搜索到4780 篇“ PSO-BP神经网络 “的相关文章
基于PSO -BP 神经网络 的单位注浆量预测 2025年 神经网络 (CNN)、BP 神经网络 、遗传算法优化神经网络 (GA-BP )和粒子群算法优化神经网络 (PSO -BP )预测模型进行预测和准确性分析。结果表明:斯皮尔曼相关系数法和肯德尔相关系数法对单位注浆量影响因素分析结果一致,影响因素相关性由强到弱为:注浆持续时间、水灰比、注前透水率、注浆段长度、注浆压力、钻孔深度;PSO -BP 神经网络 模型预测效果明显优于另外三种预测模型,R^(2)达到0.94527,RMSE值分别降低80%、56%、49%;MAE值分别降低68.3%、48.6%、23.2%,验证了该模型的优越性。该模型能够更准确地对单位注浆量进行预测,对后续注浆工作的实施具有一定参考,可为帷幕注浆效果评价提供重要的指导建议。关键词：帷幕注浆 BP神经网络 粒子群优化算法 基于PSO -BP 神经网络 的拌合器控制系统研究 2025年 PSO -BP 神经网络 的协同控制方法,实现拌合器参数实时调整,使拌合器连续均匀工作。拌合器控制系统通过PID控制器控制RAP料、乳化沥青、水、水泥4种物料的输料速度,引入PSO -BP 神经网络 优化了PID全局搜索能力和学习能力,有效提升了系统的整体控制性能。通过Matlab/Simulink仿真试验对比PSO -BP 神经网络 控制与传统PID控制,结果表明:PSO -BP 控制器在拌合过程中响应速度、超调量及稳态误差方面表现出优越性。关键词：PID PSO-BP神经网络 基于SA-PSO -BP 神经网络 的煤层底板破坏深度预测 2025年 BP 神经网络 预测底板破坏深度存在误差较大、容易陷入局部最优解、收敛速度慢等问题,提出了一种新的SA-PSO -BP 网络 模型。该模型以煤层倾角、开采深度、煤层开采厚度、工作面斜长作为评判指标,先利用粒子群优化算法(PSO )改进BP 神经网络 寻优过程、再引入模拟退火算法(SA)避免PSO 算法陷入局部最优解,选取92组现场实测数据样本,对优化后的模型进行训练和预测。结果表明:SA-PSO -BP 网络 模型的拟合优度达到0.9835,比BP 神经网络 提高了0.2882;均方根误差达到1.3190,比BP 神经网络 减小了3.8641;平均绝对百分比误差达到5.4423,比BP 神经网络 减小了14.93%。构建的SA-PSO -BP 网络 模型具有可行性,为底板破坏深度的预测提供了一种合理的方法。关键词：带压开采 底板破坏深度 基于PSO -BP 神经网络 的5G基站位置确定方法 2025年 网络 安全有着重要意义。首先对5G信道状态信息CSI进行Hample滤波和降维,然后构建基于粒子群优化PSO 的误差反向传播BP 神经网络 信号损耗模型,建立5G CSI和距离的映射关系,最后基于模型预测的距离实现对5G AP的探测。实验采用室外探测室外和室内5G AP的实测数据,结果表明,与BP 神经网络 相比,基于PSO -BP 神经网络 的距离预测值更加精确,室外探测室外和室内5G AP的精度分别达到了0.32 m和0.96 m。随着测量方向数的提升,5G AP的定位精度不断提升。当方向数达到5个时,精度提升最为显著。关键词：信道状态信息 粒子群优化 BP神经网络 基于PSO -BP 神经网络 的煤矿双层振动筛运动参数研究 2025年 BP 神经网络 的高度非线性映射、自学习、自组织和联想记忆等功能,避免了繁琐的数学理论模型,通过筛分效率与各参数之间的联系,开展振动筛的参数化研究。首先建立振动筛三维模型,设计正交试验,在离散元软件EDEM中导入相关的筛机参数。基于PSO -BP 神经网络 的双层振动筛运动参数研究是通过观察振动方向角、振幅、频率三个参数对双层振动筛筛分效率的影响,将获取的仿真数据导入到BP 神经网络 中进行深度学习。采用集成学习的训练集对训练好的模型进行筛面参数分析,得出频率、振幅、振动方向角对筛分效率有较大影响,故以这三种参数组合表征振动筛运动状态,对不同参数组合对应筛分效率进行分析。频率与振幅增加,可以增大筛面的振动强度,加快物料松散速率,还可以优化物料的筛分效率,但振动强度过大时,物料跃迁时间过长,使得物料与筛面接触时间变短,筛分效率下降;随着振动方向角的增加可以加速物料的铺展速率,但角度过大时,会降低物料与筛面的碰撞概率,弱化物料的筛分效率,从而影响筛分效果。最后通过粒子群算法优化BP 神经网络 得到当振幅为3 mm、振频为20 Hz,振动方向角为30°时筛分效率为82.91%,筛分效果最优,此研究对振动筛参数优化及煤矿筛分过程具有一定的指导意义。关键词：BP神经网络 粒子群算法 基于PSO 与BP 神经网络 的磁共振成像设备故障诊断研究 2025年 神经网络 结合邓普斯特-谢弗证据理论的故障诊断模型。该模型通过粒子群优化算法优化反向传播神经网络 的参数,并结合邓普斯特-谢弗证据理论融合多传感器数据。实验结果表明,10种故障类型下所提模型的故障检测正确率为100%,对10种不同类型故障的平均检测准确率达96.2%,单样本检测耗时为17.5 ms。关键词：粒子群优化算法 反向传播神经网络 磁共振成像设备 沙柳平茬刀具减磨优化——基于PSO -BP 神经网络 结合GA算法 2025年 经 济发展具有重要意义。