CN106960217A - 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法 - Google Patents

基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法 Download PDF

Info

Publication number
CN106960217A
CN106960217A CN201710107525.9A CN201710107525A CN106960217A CN 106960217 A CN106960217 A CN 106960217A CN 201710107525 A CN201710107525 A CN 201710107525A CN 106960217 A CN106960217 A CN 106960217A
Authority
CN
China
Prior art keywords
layer
output
classifier
strong
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710107525.9A
Other languages
English (en)
Inventor
徐英杰
潘凡
蒋宁
高增梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201710107525.9A priority Critical patent/CN106960217A/zh
Publication of CN106960217A publication Critical patent/CN106960217A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于深度BP‑Adaboost神经网络的喷射器性能预测方法，对于给定的喷射器，收集相关参数：根据神经网络拓扑结构，确定神经网络输入层、隐含层和输出层的神经元个数；输入样本开始对步骤二建立的神经网络进行训练，重复训练若干次，每次训练完毕则形成一个弱分类器，记录每次训练结果的误差；建立强分类函数，将弱分类器进行合并形成强分类器；根据预测效果分配对应的权重建立超强分类函数，将强分类器进行合并得到超强分类器，超强分类器为深度BP‑Adaboost神经网络；采集给定喷射器的实测数据，输入到建立完成的深度BP‑Adaboost神经网络中，得到输出向量即得到预测值。本发明预测精度较高、耗时较短。

