CN113009104A - 基于粒子群算法优化神经网络的冻土未冻水含量捡测方法 - Google Patents
基于粒子群算法优化神经网络的冻土未冻水含量捡测方法 Download PDFInfo
- Publication number
- CN113009104A CN113009104A CN201911332514.6A CN201911332514A CN113009104A CN 113009104 A CN113009104 A CN 113009104A CN 201911332514 A CN201911332514 A CN 201911332514A CN 113009104 A CN113009104 A CN 113009104A
- Authority
- CN
- China
- Prior art keywords
- frozen soil
- neural network
- data
- water content
- resistivity
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Medicinal Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,包括步骤:步骤一、冻土未冻水含量检测设备连接;步骤二、温度、电阻率数据采集及传输;步骤三、数据处理,得到冻土未冻水含量。本发明采用了基于粒子群算法优化的冻土未冻水含量检测神经网络模型进行数据处理,在输入检测数据时,能够直接得出检测结果,方法步骤简单,实现方便,能够用于基于冻土电阻率和温度的冻土未冻水含量测量,能够将冻土未冻水含量检测的复杂问题简单化,且测量结果精确,实用性强,使用效果好,便于推广使用。
Description
技术领域
本发明属于冻土未冻水含量检测技术领域,具体涉及一种基于粒子群算法优化神经网络的冻土未冻水含量捡测方法。
背景技术
冻土中未冻水在冻土力学中扮演着重要的角色,冻土未冻水含量对土体以及桩基之间的相互作用有重大影响,在针对冻土的研究中,冻土未冻水含量的测定方式一直以来都没有的到系统科学的解释,因此对于学术研究以及工程实践,这是一个亟待解决的问题。
目前此领域用到的冻土未冻水含量测试方法主要有核磁共振法、中子自旋回声法、量热法、介电特性法,实验室常用的方法还有测温法,以上所述方法均存在不足或是不合理之处。具体来说,核磁共振法成本造价太高,不能满足实验以及实际工程的要求。中子自旋回声法利用磁共振中的信号来源,在第一个射频脉冲之后会出现自由衰减,通过衰减来判断未冻水含量,其原理复杂,可行性不强。量热法是把具有稳定负温的冻土试样放入正温量热水中使其进行热交换,试样温度与量热水温度达到平衡,其试验仪器操作复杂,且需要一定的热交换时间,因此不能方便,快速测出瞬时未冻水的含量。介电特性法获得待测物质的超宽带脉冲介电响应曲线后,需通过反演算法来确定其介电常数。反演过程中需通过足够多时间点的采样,来建立准确的多维反演模型,准确计算出各成分介电常数、电阻率、孔隙度、含水量等参数。在实际操作中,由于条件限制,各影响因素的考虑还不够完全,因此利用超宽带脉冲介电响应曲线反演模型还不够完善,有所误差。实验室常用的测温法测试结果测得的数据仅是某一冻结起始温度对应的初始含水量,不能说明冻土中未冻水含量随温度的变化过程。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其采用了基于粒子群算法优化的冻土未冻水含量检测神经网络模型进行数据处理,在输入检测数据时,能够直接得出检测结果,方法步骤简单,实现方便,能够用于基于冻土电阻率和温度的冻土未冻水含量测量,能够将冻土未冻水含量检测的复杂问题简单化,且测量结果精确,实用性强,使用效果好,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于,该方法包括以下步骤:
步骤一、冻土未冻水含量检测设备连接,具体过程为:将导电片、温度传感器和电阻率检测传感器置入冻土土体中,并将导电片与为其供电的外部电源连接,将温度传感器的输出端的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接,将数据采集器与数据处理器连接;
步骤二、温度、电阻率数据采集及传输:当外部电源开始为导电片供电后,温度传感器对冻土土体内的温度进行实时检测,电阻率检测传感器对冻土土体内的电阻率进行实时检测,数据采集器对温度传感器检测到的温度和电阻率检测传感器检测到的电阻率进行周期性采集,并将采集到的温度数据和电阻率数据发送给数据处理器;
步骤三、数据处理,得到冻土未冻水含量:数据处理器将温度数据和电阻率数据输入预先构建的基于粒子群算法优化的冻土未冻水含量检测神经网络模型中,得到基于粒子群算法优化的冻土未冻水含量检测神经网络模型的输出,所述基于粒子群算法优化的冻土未冻水含量检测神经网络模型的输出为冻土未冻水含量;
所述基于粒子群算法优化的冻土未冻水含量检测神经网络模型的构建方法为:
步骤301、训练样本获取,具体过程为:
步骤3011、采用冻土土样进行实验,将导电片、温度传感器和电阻率检测传感器置入冻土土样中,并将导电片与为其供电的外部电源连接,将温度传感器的输出端的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接,将数据采集器与数据处理器连接;
步骤3012、进行烘干实验,当外部电源开始为导电片供电后,温度传感器对冻土土体内的温度进行实时检测,电阻率检测传感器对冻土土体内的电阻率进行实时检测,数据采集器对温度传感器检测到的温度和电阻率检测传感器检测到的电阻率进行周期性采集,并将采集到的温度数据和电阻率数据发送给数据处理器;数据处理器记录多组温度数据、电阻率数据和冻土未冻水含量的实验数据;并将多组温度数据、电阻率数据和冻土未冻水含量的实验数据作为训练样本;
步骤302、建立隐含层神经元数目可变的三层BP神经网络:数据处理器以温度数据和电阻率数据作为BP神经网络的输入,输入层节点数n1为2 个,以冻土未冻水含量作为BP神经网络的输出,输出层节点数n3为1个,根据公式确定所述三层BP网络的隐含层节点数n2,建立三层BP神经网络;其中,取a为1~10的自然数;
步骤303、训练各个不同隐含层节点数的三层BP神经网络,具体过程为:数据处理器采用训练样本对取a为1~10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练,且在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络;
步骤304、确定出基于粒子群算法优化的冻土未冻水含量检测神经网络模型,具体过程为:数据处理器调用网络误差计算模块计算步骤303中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差,并选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络,确定为训练好的三层BP神经网络,并将其定义为基于粒子群算法优化的冻土未冻水含量检测神经网络模型。
上述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:步骤303中所述在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化粒子群的位置和速度,将粒子群中每个粒子的位置表示为空气质量预测BP神经网络中当前迭代中的权值和阈值的集合,并将种群规模设定为正整数N,将最大迭代次数设定为s;
步骤B、根据初始位置和速度产生各粒子新的位置;
步骤C、将预测值与实际值的均方差作为适应度函数,计算每个粒子的适应度值;
步骤D、对于每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,当适应度值更好时就更新;
步骤E、对于每个粒子,比较它的适应度值和群体所经历的最好位置 Pgd的适应度值,当适应度值更好时就更新;
步骤F、根据公式Vid k+1=Vid k+c1r1(Pid k-Xid k)+c2r2(Pgd k-Xid k)和公式 Xid k+1=Xid k+Vid k+1调整粒子的速度和位置;其中,为第i个粒子在k次迭代中第d维上的速度,为第i个粒子在k+1次迭代中第d维上的速度,c1和 c2均为学习因子,r1和r2均为介于(0,1)的随机数,Xid k为第i个粒子在k次迭代中第d维上的位置,Xid k+1为第i个粒子在k+1次迭代中第d维上的位置,Pid k为第i个粒子在k次迭代中当前搜索到的最优位置,Pgd k为第i个粒子在k次迭代中全局搜索到的最优位置;
步骤G、当达到最大迭代次数时结束迭代,否则返回步骤B继续迭代执行,将结束迭代后的全局最优位置Pgd的解确定为最优的空气质量预测 BP神经网络的权值W和阈值B。
上述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:步骤F中所述c1和c2的取值均为2。
上述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:所述n2的取值为10。
上述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:所述数据处理器为数据处理计算机。
本发明与现有技术相比具有以下优点:
1、本发明采用了基于粒子群算法优化的冻土未冻水含量检测神经网络模型进行数据处理,在输入检测数据时,能够直接得出检测结果,方法步骤简单,实现方便。
2、本发明能够用于基于冻土电阻率和温度的冻土未冻水含量测量,能够将冻土未冻水含量检测的复杂问题简单化,且测量结果精确。
3、本发明的实用性强,使用效果好,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示,本发明的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于,该方法包括以下步骤:
步骤一、冻土未冻水含量检测设备连接,具体过程为:将导电片、温度传感器和电阻率检测传感器置入冻土土体中,并将导电片与为其供电的外部电源连接,将温度传感器的输出端的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接,将数据采集器与数据处理器连接;