然而平茬圆锯片磨损严重,成为制约工作效率和平茬效果提升的主要技术瓶颈。为实现沙柳平茬圆锯片减磨性能的优化设计,通过野外平茬试验获取不同锯齿结构下的磨损退化量数据,基于磨损数据建立PSO (Particle Swarm Optimization)算法优化的BP (Back Propagation)神经网络 模型,用于预测圆锯片的磨损量;然后,将训练好的PSO -BP 神经网络 模型与GA(Genetic Algorithm)算法相结合,以磨损量最小为优化目标,寻找圆锯片锯齿结构的最优参数。结果表明:所建立的模型成功实现了对圆锯片前角、后角、前刀面斜磨角等结构参数的多目标优化,优化得到的圆锯片参数使磨损量相对最小,提升了圆锯片的减磨性能。由此为进一步改善沙柳平茬圆锯片的切削及减磨损性能提供了新的设计思路,为提高沙柳平茬工作效率提供了技术支持,有利于生态环境保护和农业可持续发展。关键词：沙柳 PSO-BP神经网络 融合PSO 与BP 神经网络 的光伏发电功率预测研究 2025年 神经网络 进行发电功率预测,并引入改进的粒子群算法对反向传播神经网络 进行优化,构建出光伏发电预测模型。结果显示,研究模型在春秋晴天、冬季多云和夏季多雨环境下的预测准确率均值为96%,可以在多种气候环境下准确地预测光伏发电功率。研究成果对光伏能源高效利用和配电网调度提供了一种新的路径。关键词：PSO BP 光伏发电 功率 Logratio变换与PSO -BP 神经网络 在多目标混料设计药物处方配比优化中的应用 2025年 PSO -BP 神经网络 及改进非劣分类遗传算法(NSGA-Ⅱ)在药物处方配比优化中的应用,为药物混料设计的优化问题提供科学、合理的方法。方法针对复方甘草微乳混料试验数据,先对数据进行Logratio变换,之后以微乳粒径和有效成分皮肤滞留量两个评价指标为输出构建PSO -BP 神经网络 模型,再以PSO -BP 为适应度函数采用NSGA-Ⅱ进行多目标寻优,最后将本文优化方案与原文优化方案进行比较。结果以粒径和有效成分皮肤滞留量作为输出的PSO -BP 神经网络 拟合模型的决定系数分别为R^(2)=0.97298和R^(2)=0.96334,且与原文使用的Scheffe多项式模型相比拟合效果更好。采用NSGA-Ⅱ优化目标函数所得3、4、6、7、10、11等方案的复方甘草微乳制备效果均优于原文方案,其中3号方案与原文方案相比,微乳粒径减小了3.02 nm,有效成分皮肤滞留量提高了18.31μg。结论将Logratio变换和PSO -BP 神经网络 结合应用于混料设计所得试验数据的模型构建中,并采用NSGA-Ⅱ获得最佳的药物处方配比,理论是可行且合理的。关键词：PSO-BP神经网络 基于PSO 算法BP 神经网络 的拱形温室大棚薄膜风雹耦合所致冰雹冲击力预测模型 2025年 经 济损失的主要自然灾害之一,因此有必要构建一个高效且准确的冰雹冲击力预测模型。本研究以拱形温室大棚薄膜风雹耦合试验为基础,采用粒子群优化(Particle Swarm Optimization, PSO )算法与反向传播(Back Propagation, BP )神经网络 相结合的方法,构建一个高效且准确的冰雹冲击力预测模型。该模型的平均绝对误差为0.22929,平均偏差误差为−0.09017,确定系数为0.99704。相较于传统线性回归预测方法,该模型可处理大数据量,适应性强,拟合效果好,且避免了传统BP 模型容易陷入局部最小的缺点。Hail disasters are one of the major natural hazards causing damage to agricultural production facilities and economic losses, necessitating the development of an efficient and accurate hail impact force prediction model. This study employs a PSO -BP neural network approach, grounded in wind-hail coupling experiments on arched greenhouse films. The resultant model demonstrates superior performance with a mean absolute error (MAE) of 0.22929, a mean bias error (MBE) of −0.09017, and a determination coefficient (R2) of 0.99704. It surpasses traditional linear regression methods in handling large datasets, adaptability, fitting accuracy, and mitigating the issue of local minima in BP models.关键词：风雹灾害 PSO优化算法 BP神经网络
