基于优化的BPNN模型在色彩空间转换中的应用研究

色彩空间转换在图像采集、显示,色彩信息传递及重现中发挥着重要作用,为实现真正意义上的“所见即所得”,需提高色彩转换精度。针对传统色彩空间转换模型中BP神经网络转换精度低、易陷入局部最优等不足,使用萤火虫算法优化BP神经网络的初始权值和阈值,提出一种FABPNN算法的色彩空间转换模型,并使用色差模型进行验证。实验结果表明,该模型具有较高的色彩转换精度,达到预期效果。     

基于BP网络的锅炉炉膛温度测量算法

分析了火焰辐射图像的炉膛温度场的测量原理,建立了针对测量对象的非线性优化数学模型,提出了一种基于BP网络的温度场测量算法。通过构造BP神经网络,输入图像样本,输出温度样本和选择合适的样本训练网络,可得出炉膛的温度场分布情况。经过实验验证,该测试算法能有效提高测量精度,具有较好的应用前景。     

基于BP神经网络的热电偶数学建模方法研究

在利用热电偶进行温度测量时,冷端误差和非线性误差会对热电偶的测温精度产生较大影响。为了降低此两项误差对热电偶测温精度的影响,提出利用BP神经网络和两端测量电压法建立热电偶的数学模型,并利用梯度下降动量算法对网络各节点参数进行优化调整,通过LabVIEW和MATLAB编程实现了该算法。通过实验获取了足够的输入输出样本,即热电偶的冷端电压、输出电压与其对应的温度,对此BP网络模型进行训练和测试,最后通过测试验证了此模型的有效性。     

BP与RBF神经网络在航空发动机气路故障诊断中的应用

采用模拟样本与实际故障样本建立网络训练所需样本库,基于BP与RBF神经网络建立故障诊断模型,用PW4000航空发动机的故障样本进行训练,对训练好的网络进行测试仿真。仿真结果显示BP与RBF两种神经网络具有较高的诊断正确率,在航空发动机故障诊断中具有应用价值;与实际故障数据对比表明BP与RBF神经网络在航空发动机故障诊断中具有实用性。     

BP神经网络模型在空分制氧质量预测中的应用

建立BP神经网络模型对空分制氧氧气提取纯度进行预测．依据BP算法的基本原理、建立网络模型的基本原则和步骤,确定建模对象、网络结构。抽取相关数据进行训练,将训练样本和测试样本进行对比,二者具有相同的拟合能力,能对未知结果做出预测．     

基于BP神经网络算法的异步电机故障诊断系统研究

为了确保电机安全可靠地运行,研究了BP神经网络算法对异步电动机进行故障诊断。通过MATLAB平台,分别使用附加动量因子和自适应学习率两种梯度下降法进行网络训练,搭建故障诊断BP网络模型。以MSE值为指标优化最佳隐含层节点数、动量因子与学习率,并通过遗传算法来优化BP网络的初始权值,对故障测试样本进行仿真测试。结果表明,GA-BP网络模型比MF-BP和AG-BP的MSE值更低,仅为0.009 163,优化后的诊断预测结果与目标值几乎没有差别。基于遗传算法改进的故障诊断系统模型能够满足异步电动机故障诊断的应用需求。     

基于BP神经网络和AR模型的人口预测

利用MATLAB编程软件,分别建立BP神经网络和AR模型,采用全国出生率,死亡率,老年抚养率等9个指标作为样本,分别对BP网络和AR模型进行训练,预测5年后的人口数量.结果表明这两种方法预测人口均是可行的,效果较好,误差很小,但是AR模型较适合线性预测,而BP网络适合较非线性预测.     

基于BP神经网络模型的商品房价格预测研究

鉴于目前商品房价格预测方法存在的问题,在分析影响商品房价格主要因素的基础上,提出采用BP神经网络建立商品房价格预测模型,利用果蝇-蛙跳算法优化BP网络初始权值和阈值等结构参数,选取某城市2000～2018年的商品房价格及其主要影响因素数据作为训练样本和测试样本.通过仿真分析表明:BP神经网络模型经过果蝇-蛙跳算法优化后能加快网络的收敛速度,提高商品房价格预测的精准度,对于政府部门进行房价宏观调控以及房产企业的运营管理都具有一定的参考价值.     

一种基于SAE和BP网络相结合的人脸识别模型

基于浅层BP网络的模式识别在诸多领域有着广泛的应用,但对于稀疏高维度的数据,在网络模型训练时计算量大、参数繁多、训练慢、准确率低.提出了一种基于稀疏自动编码器(Sparse auto-Encoder,SAE)和浅层BP网络相结合的人脸识别模型.在深度SAE模型中,通过设置隐藏节点数少于输入输出节点数方法,自动学习样本的多种特征表示,来实现数据的降维和去稀疏性,将该方法产生的特征表示作为输入新样本数据,用于BP网络模型进行图像识别.通过人脸识别实验表明,第一通过SAE模型得到的特征表示进行人脸识别是可行的;第二SAE模型获得的多种表示分别进行人脸识别,并非第j层表示比第i层表示(j>i)效果一定好;第三该方法比单纯浅层BP网络进行人脸识别在效果上有一定程度的改善和提高.     