步骤二、温度、电阻率数据采集及传输:当外部电源开始为导电片供电后,温度传感器对冻土土体内的温度进行实时检测,电阻率检测传感器对冻土土体内的电阻率进行实时检测,数据采集器对温度传感器检测到的温度和电阻率检测传感器检测到的电阻率进行周期性采集,并将采集到的温度数据和电阻率数据发送给数据处理器;
步骤三、数据处理,得到冻土未冻水含量:数据处理器将温度数据和电阻率数据输入预先构建的基于粒子群算法优化的冻土未冻水含量检测神经网络模型中,得到基于粒子群算法优化的冻土未冻水含量检测神经网络模型的输出,所述基于粒子群算法优化的冻土未冻水含量检测神经网络模型的输出为冻土未冻水含量;
所述基于粒子群算法优化的冻土未冻水含量检测神经网络模型的构建方法为:
步骤301、训练样本获取,具体过程为:
步骤3011、采用冻土土样进行实验,将导电片、温度传感器和电阻率检测传感器置入冻土土样中,并将导电片与为其供电的外部电源连接,将温度传感器的输出端的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接,将数据采集器与数据处理器连接;
步骤3012、进行烘干实验,当外部电源开始为导电片供电后,温度传感器对冻土土体内的温度进行实时检测,电阻率检测传感器对冻土土体内的电阻率进行实时检测,数据采集器对温度传感器检测到的温度和电阻率检测传感器检测到的电阻率进行周期性采集,并将采集到的温度数据和电阻率数据发送给数据处理器;数据处理器记录多组温度数据、电阻率数据和冻土未冻水含量的实验数据;并将多组温度数据、电阻率数据和冻土未冻水含量的实验数据作为训练样本;
步骤302、建立隐含层神经元数目可变的三层BP神经网络:数据处理器以温度数据和电阻率数据作为BP神经网络的输入,输入层节点数n1为2 个,以冻土未冻水含量作为BP神经网络的输出,输出层节点数n3为1个,根据公式确定所述三层BP网络的隐含层节点数n2,建立三层BP神经网络;其中,取a为1~10的自然数;
步骤303、训练各个不同隐含层节点数的三层BP神经网络,具体过程为:数据处理器采用训练样本对取a为1~10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练,且在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络;
步骤304、确定出基于粒子群算法优化的冻土未冻水含量检测神经网络模型,具体过程为:数据处理器调用网络误差计算模块计算步骤303中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差,并选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络,确定为训练好的三层BP神经网络,并将其定义为基于粒子群算法优化的冻土未冻水含量检测神经网络模型。
本实施例中,步骤303中所述在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化粒子群的位置和速度,将粒子群中每个粒子的位置表示为空气质量预测BP神经网络中当前迭代中的权值和阈值的集合,并将种群规模设定为正整数N,将最大迭代次数设定为s;
步骤B、根据初始位置和速度产生各粒子新的位置;
步骤C、将预测值与实际值的均方差作为适应度函数,计算每个粒子的适应度值;
步骤D、对于每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,当适应度值更好时就更新;
步骤E、对于每个粒子,比较它的适应度值和群体所经历的最好位置Pgd的适应度值,当适应度值更好时就更新;
步骤F、根据公式Vid k+1=Vid k+c1r1(Pid k-Xid k)+c2r2(Pgd k-Xid k)和公式 Xid k+1=Xid k+Vid k+1调整粒子的速度和位置;其中,为第i个粒子在k次迭代中第d维上的速度,为第i个粒子在k+1次迭代中第d维上的速度,c1和 c2均为学习因子,r1和r2均为介于(0,1)的随机数,Xid k为第i个粒子在k次迭代中第d维上的位置,Xid k+1为第i个粒子在k+1次迭代中第d维上的位置,Pid k为第i个粒子在k次迭代中当前搜索到的最优位置,Pgd k为第i个粒子在k次迭代中全局搜索到的最优位置;
步骤G、当达到最大迭代次数时结束迭代,否则返回步骤B继续迭代执行,将结束迭代后的全局最优位置Pgd的解确定为最优的空气质量预测 BP神经网络的权值W和阈值B。
本实施例中,步骤F中所述c1和c2的取值均为2。
本实施例中,所述n2的取值为10。
本实施例中,所述数据处理器为数据处理计算机。
综上所述,本发明采用了基于粒子群算法优化的冻土未冻水含量检测神经网络模型进行数据处理,在输入检测数据时,能够直接得出检测结果,方法步骤简单,实现方便,能够用于基于冻土电阻率和温度的冻土未冻水含量测量,能够将冻土未冻水含量检测的复杂问题简单化,且测量结果精确,实用性强,使用效果好,便于推广使用。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (5)
