基于WOA-BP神经网络的板式定制家具车间电力预测模型

为落实家具行业的“双碳”战略，实现家具产业的结构优化升级，本文提出了一种基于WOA-BP神经网络的板式定制家具车间电力预测模型，该模型引入鲸鱼优化算法（Whale Optimization Algorithm,WOA）对传统BP神经网络进行改进，建立了WOA-BP神经网络电力预测模型。在此基础上，使用采集的试验数据对模型进行了验证。结果表明：优化后的预测模型预测准确率可达到99%以上。因此，本文提出的基于WOA-BP神经网络预测模型在板式定制家具生产车间的电力节能和管理优化问题上具有较大的参考价值和实际意义。     

基于IBRF神经网络的泥石流预测研究

介绍了泥石流爆发的各种影响因素和泥石流预测基本原理,为提高预测的准确性与快速性,将免疫骤类算法与径向基函数结合,建立了泥石流预测的IRBF神经网络模型,并与BP网络预测模型和常规RBF网络预测模型进行了对比模拟实验。实验表明IRBF神经网络具有更高的预测准确性和更短的训练时间,该方法用于泥石流预测有较高的应用价值。     

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。     

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。     

林业监测无人机林冠下路径规划及其算法分析

从无人机自主路径规划角度,研究了重型四旋翼电动无人机林冠下自主巡航的控制策略.该算法以多个神经网络算法为核心模块,配合基于策略集的逻辑决策算法等辅助算法.神经网络训练时,无人机悬停稳定相关功能的训练可以使用自反馈训练,但路径选择相关功能需要采用人工遥控训练方法,经过48 h训练过程,无人机的实际路径规划能力及电池管理等...     

神经网络控制及BP算法

神经网络控制作为一种全新的智能控制方法,是解决非线性系统预测和控制问题的一种重要手段,受到了许多专家学者的广泛关注,是目前国内外研究的热点之一.本文着重研究前向神经网络的学习算法,简单探讨了BP算法在逼近非线性系统中各个因素对系统的影响.     

基于RBF神经网络的沙土液化预测研究

简要分析RBF网络的结构特点及最近邻聚类学习算法,以大量粉土地基实测数据为学习训练样本及预测样本,建立了预测模型。讨论了基于RBF神经网络技术的沙土液化预测分析方法及其有效性。研究表明,用RBF神经网络方法进行沙土地震液化预测是可行的。     

毛竹导热系数非线性拟合的PSO-BP模型

应用粒子群优化算法(particle swarm optimization,PSO)训练多层前馈(back propagation,BP)神经网络,提出毛竹导热系数的PSO-BP模型,将神经网络的学习过程映射为粒子群体的迭代寻优过程,达到优化神经网络权值及阈值的目的。结果表明:毛竹导热系数PSO-BP模型在泛化性能、拟合精度、训练及验证误差等方面均优于标准BP网络模型。     

神经网络与主元分析在采矿工程中的应用

高质量的网络模型要求输入因素或输出因素之间尽可能不相关,以达到精度较高的预测模型的目的。建立了主成分分析法与神经网络结合的采矿方法优选模型,对神经网络的输入数据进行主成分分析。研究结果表明:该方法弥补了以往利用BP网络进行采矿方法优选过程中,由于输入数据相关使得输出数据精度下降的缺陷,使输入数据不相关,且减少了输入数据,消除了由于BP网络输入数据太多而影响数据处理速度的弊端,可使预测精度大大提高。     

森林资源蓄积量预测技术初探

以福建省三明市森林资源二类调查资料为基础数据,采用VB编程语言,自主开发了森林资源蓄积量预测系统,用GM(1,1)模型、复利公式和BP人工神经网络模型分别对森林资源蓄积量进行宏观预测.3种方法的预测结果显示:BP人工神经网络模型拟合效果较好,其次是灰色系统模型,平均相对误差最大的是复利公式.最后分析了3种方法的优劣,探讨进一步优化的方法.     