部分卷积耦合双通道网络的低分辨率人脸识别

在实际应用场景中所采集的人脸图像通常分辨率都很低,导致许多经典的人脸识别算法无法对低分辨率人脸进行准确识别.针对该问题,本文提出了一种部分卷积耦合的双通道网络,该网络中将高分辨率(High Resolution, HR)通道和低分辨率(Low Resolution, LR)通道中的卷积核进行部分耦合,使得LR通道能够从耦合的卷积核中学习到HR通道中的高分辨率参数,从而达到提高LR通道对LR样本的特征提取能力.为进一步提高样本分类的准确率,在双通道网络末端引入一个空间金字塔池化层(Spatial Pyramid Pooling, SPP),使用SPP层能够将HR样本与LR样本投影到一个共同的特征空间中.最后使用LFW人脸库对算法的有效性进行测试,实验结果表明,本文所提算法能够对LR人脸图像进行准确识别.     

深基坑工程土性参数的位移反分析

针对应用试验中力学参数模拟计算的结果与实际情况偏差较大的问题,根据现场实测结果,采用有限元与BP神经网络相结合的位移反分析方法进行计算,得到了较符合工程实际的力学参数;将所得的力学参数输入到建立的BP神经网络训练模型中进行训练后,再用实测的桩体侧向位移进行反分析得到相应的土性参数值,从而避免了在数值计算中参数取值的相对随意性,提高了计算精度。     

基于BP神经网络的税务稽查研究

税务稽查实质上是一个分类问题,可以通过BP神经网络进行数据挖掘的分类和问题预测。在分析BP神经网络原理的基础上,利用税务系统中的纳税人申报数据,建立基于BP神经网络的分类模型,对纳税人进行诚实纳税和非诚实纳税的评估、分类。模型分类准确度达到预期效果,表明该方法能够提高税务稽查部门的工作效率和效果。     

基于BP神经网络对学生学习专业课程效果的评价

通过建立BP神经网络的课程效果评价模型结构,并在MATLAB系统上对样本数据进行仿真,最后进行数据验证。结果表明,应用人工神经网络对课程效果进行评价,排除了专家主观因素对评价效果的影响,能够获得客观满意的评价结果,具有广泛的适用性。     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

综合素质评价的神经网络模型及Simulink实现

针对大学生综合素质评价过程中存在诸多非定量因素及非线性特征,建立综合素质测评的BP神经网络模型。利用BP神经网络实现对量化评价函数的逼近。所给出的神经网络模型较已有的评价体系具有更高的执行效率,而且还能生成模块化的程序进行推广。利用Matlab软件的Simulink平台对BP神经网络进行仿真计算,该方法可操作性强,不需要进行模糊评测方法过程中的复杂运算,具有较广泛的实用性。     

基于人工智能的机器人折弯机滑块行程研究

针对金属板料折弯工艺和更高精度的要求,提出基于人工智能神经网络的机器人折弯新技术。对机器人弯折工艺进行特征参数分析及提取,并建立改进算法的BP神经网络模型;比较了不同机器人折弯训练函数下的性能,建立更加有效的神经网络训练函数。通过经验实测值与改进算法的BP神经网络预测值对比,验证了所确定的机器人折弯的改进BP神经网络能够更加精准确定折弯工艺过程中所需的滑块行程,提高了折弯工艺精度。     

BP神经网络的改进及其在股票预测中的应用

研究了BP神经网络,对BP算法的权值初始化进行改进,使得其收敛速度更快,并建立了基于BP神经网络的股价预测模型．最后以深发展A的收盘价为例,分析改进后NBP神经网络模型的预测效果．     

BP神经网络优化算法研究

为解决BP神经网络收敛速度慢和易陷入局部极小值的缺点,利用遗传算法(GA)和基因表达式编程(GEP)的各自特点,基于BP算法提出了两种改进算法:其一是GA-BP算法,即利用GA优化BP神经网络的权值和阈值;其二是GEP-BP算法,即利用GEP对BP网络进行调整,包括网络结构、权值和阈值。用样本数据进行了测试并与基本BP算法进行了比较,结果表明两种改进算法具有很强的可行性和高效性。     

基于优化BP网络的类矩形盾构偏心刀盘故障预测

为实时监控类矩形盾构偏心刀盘工作状态,提出一种基于遗传算法（GA）优化BP神经网络模型的在线故障预测方法。首先,利用现场检测的相关测量数据,建立“特征—故障”数据集;然后,利用最优权值与阈值由遗传算法获取的BP神经网络对数据集进行自我学习,构建工作期故障预测模型;最后,开发偏心刀盘监控系统,对刀盘工作状态进行在线预测。实验结果表明,GA-BP网络模型预测准确率达到93.3%,与传统BP网络模型相比提高6%。基于GA-BP网络的偏心刀盘在线故障预测方法可精准预测刀盘工作状态,满足应用设计要求,为盾构施工安全提供有力保障。     

一种改进的基于加权模式的BP算法

反向传播算法（BackPropagation）是一种有监督神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值,精度不高等问题．文中提出了一种加权和引入参数改进的神经网络BP算法,某种程度上克服了以上缺点．对文中的改进算法用VC平台编程,并利用真实数据,对大学生就业能力进行了预测．实验表明,改进算法有效,也为高校解决大学生就业能力提供了决策支持．