下载文档原格式
基于布谷鸟—BP神经网络的页岩脆性指数预测研究黄开兴;刘卫华;吴朝容;胡华锋;周枫;李勇;陈朝譞;汪子祺;孙正星【期刊名称】《中国石油勘探》【年(卷),期】2024(29)2【摘要】页岩储层具有低孔隙度、低渗透率的物理性质,因此在页岩气开采中往往需要对其储层进行压裂处理,而页岩储层的可压裂性可用脆性指数来评价。
目前应用最广泛的岩石脆性指数计算方法是基于矿物组分法。
基于矿物组分法计算获得岩心页岩脆性指数(BI),利用BP神经网络的自我学习能力,探寻测井参数与页岩脆性指数(BI)之间的非线性关系,再结合布谷鸟(CS)算法的全局优化能力和稳定性来提升BP神经网络的预测精度和稳定性,从而建立基于CS—BP神经网络的页岩脆性指数预测模型。
使用CS—BP预测模型对研究区Y1井和Y2井两口井进行了页岩BI值预测,其预测结果显示:CS—BP预测值与岩心BI值的变化趋势基本一致;CS—BP预测值总体预测效果较好。
研究结果表明:基于布谷鸟(CS)—BP神经网络,利用测井资料快速计算页岩脆性指数的方法在研究区具有一定的实用价值。
【总页数】9页(P158-166)【作者】黄开兴;刘卫华;吴朝容;胡华锋;周枫;李勇;陈朝譞;汪子祺;孙正星【作者单位】成都理工大学地球物理学院;中国石化石油物探技术研究院有限公司中国石化地球物理重点实验室【正文语种】中文【中图分类】TE19【相关文献】1.涪陵页岩气田焦石坝区块页岩脆性指数地震定量预测2.地震叠前反演方法预测页岩脆性指数在南川地区的应用3.基于孔隙度分级的页岩脆性矿物指数预测方法4.沁水盆地海陆交互相页岩脆性指数预测与测井响应分析5.川南页岩气田L区块页岩脆性指数叠前地震定量预测因版权原因，仅展示原文概要，查看原文内容请购买。
基于MEA-BP神经网络对木材内部缺陷诊断的研究刘佳美;徐凯宏;王立海【摘要】为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷.结果表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92％、95.38％和92.31％,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果.%In order to improve the automatic recognition rate of wood internal defects,Electrical Resistance Tomography (ERT) method was usedto obtain the electrical conductivity fluctuation signal.Three-layer wavelet packet analysis is performed on the collected data by wavelet packet transform,and the 8 dimensional feature vector was extracted.The weight and threshold were optimized by using Mind Evolutionary Algorithm (MEA).Hole,knot and decay of the 45 groups of data for BP neural network training,20 sets for each defect was used as a test set,and the defects of wood were identified.The results showed that the recognition rates of MEABP neural network for wood holes,knots and decay were 96.92％,95.38％and 92.31％.The model solves the optimization problem of complex combination,improves the search efficiency and achieves the best prediction effect.【期刊名称】《林产工业》【年(卷),期】2018(045)002【总页数】6页(P19-24)【关键词】缺陷识别;小波包分析;MEA-BP神经网络;无损检测【作者】刘佳美;徐凯宏;王立海【作者单位】东北林业大学机电工程学院;东北林业大学机电工程学院【正文语种】中文【中图分类】S781.5目前，我国的木材需求量大，资源不足，利用率偏低。
基于卷积神经网络的樟子松木材密度近红外预测模型优化刘晓利;李耀翔;彭润东;张哲宇;陈雅【期刊名称】《森林工程》【年(卷),期】2024(40)3【摘要】近红外光谱分析技术在木材密度的预测方面具有独特的优势,是一种方便且快速的无损检测技术。
卷积神经网络作为经典的深度学习模型之一,能够利用卷积和池化操作提取数据中的特征映射进行学习,与传统的学习模型相比具有更强的模型表达能力。