Description

基于采用深度Adaboost算法的BP人工神经元网络的喷射器性 能的预测方法
技术领域
本发明涉及一种喷射器性能预测方法，尤其是一种基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法。
背景技术
喷射器可以利用工业余压、余热、废热、太阳能热、地热等低品位能源作为驱动，产生一股压力较高的流体，使其通过工作喷嘴产生真空，并吸入压力较低的流体，混合后通过扩压器提高流体的压力，最终得到中等压力的流体，即将低压流体压力的提升，实现压缩的效果。由于其结构简单、维护方便、造价低廉、且无需消耗电力，具有良好的节能减排效果，在能源形势紧张的大背景下，已在化工、热能、制冷、暖通等领域等到广泛研究与应用。
临界工作状态下的引射系数(ε)与出口背压(pc)是喷射器最关键的性能参数。但由于喷射器内部流动非常复杂，包括一次壅塞、两次壅塞、超音速流动、各类激波、扇形扩散、流体混合等现象，采用传统一维物理模型模拟得到的参数精度较低，效果较差，平均误差多在5-10％，而最大误差可达15％以上。如采用计算流体力学的方法则耗时过长、也耗费人力物力，不适合设计及相关循环的研究。上述现状对喷射器的设计应用、相关循环研究等工作带来不利影响。
发明内容
为了克服已有喷射器性能预测方法的预测精度较低、预测结果不稳定的不足，本发明提供了一种预测精度较高、结构更为稳定的基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法，包括以下步骤：
步骤一：数据的采集与处理：对于给定的喷射器，收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数ε，对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：
其中，k为归一化后的数据，x为被归一化数据，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值；
步骤二：根据神经网络拓扑结构，确定神经网络输入层、隐含层和输出层的神经元个数，对神经网络权值和阈值进行初始化，确定学习率、训练目标和循环次数；
步骤三：输入样本开始对步骤二建立的神经网络进行训练，重复训练若干次，每次训练完毕则形成一个弱分类器，记录每次训练结果的误差；
步骤四：根据每次训练的效果计算权重，在更新训练数据权重时，对于分类失败的训练个体赋予较大权重，下一次迭代运算时更加关注这些训练个体；在合并成强分类器时，则对效果不理想的弱分类器分配较小的权重，而效果理想的弱分类器则分配更大的权重；建立强分类函数h1(x)，将弱分类器进行合并，形成强分类器；
步骤五：重复步骤二至步骤四建立若干个强分类器，在对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，将强分类器进行合并得到超强分类器，最终该超强分类器即为最终所求的深度BP-Adaboost神经网络；
步骤六：在工程实际应用中，采集给定喷射器的实测数据，包括引射流体压力Pe、工作流体压力Pp；按步骤一的方法将数据进行归一化处理，然后再输入到建立完成的深度BP-Adaboost神经网络中，得到输出向量出口背压Pc和引射系数ε，再将出口背压进行反归一化处理，即得到预测值。
进一步，所述步骤二中，构建BP人工神经网络：神经网络输入样本为引射流体压力和工作流体压力，输出样本为出口背压和引射系数。根据输入输出参数，确定神经网络的输入输出层结点数，隐含层层数为一层，节点数根据经验公式：得出，其中l、n为输入、输出节点数，a为常数取1～10；输入层、隐含层和输出层各层之间的连接权值初始化值随机取[-1,1]，用ωij、ωjk表示，学习率η取0.1～0.2，训练目标取10-3-10-6，循环次数X次。
再进一步，所述步骤三中，输入训练样本开始对神经网络进行训练，过程如下：
a.隐含层的计算：其中l、m、n分别表示输入层节点数，隐含层节点数与输出层节点数，f(x)为传递函数取S型函数，x为输出层输入的数据；
隐含层节点的输入
隐含层节点的输出Hj＝f(Sj)
b.输出层的计算：其中Yb为神经网络建立过程中的预测输出；
输出层节点的输出
c.误差计算：神经网络输出层第k个神经元预测输出为Ybk，Yk为第k个神经元的期望输出，它们之间存在误差ek，公式如下：
ek＝Yk-Ybk
d.权值的更新：根据误差ek更新网络输入层与隐含层之间的权值ωij，隐含层和输出层之间的权值ωjk公式如下：
ωjk＝ωjk+ηHjek
e.阈值的更新：根据误差e更新网络节点阈值a，b；
bk＝bk+ek
所述步骤五中，用更新的权值、阈值重新构建BP-Adaboost网络，按步骤三进行训练并多次迭代，得到预测输出值与期望输出值进行比较，得到误差e，此时，训练好的BP神经网络就为一个弱分类器，共选取N1个弱分类器进行合并建立一个强分类器再在建立N2个强分类器的基础上进行合并建立一个超强分类器。
建立强分类器的过程为：将弱分类器进行整合并配上相应的权重即组成强分类器，训练第t个分类器时其权重分配公式如下：
式中，初始化测试数据的分布系数D1＝1/m，m为训练输入向量数；
式中，at为预测序列权重，用来分配各弱分类器在强分类器中所占比重；
式中，Bt为归一化因子，目的是在权重比例不变的情况下使分布权值和为1；y为期望分类结果，g为弱分类器预测分类结果；
式中，f(gt，at)为弱分类函数，h(x)所求的强分类函数；
对弱分类器进行合并，分配权重后建立一个强分类器；
建立超强分类器的过程为：建立N2 个强分类器，再对强分类器进行合并时，根据预 测效果分配对应的权重，建立超强分类函数h2(x)，将强分类器进行合并得到超强分类器， 最终该超强分类器即为最终所求的深度BP-Adaboost神经网络。
本发明的技术构思为：Adaboost算法的核心思想是合并多个弱分类器进行有效分类。本发明提出一种深度Adaboost算法，在合并弱分类器的基础上对强分类器进行二次合并，比原Adaboost算法具有更好的性能。并在此基础上，进一步建立基于深度Adaboost算法的BP人工神经元网络的方法预测喷射器的引射系数(ε)与出口背压(pc)等关键参数，无需考虑复杂的流动机理，即可方便快速地获得高精度的预测结果，为喷射器相关的设计制造、循环研究等提供必要基础。
本发明的有益效果主要表现在：预测精度较高、耗时较短。
附图说明
图1是BP神经网络拓扑结构；
图2是深度BP-ADABOOST神经网络预测结果误差图；
图3是深度BP-ADABOOST神经网络预测喷射器性能弱分类器流程图；
图4是深度BP-ADABOOST神经网络预测喷射器性能强分类器流程图；