1.基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于,该方法包括以下步骤:
步骤一、冻土未冻水含量检测设备连接,具体过程为:将导电片、温度传感器和电阻率检测传感器置入冻土土体中,并将导电片与为其供电的外部电源连接,将温度传感器的输出端的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接,将数据采集器与数据处理器连接;
步骤二、温度、电阻率数据采集及传输:当外部电源开始为导电片供电后,温度传感器对冻土土体内的温度进行实时检测,电阻率检测传感器对冻土土体内的电阻率进行实时检测,数据采集器对温度传感器检测到的温度和电阻率检测传感器检测到的电阻率进行周期性采集,并将采集到的温度数据和电阻率数据发送给数据处理器;
步骤三、数据处理,得到冻土未冻水含量:数据处理器将温度数据和电阻率数据输入预先构建的基于粒子群算法优化的冻土未冻水含量检测神经网络模型中,得到基于粒子群算法优化的冻土未冻水含量检测神经网络模型的输出,所述基于粒子群算法优化的冻土未冻水含量检测神经网络模型的输出为冻土未冻水含量;
所述基于粒子群算法优化的冻土未冻水含量检测神经网络模型的构建方法为:
步骤301、训练样本获取,具体过程为:
步骤3011、采用冻土土样进行实验,将导电片、温度传感器和电阻率检测传感器置入冻土土样中,并将导电片与为其供电的外部电源连接,将温度传感器的输出端的输出端和电阻率检测传感器的输出端均与数据采集器的输入端连接,将数据采集器与数据处理器连接;
步骤3012、进行烘干实验,当外部电源开始为导电片供电后,温度传感器对冻土土体内的温度进行实时检测,电阻率检测传感器对冻土土体内的电阻率进行实时检测,数据采集器对温度传感器检测到的温度和电阻率检测传感器检测到的电阻率进行周期性采集,并将采集到的温度数据和电阻率数据发送给数据处理器;数据处理器记录多组温度数据、电阻率数据和冻土未冻水含量的实验数据;并将多组温度数据、电阻率数据和冻土未冻水含量的实验数据作为训练样本;
步骤302、建立隐含层神经元数目可变的三层BP神经网络:数据处理器以温度数据和电阻率数据作为BP神经网络的输入,输入层节点数n1为2个,以冻土未冻水含量作为BP神经网络的输出,输出层节点数n3为1个,根据公式确定所述三层BP网络的隐含层节点数n2,建立三层BP神经网络;其中,取a为1~10的自然数;
步骤303、训练各个不同隐含层节点数的三层BP神经网络,具体过程为:数据处理器采用训练样本对取a为1~10的自然数时所对应的不同隐含层节点数的三层BP神经网络进行训练,且在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化,得到各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络;
步骤304、确定出基于粒子群算法优化的冻土未冻水含量检测神经网络模型,具体过程为:数据处理器调用网络误差计算模块计算步骤303中各个不同隐含层节点数时权值W和阈值B最优的训练好的三层BP神经网络对应的网络误差,并选择出网络误差最小的隐含层节点数的权值W和阈值B最优的三层BP神经网络,确定为训练好的三层BP神经网络,并将其定义为基于粒子群算法优化的冻土未冻水含量检测神经网络模型。
2.按照权利要求1所述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:步骤303中所述在进行训练的过程中调用粒子群算法参数优化模块对三层BP神经网络的权值W和阈值B进行优化的具体过程为:
步骤A、初始化粒子群的位置和速度,将粒子群中每个粒子的位置表示为空气质量预测BP神经网络中当前迭代中的权值和阈值的集合,并将种群规模设定为正整数N,将最大迭代次数设定为s;
步骤B、根据初始位置和速度产生各粒子新的位置;
步骤C、将预测值与实际值的均方差作为适应度函数,计算每个粒子的适应度值;
步骤D、对于每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,当适应度值更好时就更新;
步骤E、对于每个粒子,比较它的适应度值和群体所经历的最好位置Pgd的适应度值,当适应度值更好时就更新;
步骤F、根据公式Vid k+1=Vid k+c1r1(Pid k-Xid k)+c2r2(Pgd k-Xid k)和公式Xid k+1=Xid k+Vid k+1调整粒子的速度和位置;其中,为第i个粒子在k次迭代中第d维上的速度,为第i个粒子在k+1次迭代中第d维上的速度,c1和c2均为学习因子,r1和r2均为介于(0,1)的随机数,Xid k为第i个粒子在k次迭代中第d维上的位置,Xid k+1为第i个粒子在k+1次迭代中第d维上的位置,Pid k为第i个粒子在k次迭代中当前搜索到的最优位置,Pgd k为第i个粒子在k次迭代中全局搜索到的最优位置;
步骤G、当达到最大迭代次数时结束迭代,否则返回步骤B继续迭代执行,将结束迭代后的全局最优位置Pgd的解确定为最优的空气质量预测BP神经网络的权值W和阈值B。
3.按照权利要求1所述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:步骤F中所述c1和c2的取值均为2。