为此将卷积神经网络用于近红外光谱预测木材的气干密度,以樟子松为研究对象,获取样本木材横切面的近红外光谱数据,采用杠杆值与学生化残差t 检验(HLSR)法剔除奇异样本,采用SGS+MC+Auto(Savitzky-Golay smoothing+mean centering+autoscaling)对光谱数据进行预处理,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method,CARS)对特征波长进行提取,构建卷积神经网络模型,预测樟子松的气干密度;并与偏最小二乘回归(partial least squares regression,PLSR)、支持向量机(support vector regression,SVR)和BPNN(backpropagation network)神经网络的预测结果进行对比。
结果表明,当校正集比例小于0.65时,模型预测结果略低于PLSR模型。
但当校正集比例大于0.7时,卷积神经网络(convolution neural network,CNN)模型的预测精度优于其他模型,且随着训练样本比例的增加,模型的性能和稳定性也随之提升。
研究表明CNN可以显著提高近红外预测木材气干密度的模型精度,实现基于近红外技术的木材密度有效预测。
为木材气干密度无损检测提供了理论基础和科学依据。
【总页数】10页(P142-151)【作者】刘晓利;李耀翔;彭润东;张哲宇;陈雅【作者单位】东北林业大学机电工程学院【正文语种】中文【中图分类】S781.31【相关文献】1.基于近红外技术的落叶松木材密度预测模型2.应用近红外光谱和小波网络构建的木材基本密度预测模型3.IPSO-BP木材绝干密度近红外光谱预测模型4.基于5年生火炬松建立木材基本密度近红外预测模型5.基于IFSR异常样本剔除的落叶松木材密度近红外优化模型的研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于人工智能方法的地下洞室群爆破振动速度预测马晨阳;张汉斌;袁青;周玉纯;汪煜烽;吴立;刘洋【摘要】There are many influence factors in blasting excavation engineering of super-large section underground caverns.In order to accurately predict the blasting vibration velocity,the LS-SVM model was established based on support vector machine,which improved the speed and accuracy of the solving problem with structural risk minimiza-tion.The LS-VSM model was adopted to predict blasting vibration velocity induced by the underground water-sealed LPG caverns in China,and compared with the traditional prediction model as Sadov's formula model(SA model)and fuzzy neural network model(FNN model).The analysis results indicated that global root mean square relative error (RMSRE)of LS-SVM model was 4.68% compared with 14.42% by FNN model and 19.33% by SA model.Mean-while,there were 14 groups meeting the error threshold value(6%)aboutthe generalization performance of prediction model,while FNN model and SA model didn't meet the requirement.Thus,in prediction of blasting vibration velocity, regardless of prediction effect or generalization performance,the LS-SVM model was superior to FNN model and SA model.%特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度.采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析.分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差 RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求.