图5是深度BP-ADABOOST神经网络预测喷射器性能超强分类器流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图5，一种基于深度BP-Adaboost神经网络的喷射器性能预测方法，包括以下步骤：
步骤一：数据的采集与处理：对于给定的喷射器，收集相关参数即引射流体压力(Pe)、工作流体压力(Pp)、出口背压(Pc)和引射系数(ε)。为加快神经网络的收敛和减少训练时间，需要对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：
其中，k为归一化后的数据，x为被归一化数据，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值。
步骤二：根据神经网络拓扑结构，确定神经网络输入层、隐含层和输出层的神经元个数，对神经网络权值和阈值进行初始化，确定学习率、训练目标和循环次数。
步骤三：输入样本开始对步骤二建立的神经网络进行训练，重复训练十次，每次训练完毕则形成一个弱分类器，记录每次训练结果的误差。
步骤四：根据每次训练的效果计算权重，在更新训练数据权重时，对于分类失败的训练个体赋予较大权重，下一次迭代运算时更加关注这些训练个体。在合并成强分类器时，则对效果不理想的弱分类器分配较小的权重，而效果理想的弱分类器则分配更大的权重。建立强分类函数h1(x)，将弱分类器进行合并，形成强分类器。
步骤五：重复步骤二至步骤四建立十个强分类器，在对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，将强分类器进行合并得到超强分类器，最终该超强分类器即为最终所求的深度BP-Adaboost神经网络。
步骤六：在工程实际应用中，采集给定喷射器的实测数据，包括引射流体压力(Pe)、工作流体压力(Pp)；按步骤一的方法将数据进行归一化处理，然后再输入到建立完成的深度BP-Adaboost神经网络中，得到输出向量出口背压(Pc)和引射系数(ε)，再将出口背压进行反归一化处理，即得到预测值。
x＝k·(xmax-xmin)+xmin
所述步骤二中，构建BP人工神经网络：根据神经网络输入样本(引射流体压力、工作流体压力)，输出样本(出口背压，引射系数)，确定神经网络结构输入层神经元为2个，输出层神经元为2个，隐含层数取一层神经元个数为5。输入层、隐含层和输出层各层之间的连接权值初始化值随机取[-1,1]，用ωij、ωjk表示。学习率η取0.1，训练目标取0.0001，循环次数100次。
所述步骤三中，输入训练样本开始对神经网络进行训练，过程如下：
a.隐含层的计算：其中i、j、k分别表示输入层节点数，隐含层节点数与输出层节点数，f(x)为传递函数取S型(Sigmoid)函数，x为输出层输入的数据。
隐含层节点的输入
隐含层节点的输出Hj＝f(Sj)
b.输出层的计算：其中Yb为神经网络建立过程中的预测输出。
输出层节点的输出
c.误差计算：神经网络输出层第k个神经元预测输出为Ybk，Yk为第k个神经元的期望输出，它们之间存在误差ek，公式如下：
ek＝Yk-Ybk
d.权值的更新：根据误差ek更新网络输入层与隐含层之间的权值ωij，隐含层和输出层之间的权值ωjk公式如下：
ωjk＝ωjk+ηHjek
e.阈值的更新：根据误差e更新网络节点阈值a，b。
bk＝bk+ek
所述步骤五中，用更新的权值、阈值重新构建BP-Adaboost网络，按步骤三进行训练并多次迭代，得到预测输出值与期望输出值进行比较，得到误差e。此时，训练好的BP神经网络就为一个弱分类器，本发明共选取十个弱分类器进行合并建立一个强分类器。
建立强分类器的过程为：将弱分类器进行整合并配上相应的权重即组成强分类器，训练第t个分类器时其权重分配公式如下：
式中，初始化测试数据的分布系数D1＝1/m，m为训练输入向量数。
式中，at为预测序列权重，用来分配各弱分类器在强分类器中所占比重。
式中，Bt为归一化因子，目的是在权重比例不变的情况下使分布权值和为1；y为期望分类结果，g为弱分类器预测分类结果。
式中，f(gt，at)为弱分类函数，h(x)所求的强分类函数。
对弱分类器进行合并，分配权重后建立一个强分类器。
建立十个强分类器，在对强分类器进行合并时，采用同样的方法根据预测效果分配对应的权重，建立超强分类函数h2(x)，将强分类器进行合并得到超强分类器，最终该超强分类器即为最终所求的深度BP-Adaboost神经网络。
实例：为更好的体现本发明的效果，现将本发明的方法进行实际运行。采用文献1(IW.Eames et al.A theoretical and experimental study of a small-scale steamjet refrigerator.International journal of refrigeration,18(6):378-386,1995，即IW.Eames等.小型蒸汽喷射制冷机的理论与实验研究.国际制冷学报,18(6):378-386,1995)中的方法获得引射流体压力在706Pa-2339Pa的110组数据，从其中随机选取80组数据作为训练样本，运用本专利所述方法进行多次训练得到BP神经网络。剩下的30组数据用来验证神经网络的可靠性，选取输入样本(引射流体压力pe、工作流体压力pp)采用训练完毕的BP神经网络进行出口背压pc和引射系数ε的预测，将预测的结果与文献结果进行比较，计算误差，公式如下所示：
其中，μ是预测值与文献值的误差，神经网络预测值为Yb，Y是文献值。
具体预测结果与文献值如表1及图2所示，
表1
其中，最后预测结果的平均误差为0.27％，最大误差为1.1％，采用BP神经网络的预测结果较为精确。BP神经网络完成的喷射器引射系数与出口背压的预测方法和传统方法如文献2(W.Chen et al.Theoretical analysis of ejector refrigeration systemperformance under overall modes.Applied energy,185-2:2074-2084,2016，即W.Chen等.全工况下喷射制冷系统性能的理论分析.应用能源,185-2:2074-2084, 2016.)以及文献(JM.Cardemil et al.A general model for evaluation of vapor ejectorsperformance for application in refrigeration.Energy Conversion andManagement,64:79-86,2012，即JM.Cardemil等.一个用于制冷用蒸汽喷射器性能评估的模型.能量转换与管理,64:79-86,2012.)中的方法进行比较可以发现，采用传统模型的平均误差多在5-10％，而最大误差可达15％以上。可见采用本专利的方法在保证快速进行预测的前提下，可以大大提升预测精度。

