为了解决常用家电设备投切状态辨识问题,提出一种以神经网络为辨识模型的方法,增强其快速辨识能力。首先,从负荷印记出发,针对各用电设备的稳态电流谐波特性,建立用电设备特征标签。然后,采用弹性BP(Resilient back propagation,RPROP)...为了解决常用家电设备投切状态辨识问题,提出一种以神经网络为辨识模型的方法,增强其快速辨识能力。首先,从负荷印记出发,针对各用电设备的稳态电流谐波特性,建立用电设备特征标签。然后,采用弹性BP(Resilient back propagation,RPROP)神经网络,将输入数据特征向输出层非线性映射,实现快速收敛至全局最优点。训练中采用多种设备组合方式,进行用电设备特征辨识。最终,以五类常用用电设备进行实验,实验结果表明该算法能够有效地识别家用设备的工作状态组合,且对功率相近、谐波具有较小差异的用电设备工作状态也具有很好的辨识能力。展开更多
在研究基本误差前向反馈(BP)算法和模拟退火(SA)算法的基础上,提出了基于模拟退火优化的Resilient Back Propagation(RPROP)算法,并利用该算法建立了废旧聚丙烯制备板材重要工艺参数与成品板材的压制成形性能、力学性能之间的模拟及预...在研究基本误差前向反馈(BP)算法和模拟退火(SA)算法的基础上,提出了基于模拟退火优化的Resilient Back Propagation(RPROP)算法,并利用该算法建立了废旧聚丙烯制备板材重要工艺参数与成品板材的压制成形性能、力学性能之间的模拟及预测模型。与单纯的BP算法比较,数值计算结果表明,RPROP-SA混合优化策略具有较高的速度和精度。展开更多
以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without ...以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。展开更多
文摘为了解决常用家电设备投切状态辨识问题,提出一种以神经网络为辨识模型的方法,增强其快速辨识能力。首先,从负荷印记出发,针对各用电设备的稳态电流谐波特性,建立用电设备特征标签。然后,采用弹性BP(Resilient back propagation,RPROP)神经网络,将输入数据特征向输出层非线性映射,实现快速收敛至全局最优点。训练中采用多种设备组合方式,进行用电设备特征辨识。最终,以五类常用用电设备进行实验,实验结果表明该算法能够有效地识别家用设备的工作状态组合,且对功率相近、谐波具有较小差异的用电设备工作状态也具有很好的辨识能力。
文摘在研究基本误差前向反馈(BP)算法和模拟退火(SA)算法的基础上,提出了基于模拟退火优化的Resilient Back Propagation(RPROP)算法,并利用该算法建立了废旧聚丙烯制备板材重要工艺参数与成品板材的压制成形性能、力学性能之间的模拟及预测模型。与单纯的BP算法比较,数值计算结果表明,RPROP-SA混合优化策略具有较高的速度和精度。
文摘以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking,RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking,RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation,SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R 2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R 2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROP>RPROP-WB>RPROP-OB>BP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R 2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈“南酸北碱”趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间,RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。