因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验.【期刊名称】《爆破》【年(卷),期】2017(034)004【总页数】5页(P12-16)【关键词】地下洞室群;爆破振动速度预测;最小二乘支持向量机;模糊神经网络【作者】马晨阳;张汉斌;袁青;周玉纯;汪煜烽;吴立;刘洋【作者单位】中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;中国地质大学(武汉)岩土钻掘与防护教育部工程研究中心,武汉430074;中国地质大学(武汉)工程学院,武汉430074;武汉电力职业技术学院电力工程系,武汉430077【正文语种】中文【中图分类】TD235.3目前，钻爆法仍是水利水电工程、交通运输工程、矿业开采工程，乃至储备洞库工程的主要施工方法。
基于改进布谷鸟算法-BP神经网络的松茸发酵过程软测量建模朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【摘要】针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法(CS)与改进BP神经网络(BPNN)相结合的松茸菌丝生物量软测量建模方法;首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式(附加动量与动态学习率相结合)对权值进行动态修正;仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6％以上,能够实现松茸发酵过程实时在线测量的需求.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)005【总页数】5页(P39-43)【关键词】松茸;布谷鸟算法;软测量;BP神经网络【作者】朱湘临;宋彦;王博;丁煜函;朱莉;姜哲宇;陈威【作者单位】江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;江苏大学电气信息工程学院,江苏镇江212013;无锡太湖水务有限公司,江苏无锡214000;江苏大学电气信息工程学院,江苏镇江212013【正文语种】中文【中图分类】TP30 引言松茸作为一种珍贵的食药两用真菌，因其自身特有的抗肿瘤、抗衰老、改善免疫系统功能等功效而大受人们喜爱[1]。
随着我国对松茸需求量的日益增大，传统的培养方式已远远不能满足人们对松茸的需求。
松茸液态深层发酵和其他传统生产方式相比，具有菌丝体生长周期短、产量高、污染小等优越性，并且通过液体深层发酵获得的菌丝体在营养价值上与野生子实体相近。
然而，由于发酵过程的高度时变性和不确定性，目前，关键生物参量还难以实时在线测量。
基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量随着现代科技的不断发展，地质勘探和矿产资源开发对材料成分的分析也变得越来越重要。
传统的分析方法通常需要运用昂贵的化学药剂或显微镜来确定元素含量，费时费力，而且操作相对繁琐，因此需要更为高效、准确的方法来降低成本和提高精度。
利用PCA-BP神经网络结合EDXRF分析技术进行分析成为越来越受欢迎的一种方法，本文将介绍此方法的应用并分析其优势。
一、基本原理1. EDXRF分析技术EDXRF是指采用能量色散X射线荧光分析仪进行的元素分析技术。
其基本原理是将粉末样品放置在X射线束的辐射区域中，等待样品吸收辐射后释放出荧光信号，利用X射线分析仪探测器扫描、分析这些信号之后，进而得到样品中各种元素的含量。
2. PCA-BP神经网络PCA主成分分析是指通过统计分析将复杂的数据转化为易于解释的几个主成分，以便于更好的理解数据变量之间的相互作用和关联。
BP神经网络则是一种常用的人工神经网络，可用来进行各种预测和分类任务。
实际上，PCA主成分分析和BP 神经网络结合可以大大提高数据处理和分类的精度和效率。
3. EDXRF和PCA-BP神经网络的关联将EDXRF技术与PCA-BP神经网络相结合可以大大提高分析准确性和处理数据的效率。
EDXRF分析技术可以用来测量元素含量，可生成多种数据变量，这些变量可以作为神经网络输入参数，进而用于网络训练与分析使得可以从数据中提取出更为有用的特征，预测元素含量，达到精准分析的目的。
不同于传统的方法，EDXRF技术结合PCA-BP神经网络使用高效率的数据提取算法来降低了样品处理时间，并在研究中证明了这种方法比传统方法具有更高的准确性和有效性，因此得到了广泛的应用。
二、符合实际应用的方法在实际应用中，高质量和准确的数据是关键，因此必须建立在一定样本基础上进行大量实验和测试，以调整参数和提高预测精度。
