改进BP神经网络算法对煤矿水源的分类研究

煤矿安全对煤炭工业的健康持续发展至关重要,而煤矿水灾又是煤矿事故的重大隐患,因此煤矿水源数据的处理对于预防矿井突水事故具有重要意义。实验在激光器的辅助下利用激光诱导荧光技术获取7种水源的数据信息,设定激光发射功率为100 mW,向被测水体发射波长405 nm激光,获取实验水样210组的荧光光谱数据,为了剔除光谱在采集过程受到的荧光背景、检测器噪声以及功率波动等影响,利用SG平滑、多元散射矫正（MSC）预处理对数据进行降噪以及提高光谱特异性,由于初始数据运算量过大并对数据压缩、消除冗余和数据噪音,利用主成分分析（PCA）分别对7种水样进行建模降维处理,从而得到小数据并且保持原有信息的数据特征。为了识别煤矿水源的突水类型,对于降维后的数据利用粒子群算法（PSO）优化BP神经网络,PSO算法通过对新粒子的适应度值和个体极值、群体极值适应度值的比较更新个体极值和群体极值的位置,将最优初始权值和阈值赋予BP神经网络,从而对待测水样的种类进行预测分析。普通的PSO优化BP神经网络,容易出现早熟收敛,故在改进的PSO算法中引入变异因子来提高模型寻找更优解的可能性。实验证明：SG,MSC以及Original三种预处理方式中,SG算法表现良好,提高了模型的相关性。在SG预处理的前提下,BP的决定系数R2为0.984 5,平均相对误差MRE 7.39%,均方根误差为7.25%;PSO-BP的决定系数R2为0.999 8,平均相对误差MRE 0.17%,均方根误差 0.08%;IPSO-BP的决定系数R2达到0.999 9,平均相对误差MRE和均方根误差RMSE皆为0.01%。结果表明：经SG预处理过后的光谱数据,比MSC预处理效果更精确,改进的粒子群优化算法更适用于该实验的矿井水源分类。     

提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

关节臂式坐标测量机空间误差建模

关节臂式坐标测量机误差源多且复杂,其测量空间的误差存在不确定性,为了准确快速的得到关节臂式坐标测量机测量空间中的误差,利用标准锥窝对关节臂式坐标测量机进行了空间单点测量精度实验,获得了训练样本和测试样本。利用BP神经网络对空间误差进行了建模,为了提高其收敛速度和运算速度,引入粒子群优化算法(PSO)对BP神经网络模型进行了优化,并对模型进行了预测和验证。结果表明,BP神经网络和PSO-BP神经网络都可以对关节臂式坐标测量机进行空间点误差预测,PSO-BP神经网络模型的预测结果更加精确,相对误差更小。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol）,雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。     

基于增强GA-BP神经网络的软件错误定位方法

在软件开发和后期维护的过程中,进行软件调试来定位错误并修正错误是其中最复杂且成本最大的一部分;文章针对现有基于神经网络的软件错误定位方法中的权值和阈值设定不方便、鲁棒性差等问题,结合正交实验设计思想和遗传算法(Genetic Algorithm),提出了一种基于增强遗传BP神经网络的软件错误定位方法;并将其同基于GA-BP神经网络的和基于BP神经网络的定位方法都在MATLAB上进行了实验,实验数据来源西门子测试集,从结果上看,基于增强GA-BP神经网络的软件错误定位方法在定位错误的效率和精确度上都有一些进步。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

改进PSO-BP算法在飞机剩余油量测量中的应用

针对飞机在飞行时油箱因受震动引起油面起伏不平,导致原有静止状态时的计算模型产生较大测量误差,提出采用BP神经网络的预测飞机剩余油量;但由于BP神经网络存在学习效率低、收敛速度慢和易陷入局部极小等局限,采用改进粒子群算法优化BP神经网络的训练;将改进PSO-BP算法用于飞机剩余油量的测量,实验结果表明,与传统BP学习算法比较,改进PSO-BP算法具有训练时间短,相对误差小,控制精度高等优点,有效地提高了油量测量的精度。     

