的BP模型在预测精度上有所提高,具有一定的实际应用价值。     

基于遗传神经网络PID整定的电液位置伺服系统

以EPS机电一体化测试台为实验背景,针对其电液位置伺服系统的非线性以及存在外干扰等不利影响进行分析并建立数学模型。采用MATLAB/Simulink软件建立传递函数仿真模型,之后分别采用遗传算法和基于遗传算法优化的BP神经网络算法对PID进行整定。结果表明,基于遗传算法优化的BP神经网络PID整定的电液位置伺服系统稳定性强,精度更高,具有更强的鲁棒性。     

基于GA-BP神经网络的水轮机非线性建模方法研究

建立精确的水轮机模型是水轮机调节系统有效建模仿真的关键。运用基于遗传算法改进反向传播神经网络的GA-BP神经网络对水轮机工作特性进行非线性拟合建模。详细介绍了利用水轮机模型综合特性曲线与飞逸特性曲线获取水轮机流量特性与力矩特性样本数据的方法,并对基本样本数据进行补充延伸。结合BP神经网络与遗传算法两者优点构建了GA-BP神经网络,利用所得样本数据进行训练,获得了基于GA-BP神经网络的水轮机非线性模型,并与传统BP神经网络在水轮机流量特性和力矩特性拟合效果上进行对比试验。仿真结果验证了论文提出方法的可行性和优越性。     

基于BP神经网络的水轮机综合特性建模仿真

针对目前对水轮机特性曲线数据处理方法精度不高,不能真实地反映水力机组在过渡过程的流量特性和力矩特性的问题,利用BP神经网络与Matlab相结合,对水轮机综合特性曲线进行建模仿真。由已知综合特性曲线结合边界控制点经神经网络训练获得低效区的流量延拓、力矩延拓和导叶浆叶协联关系仿真曲面。BP神经网络模型大大提高了水轮机综合特性曲线数据处理效率与精度,是研究水轮机控制系统的一种新的非线性建模仿真模型。     

三江平原井灌水稻区地下水动态变化规律的小波神经网络分析

以853农场为例,利用小波分析的多分辨率功能和人工神经网络的非线性逼近功能,建立了基于小波变换和BP神经网络的853农场地下水埋深动态预测小波神经网络模型,对地下水动态变化规律进行分析,精度检验及对比分析结果表明,模型拟合和预测精度均较高。预测结果表明,853农场未来几年内地下水位会持续下降,年平均降幅为0.66 m左右,因此当地应加强地下水的科学管理。该模型揭示了区域地下水动态变化规律,为853农场乃至三江平原井灌区地下水资源的可持续利用提供了科学依据。     

土壤水分检测的模糊控制技术与试验

为了提高多因素制约下非线性系统测试土壤湿度的精度,构建了基于神经网络模糊控制技术的控制器以及DSP(TMS320VC5402)信号采集模块,提出了基于神经网络模糊控制原理的土壤水分信号处理优化方法,确定了模糊控制规则和修正规则的BP学习算法,建立了基于神经网络模糊优化器,并对系统进行了验证.结果表明,应用神经网络模糊控制原理采集和处理测试数据使土壤湿度的测试精度提高0.13%～2.12%.     

BP神经网络最优组合预测方法及其应用

为了解决各种单一传统的预测方法中存在的问题，提出了一种BP神经网络最优组合的预测方法。将单一预测方法所得到的预测值作为BP神经网络的输入样本，相应历史数据的实际值作为样本的输出，经过样本训练达到期望精度，应用BP神经网络进行预测。通过对浙江省农机总动力需求预测，表明该方法比各种单一的预测方法都有更高的精度。     

基于振动信号的蚕茧质量无损检测方法

提出了一种根据振动信号无损检测蚕茧质量的方法,对振动信号进行小波分解重构蚕蛹的随机振动信号,提取了与蚕蛹质量有关的特征值,利用模糊聚类的方法优选了特征值,然后建立了蚕茧质量无损检测的BP神经网络模型。试验证明该检测方法有效可行。     

基于RBF神经网络的农机企业顾客满意度测评研究

提出一种基于RBF神经网络的农机企业顾客满意度测评模型,它是一种典型的局部逼近神经网络,可快速完成对样本的学习与拟合,对于数据较多的情况非常适用。网络最终测评结果较BP神经网络更有效、更准确。实例证明该神经网络测评模型收敛速度快、预测精度高,为农机企业顾客满意度测评提供了实用的方法。     

BP神经网络快速收敛算法研究

以标准BP算法为基础，应用Levenberg—Marquardt优化算法，提出了一种快速收敛的BP算法——LMBP算法。仿真结果表明，与标准BP算法及其他改进形式比较，LMBP算法收敛速度大大提高，稳定性并未降低，这为BP神经网络应用于实时性要求高的场合(如在线检测)提供了算法基础。该算法的缺点是计算量大，所需计算机内存大，不适合大型网络的计算。     

基于灰色理论和BP神经网络的农业用水量预测

运用灰色GM(1,1)模型和BP神经网络模型相结合的灰色BP神经网络模型,对农业用水量进行预测.此组合模型兼有灰色预测和BP神经网络预测的优点,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.为此,以辽河流域某典型区为例进行预测,结果证明了该组合模型的优势,为农业用水量预测研究提供参考依据.     

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。     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

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。