基于BP神经网络的Falcon分选电子废弃物预测模型

Falcon分选电子废弃物的影响因素主要有水压、转动频率、入料浓度,为了进一步研究影响因素与分选效果的关系,文章利用Design-Expert 7.1软件设计出三因素三水平的实验条件,利用Falcon分选得出数据。将实验数据和BP神经网络相结合,将影响因素作为神经网络的输入,品位和产率作为输出,经过BP训练后得到输入与输出的关系。对实验影响因素与分选效果的关系进行分析,结果与实际情况比较吻合。运用MATLAB实现BP神经网络仿真,仿真结果与最小二乘法下的结果相比较误差较小,输出向量与实际实验结果接近。     

地理空间信息扩散技术实证研究——以四川省三台县洪水灾害为例

插值,是推测地理空间中空白单元处地表现象的重要途径。协同克里金插值(CK)、地理加权回归(GWR)和回传神经网络(BP-ANN)等,在满足相应条件的情况下,都是很好的插值方法,但不具有普适性。在观测单元不多,数据离散性较大的情况下,信息扩散技术的插值,比这些模型的效果都好。该文以四川省三台县2018年和2020年发生的两次大洪水,采集的25个村的房屋损失、农业损失和庄稼被淹三类水灾灾情数据组成6个案例,以村庄与河流的距离、GDP和坡度等为自变量,以灾情为因变量,实证了地理空间信息扩散技术用于插值的普适性。信息扩散的自学习离散回归模型(SLDR),预测误差较小,且没有明显的预测误差小于基准误差的情况。CK在所有案例中,均是预测误差小于基准误差,说明插值无效;GWR在5个案例中也出现相同情况。虽然BP-ANN的基准误差很小,但预测误差却比基准误差高出近一个数量级,也远高于其他模型,表明能够高度拟合训练样本的回传神经网络模型,并不适用于复杂地表现象的插值。     

基于CNN_LSTM模型的复杂支路故障电弧检测*

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。     

基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性.     

BP神经网络在城市建成区面积预测中的应用——以江苏省为例

城市建成区规模的迅速扩张是目前江苏省土地利用变化中的一个显著特点，其面积从1985年的426 km2扩大到2003年的2 200 km2，平均年增加98.56 km2。城市建成区规模的扩张受到社会、经济、人口等多种因素的影响，用传统方法对其进行预测比较困难。鉴于BP神经网络在非线性领域预测中的广泛应用，以江苏省为研究对象，构建一个11-3-1结构的BP神经网络预测模型，以1985~2001年和2002年的相关数据作为模型的训练和测试样本，以2003年的社会、经济数据作为网络的预测输入，对该年的建成区面积进行预测。结果表明，BP神经网络预测结果与实际面积的相对误差为3.96%，其预测精度与多元回归预测模型相比有较大改善。     

桥式起重机安全评估指标体系研究和系统设计

在对桥式起重机的设计、结构组成和常见事故故障资料进行调查研究的基础上,分析了桥式起重机在工程应用中遇到的不安全因素,建立了较完善的安全评估指标体系。设计了一种基于模糊神经网络的桥式起重机安全评估系统并对系统的软件功能设计进行了初步探讨。建立了模糊神经网络评估数学模型,利用MATLAB工具对模型进行了仿真验证,结果表明此模型是可行的。通过研究,为进一步针对桥式起重机展开定性、定量评估及安全管理与决策提供了有益参考     

基于蚁群神经网络的煤矿瓦斯预测模型

为了提高煤矿瓦斯涌出量的预测精度和预测速度,用蚁群算法和神经网络相结合的方法进行预测模型设计。选择瓦斯涌出的重要影响因素,建立其神经网络的预测模型。以网络的均方误差为目标函数,通过蚁群算法的迭代运算,实现BP网络的权值优化,并用优化好的BP网络进行瓦斯涌出预测。仿真结果表明,该方法具有较高的拟合预测精度。     

改进型灰色神经网络在火灾预测中的应用研究

为提高火灾事故的预测精度,降低火灾损失,探讨并修正传统GM(1,1)预测模型关于背景值构造的缺陷,将改进后的灰色模型同BP神经网络模型融合,提出改进型灰色神经网络火灾预测模型。依据我国1997—2009年火灾事故统计数据,分别选用改进型GM(1,1)和改进型灰色神经网络模型对1997—2007年火灾发生起数进行拟合仿真,得到2008—2009年火灾起数预测结果。结果表明:该模型在避免GM(1,1)关于背景值构造缺陷的基础上,兼具灰色系统与神经网络的优点,既体现火灾复杂的灰色系统行为,又能自适应调整学习速率,与单一GM(1,1)相比,该模型的预测结果精度更高。     

基于BP神经网络的煤与瓦斯突出预测系统开发

煤与瓦斯突出影响因素多,难以为其建立合适的多指标非线性预测模型,为提高突出预测的准确性和增强预测预报方法的实用性,采用改进的BP算法建立煤与瓦斯突出预测数学模型。通过研究不同算法的突出预测效果,对已建模型的泛化能力进行检验,利用Matlab GUI和神经网络工具箱设计开发煤与瓦斯突出预测系统,通过向系统输入已知的突出样本数据,经过学习、训练,实现对未知参数的预测。仿真结果表明:网络在训练300次后,误差训练曲线的均方差(MSE)可以达到10-15,实际预测误差也小于0.1,系统得到的5组数据预测结果与实际情况相符。     

垃圾渗滤液生物处理系统BP人工神经网络模型

垃圾渗滤液成分复杂,变化范围大．对其调试及长期持续良好运行存在较大困难。本文针对武汉市二妃山垃圾渗滤液的调试运行数据,利用人工神经网络原理,建立BP人工神经网络垃圾渗滤液生物处理模型来预测处理效果．确定最优反应条件。实验结果显示网络具有良好的收敛特性,模型具有工程实用价值。