基于粒子群优化Stearns-Noechel模型的全光谱木材配色算法研究

为了提高计算机智能配色技术在木材染色配方预测中的精度与效率,研究运用Stearns-Noechel模型建立木材染色配方预测模型,并采用粒子群算法对建立的模型进行参数优化,不断修正配比量系数?c与参数M,获取色差最小时的配比量c值与最佳的参数M值。最后获取拟合光谱反射率曲线与标准反射率曲线,计算拟合色差值?E并输出相应参数值作为预测配方。结果表明：以水曲柳为染色基材时,对参数M采用循环赋值法得到的最佳配方其平均相对偏差为0.643%,平均拟合色差为0.720。基于粒子群改进的Stearns-Noechel模型对染色木材的配色效果有明显提高,在木材染色配色行业具有一定使用价值。     

基于Sine-SSA-BP的永磁直联带式输送系统功耗模型研究

永磁直联带式输送系统因煤量、带速和功率关系尚不明确,无法依载调速运行,因而存在能源浪费的问题。依据对输送系统的节能分析,提出了基于Sine混沌映射、麻雀搜索算法和BP神经网络的算法(Sine-SSA-BP),建立永磁直联带式输送系统功耗模型。该算法通过Sine混沌映射产生初始麻雀个体,通过Sine-SSA算法优化BP的权值和阈值来构建模型,寻找带速、煤量和功率的关系。选取标准BP网络模型进行对比,结果表明：Sine-SSA-BP建立的模型表现更好,具有一定的可行性和实用性,可以达到降低系统能耗的目的。     

基于灰狼算法优化支持向量回归模型的木材染色配色算法研究

为提高木材染配色的精度和速度,本文对樟子松木材单板进行染色,提取染色单板的光谱反射率作为输入,以支持向量回归模型(SVR)为基础作为预测模型对染料配方进行预测,用灰狼算法对SVR参数进行寻优,并引入非线性收敛因子和新的位置更新策略改进灰狼算法容易陷入局部最优的缺点,以配方相对偏差作为评价指标,与固定参数的SVR模型及其他模型做对比,优化后的模型配方相对偏差为0.177,配色效果相较于固定参数SVR模型的相对偏差0.344、遗传算法优化的SVR模型的相对偏差0.287等具有明显优势,对提高人工速生材的利用具有重要意义。     

基于气象因子深度学习的森林火灾预测方法

森林火灾一旦发生将对生态系统造成严重的破坏,间接导致气候的变化和极端天气频发。对森林火灾的发生进行准确预测可提前采取有效的防控措施,具有重要意义。传统林火预测模型多为数学方法和浅层神经网络,当数据量增大时易出现建模困难以及预测精度降低等问题。深度学习模型在处理大量非线性数据上具有一定的优势,其模型具有多层网络结构,通过训练大量数据可提取出具有代表性的特征值,发现数据间的隐含关系,达到准确分类预测的目的。因此,本研究提出一种基于深度学习的林火预测方法,将深度信念网络(deep belief network,DBN)作为预测模型,气象因子作为输入数据,以解决传统林火预测模型在面对大量数据时预测效果不佳的问题;同时结合过采样SMOTE(synthetic minority oversampling technique)算法,平衡林火数据集和增加训练数据量,提升了森林火灾的预测准确度。结果表明,在面对更大的数据量时,该模型预测精度明显优于其他传统林火预测模型,证明了将深度学习应用在林火预测的优越性。该研究可为深度学习在林业领域的应用提供参考。     

基于LS-SVM的采暖木质地板自然对流温度场建模

【目的】在底部具有木质样本热源的圆柱形封闭腔内,基于最小二乘支持向量机(LS-SVM)建立自然对流引起的温度场预测模型,研究采暖木质地板蓄热后的温度场分布规律,为后续反演采暖木质地板的蓄热特性提供数据基础。【方法】首先,给出圆柱形封闭腔物理模型的边界条件和木质样本初始温度,根据流体力学定律建立热场传热的质量、动量和能量守恒方程,并用计算流体力学(CFD)软件进行求解。其次,对CFD求解的数据进行归一化处理,并根据木质样本初始温度将归一化后的数据分成训练集和验证集2部分,其中训练集5 481个温度,验证集8组,每组609个温度;利用训练集对LS-SVM模型进行训练,采用果蝇优化算法对模型的核函数参数σ和正则化参数γ进行寻优,得到σ和γ的最优参数组合为[1.0×10~(10),0.06]。最后,应用优化好的模型分别对每个验证集上的温度值进行预测,并与BP神经网络方法的预测结果进行比较。【结果】LS-SVM对不同样本温度场预测的最大拟合度为0.998 9,最小为0.996 8;平均相对误差、最大相对误差和均方误差最大值分别为0.25%、2.6%和0.31%,最小值分别为0.054%、0.84%和0.12%;最长建模时间为12.93 s,最短为12.72 s。与之相比,BP神经网络预测的最大拟合度为0.999 7,最小为0.998 3;平均相对误差、最大相对误差和均方误差最大值分别为0.47%、5.43%和0.63%,最小值分别为0.21%、2.08%和0.33%;最长建模时间为107.15 s,最短为106.23 s。LS-SVM对不同样本温度场预测的拟合误差比BP神经网络方法的预测结果要小一些,拟合度与BP神经网络方法相近,建模和预测需要的时间明显少于BP神经网络。【结论】采用LS-SVM对采暖木质地板的蓄热温度场建模是可行的,该方法适合对小样本建模,泛化性较好,对在试验条件下利用有限数据来对温度场建模和预测具有明显优势,可为后续开展采暖木质地板蓄热机制的反演工作提供指导。     