改进误差反向传播（BP）神经网络在图像压缩中的应用

针对空间遥感图像数据量剧增的问题,提出一种改进的BP神经网络图像压缩方法。该算法利用Levenberg-Marquart算法提高神经网络的收敛速度,利用算法提高神经网络的泛化能力。比较分析了新算法和标准BP算法对同一幅图像进行压缩的结果和性能误差函数。实验结果表明,实验结果表明,标准BP算法在图像压缩比为1/2时,均方误差（MSE）为343.3750;改进后的BP算法在图像压缩比为1/16时,MSE为69.5796,图像压缩比为1/8时,MSE为20.9561,图像压缩比为1/4时,MSE为5.5123。并且利用改进后的算法压缩图像的峰值信噪比均在30 dB~40 dB之间。改进算法已用于实际工程中,满足实际需求。     

基于BP神经网络和激光诱导击穿光谱的燃煤热值快速测量方法研究

作为煤质评价的重要指标之一,热值的快速、准确测量对电厂燃煤锅炉的优化燃烧和经济运行至关重要。采用激光诱导击穿光谱(LIBS)技术结合BP神经网络定量分析模型和聚类分析,以35个煤粉样品作为研究对象进行热值的定量分析。基体效应对LIBS光谱数据的显著影响,针对基于某类煤粉样品所建立的定标曲线不能直接用于不同煤种的定量分析,采用K-means聚类方法根据热值、灰分、挥发分把样品分为三类对训练集和预测集样品进行优化选择。通过谱线强度和热值变量相关性分析,同时考虑特征谱线的物理意义,最终提取12条元素谱线的峰值强度作为输入参数,建立BP神经网络模型对燃煤热值进行预测。定标结果表明,建立的神经网络模型具有良好的定量分析能力,定标曲线拟合度R2为0.996,热值预测值的相对误差低于3.42%,多次重复测量的相对标准偏差在4.23%以内。对聚类分析中3类样品具有不同的预测能力,采用峰值强度作为输入参数时,能够在一定程度上减弱试验参数波动和基体效应造成的影响。定量分析结果的重复性和准确性可以通过对不同类别的煤种分别建立BP神经网络模型来进一步改善。LIBS技术结合BP神经网络可以对煤粉热值进行定量分析,在现场在线/快速检测领域具有很好的应用价值和潜力。     

多任务神经网络对原子核低激发谱的研究

原子核低激发谱对深入理解原子核结构具有重要作用。采用多任务反向传播(Back Propagation,BP)的神经网络方法系统研究了原子核2 ₁⁺和4 ₁⁺的激发能量。除了质子数和中子数外,通过在网络输入层增加一个有关原子核集体性的物理量,BP神经网络在0.1 MeV到数MeV的能量范围内很好地拟合了原子核的低激发能。相比五维集体哈密顿量(Five-Dimensional Collective Hamiltonian,5DCH)方法,BP神经网络更好地再现了原子核低激发能的同位素趋势,以及由壳效应导致的幻数原子核低激发能的突然增大,并且将2 ₁⁺和4₁⁺激发能的预言精度分别提高了约80%和75%,该预言精度与单任务神经网络基本一致,但是改进了对轻核区与缺中子核区低激发谱的学习能力,这说明多任务神经网络可以实现多种激发能量的统一精确计算。     

基于小波神经网络的振动速度传感器幅频特性补偿研究

为了实现超低频振动速度测量, 提出补偿其幅频特性的小波神经网络方法.该方法以振动速度传感器动态实验数据为基础, 通过小波神经网络训练来确定传感器幅频特性补偿网络.介绍振动速度传感器幅频特性补偿原理, 分析网络的拓扑结构, 给出网络参数训练和初始化方法.采用引入动量项的最速下降法训练网络权值、尺度因子和平移因子, 将小波网络参数的初始化与小波类型、小波时频参数和学习样本等联系起来.结果表明, 采用小波神经网络进行振动速度传感器幅频特性补偿具有良好的鲁棒性,并能实现在线补偿,网络训练的速度和精度优于同等规模的BP网络,在测试领域有重要的实用价值. 关键词： 振动速度传感器 小波神经网络 幅频特性 补偿     