4.按照权利要求1所述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:所述n2的取值为10。
5.按照权利要求1所述的基于粒子群算法优化神经网络的冻土未冻水含量捡测方法,其特征在于:所述数据处理器为数据处理计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911332514.6A CN113009104A (zh) | 2019-12-22 | 2019-12-22 | 基于粒子群算法优化神经网络的冻土未冻水含量捡测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911332514.6A CN113009104A (zh) | 2019-12-22 | 2019-12-22 | 基于粒子群算法优化神经网络的冻土未冻水含量捡测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113009104A true CN113009104A (zh) | 2021-06-22 |
Family
ID=76382901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911332514.6A Pending CN113009104A (zh) | 2019-12-22 | 2019-12-22 | 基于粒子群算法优化神经网络的冻土未冻水含量捡测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009104A (zh) |
-
2019
- 2019-12-22 CN CN201911332514.6A patent/CN113009104A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113568055B (zh) | 一种基于lstm网络的航空瞬变电磁数据反演方法 | |
CN101799888B (zh) | 基于仿生智能蚁群算法的工业软测量方法 | |
CN111337258B (zh) | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 | |
CN106706852A (zh) | 一种气体浓度传感器的标定方法和系统 | |
CN110287540B (zh) | 一种基于精英群众差分进化算法的光伏电池参数辨识方法 | |
CN114969995A (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
CN105203963A (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
CN110346005B (zh) | 基于深度学习的科里奥利质量流量计数字信号处理方法 | |
CN108333617B (zh) | 一种海水中放射性物质检测的快速寻峰方法 | |
CN108804800A (zh) | 基于回声状态网络的锂离子电池soc在线预测方法 | |
CN105824783B (zh) | 一种基于细菌觅食的混合蜂群算法的非线性阻尼系统的参数识别方法 | |
CN114660531B (zh) | 一种基于电表测量误差补偿的检测方法、系统及装置 | |
CN114942140A (zh) | 基于多输入并行图卷积神经网络的滚动轴承故障诊断方法 | |
CN108574290B (zh) | 受迫振荡的振荡源定位方法、装置、终端及可读存储介质 | |
CN113009107A (zh) | 一种冻土未冻水含量检测方法 | |
CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN107958120B (zh) | 一种基于幂级数展开的系统戴维南等值参数计算方法 | |
CN116466058B (zh) | 水质检测数据处理方法、水质评估系统、设备及介质 | |
CN113009104A (zh) | 基于粒子群算法优化神经网络的冻土未冻水含量捡测方法 | |
CN110098610B (zh) | 故障扰动下电力系统振荡主导模式的实时辨识方法及系统 | |
CN113009105A (zh) | 基于模拟退火优化神经网络的冻土未冻水含量捡测方法 | |
CN116718924A (zh) | 一种基于电磁检测技术的数字孪生电池构建方法 | |
CN103439646A (zh) | 一种模拟电路测试矢量生成方法 | |
CN116520281A (zh) | 一种基于ddpg的扩展目标跟踪优化方法和装置 | |
CN113009106A (zh) | 冻土未冻水含量检测用神经网络模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210622 |
|
WD01 | Invention patent application deemed withdrawn after publication |