基于人工蜂群算法优化SVM的NIR杉木弹性模量预测

【目的】利用近红外光谱分析技术,提出一种基于人工蜂群算法优化支持向量机(ABC-SVM)的木材弹性模量预测模型,为木材弹性模量无损预测提供科学参考。【方法】以294个杉木样本为试验材料,采用常规力学方法测量样本弹性模量,采集样本近红外漫反射光谱,选择350～2 500 nm光谱段,对原始数据进行15步指数平滑和一阶导数预处理,并利用主成分分析降维处理后的数据,建立偏最小二乘回归(PLS)模型、支持向量机回归(SVR)模型和人工蜂群算法优化支持向量机(ABC-SVM)模型预测杉木弹性模量,采用决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)对所建模型进行对比分析。【结果】PLS模型的R2为0.726 700、RMSE为6.744 9、MAPE为0.063 5、MAE为5.065 6; SVR模型的R2为0.935 305、RMSE为3.528 1、MAPE为0.023 7、MAE为1.840 9;将人工蜂群算法用于SVM参数寻优,获得的最优参数c=5.670 51、g=0.031 25,ABC-SVM模型的R2为0.935 371、RMSE为3.526 0、MAPE为0.023 7、MAE为1.840 0。3种模型均可对杉木弹性模量进行有效预测。【结论】1)根据决定系数(R2),SVR和ABC-SVM模型的预测性能优于PLS模型,ABC-SVM模型的预测性能最佳; 2)根据均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE),3种模型的MAPE均在可接受范围内,ABC-SVM模型关于误差的各项指标均最小,基于ABC-SVM模型预测杉木弹性模量高效、科学。     

基于LBP-DEELM的木材纹理分类算法

为解决传统木材纹理分类的准确率低且难度大的问题,提出了一种基于LBP-DEELM(局部二值-差分演化优化极限学习机)模型的木材纹理分类算法。在阐述局部二值算子(LBP)和差分演化优化极限学习机(DEELM)算法的基础上,使用均匀旋转不变的LBP模式提取纹理的特征值,结合差分演化算法进行极限学习机优化,通过训练得到每类纹理所对应的分类器模型参数,构造分类器,实现了对木材纹理准确高效的分类。实验结果表明,相比于BP神经网络,SVM支持向量机等分类算法,该模型的实验误差率为2%左右,准确率高,实用性强。     

基于机器学习算法进行电气设备故障的预测与诊断

城市照明系统是重要的公共基础设施,作为一种电气设备,其在运行过程中有可能出现各种故障,具体可分为配电系统故障和路灯节点故障。为了建立智能化的故障诊断和预测方法,以极限学习机(extreme learning machine, ELM)为基础,利用蒙特卡洛方法和自回归模型对其进行优化,并分别构建了AG-ELM和AR-ELM算法。基于AG-ELM算法诊断路灯节点故障,通过AR-ELM算法预测路灯电气配电系统故障。在性能检测阶段,收集某城市的路灯系统运行数据,检验故障诊断模型的准确率,结果为89.3%,故障预测模型的均方误差仅为0.055 2,说明2种模型都达到了较高的实用性。     

基于MEA-BP神经网络对木材内部缺陷诊断的研究

为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷。结果表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92%、95.38%和92.31%,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果。