遗传优化神经网络的水声信道盲均衡

不需要训练序列的盲均衡技术可以有效地节省水声通信带宽，消除码间干扰，提高水声通信效率和质量。以前馈神经网络（FNN）作为盲均衡器，既适用于最小相位信道，也适用于非最小相位信道，包括非线性信道，但是前馈神经网络在实际的应用中其网络拓扑结构的选取和初始权重的确定缺乏理论依据，且其训练主要依靠BP算法，存在收敛速度慢、容易陷入局部极值及“过学习”的问题。为此，本文提出了一种遗传优化神经网络的水声信道盲均衡算法（GA—BP），对前馈神经网络拓扑结构和网络权重同时优化，有效地克服了传统前馈神经网络盲均衡的缺陷，提高了前馈神经网络盲均衡的泛化性能并加强了跟踪时变信道的能力和对信道突变的适应能力。水池试验结果证明了文中提出的遗传优化神经网络水声信道盲均衡算法的有效性，与直接前馈神经网络盲均衡相比较，均衡性能明显得到了提高。     

Study on two-dimensional distribution of X-ray image based on improved Elman algorithm

The principle of the X-ray detector which can simultaneously perform the measurement of the exposure rate and 2D (two-dimensional) distribution is described. A commercially available CMOS image sensor has been adopted as the key part to receive X-ray without any scintillators. The correlation between the pixel value (PV) and the absorbed exposure rate of X-ray is studied using the improved Elman neural network. Comparing the optimal adjustment process of the BP (Back Propagation) neural network and the improved Elman neural network, the neural network parameters are selected based on the fitting curve and the error curve. The experiments using the practical production data show that the proposed method achieves high accurate predictions to 10⁻¹⁵, which is consistent with the anticipated value. It is proven that it is possible to detect the exposure rate using the X-ray detector with the improved Elman algorithm for its advantages of fast converges and smooth error curve.     

基于BP神经网络的智能轮胎标签仿真研究

轮胎中植入的RFID标签,可以长时间的很好的存储轮胎的型号、胎压、出厂日期等信息。RFID标签在空气中的阅读距离可以达到很大的距离,但是一旦植入轮胎中,很容易受到轮胎中的金属层和炭黑等电介质的影响,导致读取距离下降。所以,需要寻找合适的方法来预测不同RFID标签情况下的阅读器读取距离,就显得尤为重要了。 为了更加快捷方便的研究两者之间的关系,在天线长度、轮胎的介电常数、与钢丝层的距离都变化的情况下,利用FEKO电磁仿真软件建立了不同情况下的天线,并仿真得到反射系数S_11,然后利用弗林斯传输方程（Friis）计算得到仿真读取距离。MATLAB中有可供调用的神经网络工具箱,利用MATLAB强大的数据处理能力,建立BP神经网络预测模型,从而建立起标签天线长度、轮胎中标签与钢丝层的距离、轮胎介电常数和已得到的仿真读取距离之间的BP神经网络模型。实际测量值与训练后得到的预测仿真值在误差允许的范围内可以认定为实际测量距离。 因此,可以通过建立BP神经网络模型的方法,快速方便的在一定精度范围内预测阅读器的阅读距离。     

一种快速分类的神经元网络算法

深入分析了BP(Back-Propagation)算法的缺陷,在BP算法的基础上,提出逐层训练多层网络的快速算法,主要精神是:a)逐层地训练多层网络而不是一起训练;b)对隐单元层给以具体指导;c)根据具体问题给予合适的权重分配规则即合适的"能量函数";d)保持BP算法的优点。对一些问题的训练速度与BP算法比较有几个数量级的提高。这一算法还可对多层网络的运行机制作一些研究.     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。