Claims (5)

1.一种基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法，其特征在于：包括以下步骤：
步骤一：数据的采集与处理：对于给定的喷射器，收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：
其中，k为归一化后的数据，x为被归一化数据，xmin为被归一化数据中的最小值，xmax为被归一化数据中最大值；
步骤二：根据神经网络拓扑结构，确定神经网络输入层、隐含层和输出层的神经元个数，对神经网络权值和阈值进行初始化，确定学习率、训练目标和循环次数；
步骤三：输入样本开始对步骤二建立的神经网络进行训练，重复训练若干次，每次训练完毕则形成一个弱分类器，记录每次训练结果的误差；
步骤四：根据每次训练的效果计算权重，在更新训练数据权重时，对于分类失败的训练个体赋予较大权重，下一次迭代运算时更加关注这些训练个体；在合并成强分类器时，则对效果不理想的弱分类器分配较小的权重，而效果理想的弱分类器则分配更大的权重；建立强分类函数h1(x)，将弱分类器进行合并，形成强分类器；
步骤五：重复步骤二至步骤四建立若干个强分类器，在对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，将强分类器进行合并得到超强分类器，最终该超强分类器即为最终所求的深度BP-Adaboost神经网络；
步骤六：在工程实际应用中，采集给定喷射器的实测数据，包括引射流体压力Pe、工作流体压力Pp；按步骤一的方法将数据进行归一化处理，然后再输入到建立完成的深度BP-Adaboost神经网络中，得到输出向量出口背压Pc和引射系数再将出口背压进行反归一化处理，即得到预测值。
2.如权利要求1所述的基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法，其特征在于：所述步骤二中，构建BP人工神经网络：神经网络输入样本为引射流体压力和工作流体压力，输出样本为出口背压和引射系数；根据输入输出参数，确定神经网络的输入输出层结点数，隐含层层数为一层，节点数根据经验公式：得出，其中l、n为输入、输出节点数，a为常数；输入层、隐含层和输出层各层之间的连接权值初始化值随机取[-1,1]，用ωij、ωjk表示，学习率η取0.1～0.2，训练目标取10-3-10-6，循环次数X次。
3.如权利要求1或2所述的基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法，其特征在于：所述步骤三中，输入训练样本开始对神经网络进行训练，过程如下：
a.隐含层的计算：其中l、m、n分别表示输入层节点数，隐含层节点数与输出层节点数，f(x)为传递函数取S型函数，x为输出层输入的数据；
隐含层节点的输入
隐含层节点的输出Hj＝f(Sj)
b.输出层的计算：其中Yb为神经网络建立过程中的预测输出；
输出层节点的输出
c.误差计算：神经网络输出层第k个神经元预测输出为Ybk，Yk为第k个神经元的期望输出，它们之间存在误差ek，公式如下：
ek＝Yk-Ybk
d.权值的更新：根据误差ek更新网络输入层与隐含层之间的权值ωij，隐含层和输出层之间的权值ωjk公式如下：
ωjk＝ωjk+ηHjek
e.阈值的更新：根据误差e更新网络节点阈值a，b；
bk＝bk+ek。
4.如权利要求1或2所述的基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法，其特征在于：所述步骤五中，用更新的权值、阈值重新构建BP-Adaboost网络，按步骤三进行训练并多次迭代，得到预测输出值与期望输出值进行比较，得到误差e，此时，训练好的BP神经网络就为一个弱分类器，共选取N1个弱分类器进行合并建立一个强分类器再在建立N2个强分类器的基础上进行合并建立一个超强分类器。
5.如权利要求4所述的基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法，其特征在于：建立强分类器的过程为：将弱分类器进行整合并配上相应的权重即组成强分类器，训练第t个分类器时其权重分配公式如下：
式中，初始化测试数据的分布系数D1＝1/m，m为训练输入向量数；
式中，at为预测序列权重，用来分配各弱分类器在强分类器中所占比重；
式中，Bt为归一化因子，目的是在权重比例不变的情况下使分布权值和为1；y为期望分类结果，g为弱分类器预测分类结果；
式中，f(gt，at)为弱分类函数，h(x)所求的强分类函数；
对弱分类器进行合并，分配权重后建立一个强分类器；
建立N2个强分类器，再对强分类器进行合并时，根据预测效果分配对应的权重，建立超强分类函数h2(x)，将强分类器进行合并得到超强分类器，最终该超强分类器即为最终所求的深度BP-Adaboost神经网络。
CN201710107525.9A 2017-02-27 2017-02-27 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法 Pending CN106960217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710107525.9A CN106960217A (zh) 2017-02-27 2017-02-27 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710107525.9A CN106960217A (zh) 2017-02-27 2017-02-27 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法

Publications (1)

Publication Number Publication Date
CN106960217A true CN106960217A (zh) 2017-07-18

Family

ID=59481157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710107525.9A Pending CN106960217A (zh) 2017-02-27 2017-02-27 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法

Country Status (1)

Country Link
CN (1) CN106960217A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829244A (zh) * 2019-02-25 2019-05-31 浙江工业大学 算法优化深度网络和三代遗传算法的风机优化设计方法
CN109858714A (zh) * 2019-04-03 2019-06-07 杭州安脉盛智能技术有限公司 基于改进神经网络的烟丝质检指标预测方法、装置及系统
CN109872773A (zh) * 2019-02-26 2019-06-11 哈尔滨工业大学 基于Adaboost、BP神经网络和随机森林融合的mirco-RNA前体识别方法
CN109920477A (zh) * 2019-02-26 2019-06-21 哈尔滨工业大学 基于Adaboost与BP神经网络融合的多物种Pre-microRNA识别方法
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法
CN110287839A (zh) * 2019-06-17 2019-09-27 上海理工大学 手写数字图像识别分类方法
CN111563347A (zh) * 2020-04-03 2020-08-21 江苏师范大学 一种纤维增强复合材料的注塑工艺参数优化方法
CN112231621A (zh) * 2020-10-13 2021-01-15 电子科技大学 基于BP-adaboost降低元素检出限的方法
CN115048281A (zh) * 2022-07-29 2022-09-13 苏州浪潮智能科技有限公司 一种存储性能预测方法、系统以及预测终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120183223A1 (en) * 2007-06-28 2012-07-19 Microsoft Corporation Combining online and offline recognizers in a handwriting recognition system
CN102707256A (zh) * 2012-06-20 2012-10-03 北京航空航天大学 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN104715282A (zh) * 2015-02-13 2015-06-17 浙江工业大学 一种基于改进pso-bp神经网络的数据预测方法
CN104835507A (zh) * 2015-03-30 2015-08-12 渤海大学 一种串并结合的多模式情感信息融合与识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120183223A1 (en) * 2007-06-28 2012-07-19 Microsoft Corporation Combining online and offline recognizers in a handwriting recognition system
CN102707256A (zh) * 2012-06-20 2012-10-03 北京航空航天大学 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN104715282A (zh) * 2015-02-13 2015-06-17 浙江工业大学 一种基于改进pso-bp神经网络的数据预测方法
CN104835507A (zh) * 2015-03-30 2015-08-12 渤海大学 一种串并结合的多模式情感信息融合与识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
白亮亮: "基于卡口的违法车辆自动检测与身份识别系统设计", 《信息化研究》 *
高静: "Adaboost-BP方法在企业信用评级中的应用研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *
黄亮亮: "基于人工神经网络的喷射器性能预测及优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829244A (zh) * 2019-02-25 2019-05-31 浙江工业大学 算法优化深度网络和三代遗传算法的风机优化设计方法
CN109872773A (zh) * 2019-02-26 2019-06-11 哈尔滨工业大学 基于Adaboost、BP神经网络和随机森林融合的mirco-RNA前体识别方法
CN109920477A (zh) * 2019-02-26 2019-06-21 哈尔滨工业大学 基于Adaboost与BP神经网络融合的多物种Pre-microRNA识别方法
CN109858714A (zh) * 2019-04-03 2019-06-07 杭州安脉盛智能技术有限公司 基于改进神经网络的烟丝质检指标预测方法、装置及系统
CN109858714B (zh) * 2019-04-03 2021-05-04 杭州安脉盛智能技术有限公司 基于改进神经网络的烟丝质检指标预测方法、装置及系统
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法
CN110287839A (zh) * 2019-06-17 2019-09-27 上海理工大学 手写数字图像识别分类方法
CN111563347A (zh) * 2020-04-03 2020-08-21 江苏师范大学 一种纤维增强复合材料的注塑工艺参数优化方法
CN111563347B (zh) * 2020-04-03 2024-02-09 揭阳市恭发塑胶有限公司 一种纤维增强复合材料的注塑工艺参数优化方法
CN112231621A (zh) * 2020-10-13 2021-01-15 电子科技大学 基于BP-adaboost降低元素检出限的方法
CN112231621B (zh) * 2020-10-13 2021-09-24 电子科技大学 基于BP-adaboost降低元素检出限的方法
CN115048281A (zh) * 2022-07-29 2022-09-13 苏州浪潮智能科技有限公司 一种存储性能预测方法、系统以及预测终端

Similar Documents

Publication Publication Date Title
CN106960217A (zh) 基于采用深度Adaboost算法的BP人工神经元网络的喷射器性能的预测方法
CN106951983A (zh) 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法
CN106980897A (zh) 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法
CN106960075A (zh) 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法
CN108734202A (zh) 一种基于改进bp神经网络的高压断路器故障诊断方法
Han et al. Information-utilization-method-assisted multimodal multiobjective optimization and application to credit card fraud detection
Nguyen et al. Filter based backward elimination in wrapper based PSO for feature selection in classification
CN109932903A (zh) 多父代优化网络和遗传算法的风机控制多目标优化方法
CN106067066A (zh) 基于遗传算法优化装袋算法的电力变压器故障诊断方法
CN110765582B (zh) 基于马尔可夫链的自组织中心K-means微电网场景划分方法
CN104680025B (zh) 基于遗传算法极限学习机的抽油机参数优化方法
Sahu et al. Economic load dispatch in power system using genetic algorithm
CN112766608B (zh) 一种基于极限学习机的水泥磨系统电耗指标预测方法
CN106991208A (zh) 基于采用改进思维进化算法的bp人工神经元网络的喷射器性能的预测方法
CN105488297A (zh) 一种基于小样本建立复杂产品优化设计代理模型的方法
CN105046326A (zh) 基于功图主元分析的抽油机参数优化方法
CN107400935A (zh) 基于改进elm的熔融纺丝工艺的调节方法
CN104680023B (zh) 基于多目标决策的抽油机参数优化方法
Wang et al. Application of hybrid artificial bee colony algorithm based on load balancing in aerospace composite material manufacturing
Lalaoui et al. Simulated annealing with adaptive neighborhood using fuzzy logic controller
Vakhshouri et al. Application of adaptive neuro-fuzzy inference system in high strength concrete
CN109840335A (zh) 基于强化t-s模糊神经网络的径向锻造凹坑预测优化方法
CN101819408A (zh) 一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法
Bouaziz et al. Evolving flexible beta operator neural trees (FBONT) for time series forecasting
CN104679988B (zh) 一种基于云topsis的多属性决策方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170718

RJ01 Rejection of invention patent application after publication