BP神经网络在低孔渗储层水淹层识别中的应用牟立伟;张美玲;颜旭【摘要】针对榆树林油田低孔渗储层水淹层识别难度大,提出以BP神经网络模型为理论基础,结合研究区岩心分析、试油、以及常规测井等资料,建立油层水淹状况与测井响应值之间的对应关系,实现对水淹层的高精度解释.通过对BP神经网络模型的训练,得到满足误差条件的最佳网络.运用最佳网络对测试数据进行检验分析,最终92.9％油层水淹状况解释准确,有效解决了低孔渗储层水淹层识别难度大,精度低的问题.【期刊名称】《当代化工》【年(卷),期】2016(045)007【总页数】4页(P1586-1588,1592)【关键词】榆树林油田;低孔渗储层;水淹层识别;BP神经网络【作者】牟立伟;张美玲;颜旭【作者单位】东北石油大学地球科学学院,黑龙江大庆163318;东北石油大学地球科学学院,黑龙江大庆163318;大庆油田第四采油厂,黑龙江大庆163511【正文语种】中文【中图分类】TE133随着油田勘探开发的不断进行，中高渗储层日益减少，低孔渗储层已逐渐成为原油增储的重要阵地[1]。
但目前低孔渗储层的开采大多采用水驱方式，注水前期较为有效,但由于储层的低孔渗性导致储层注水不均匀，使注水一段时间后，受效不明显[2]。
这使得油层水淹状况的高精度解释成为必须解决重点课题，对下一步的挖潜剩余油，以及高效生产尤为重要。
从20世纪中叶以来，国际测井专家就开始做了一系列的探索工作，在常规的高孔渗储层已经形成了较为有效的评价方法[3-5]。
但在低孔渗储层水淹层识别方面，一直未形成有效的方法。
目前，利用各测井曲线的变化形态来定性识别水淹层[6]，是水淹层识别中的常用方法，但缺少测井曲线整体与水淹状况的联系。
为此，针对当前研究存在的不足，基于BP神经网络模型[7-9]，运用其在解决非线性问题方面所具有的自适应性的特点，实现测井响应值与油层水淹状况间的复杂函数关系的转换。
为此，我们利用BP神经网络建立了一种高精度的低孔渗油层水淹状况的解释方法。
基于BP神经网络的木材质量评价刘贝贝;朱波;宋扬扬;万育微【期刊名称】《价值工程》【年(卷),期】2018(037)002【摘要】At present, the production process of furniture is gradually approaching to batching and mechanization. However, the quality of mahogany wood has always been a concern for the furniture industry. Therefore, the quality evaluation of wood has always been the focus of furniture manufacturing research. In this paper, the quality evaluation model of mahogany wood is established by BP neural network, and the appropriate evaluation index is selected and verified by the sample data of the case. Compared with the weighted average method, the results show that the proposed three-layer BP neural network model has a certain feasibility and practical significance in the quality evaluation of wood.%目前木材家具的生产过程在逐步向批量化、机械化趋近,但木材的质量一直是家具产业需要关注的问题,因此对木材的质量评价一直是家具制造业研究的重点.本文利用BP神经网络建立木材的质量评价模型,选择合适的评价指标,并通过案例的样本数据进行验证.测试结果与加权平均法比较,得出构建的3层BP神经网络模型应用于木材质量评价中具有一定的可行性与现实意义.【总页数】3页(P61-63)【作者】刘贝贝;朱波;宋扬扬;万育微【作者单位】昆明理工大学,昆明650500;昆明理工大学,昆明650500;昆明理工大学,昆明650500;昆明理工大学,昆明650500【正文语种】中文【中图分类】TS664.1【相关文献】1.基于BP神经网络的木材近红外光谱树种识别 [J], 王学顺;孙一丹;黄敏高;黄安民2.基于Hu不变矩和BP神经网络的木材缺陷检测 [J], 戚大伟;牟洪波3.基于MEA-BP神经网络对木材内部缺陷诊断的研究 [J], 刘佳美;徐凯宏;王立海4.基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别 [J], 牟洪波;王世伟;戚大伟;倪海明5.基于BP神经网络的木材着火时间预测 [J], 翟春婕;唐松泽因版权原因，仅展示原文概要，查看原文内容请购买。
收稿日期:2012-10-24基金项目：国家林业局引进国际先进林业科学技术创新项目“948”专题（2010-4-08）作者简介：管珣（1977-），男，江苏仪征人，南京林业大学博士研究生，研究方向：无损检测。
通讯作者：赵茂程（1966-），男，江苏扬州人，教授，博士，博士生导师，研究方向：测控技术与智能系统、机电一体化。
木材是重要的基础材料之一。
因此，将高新技术和相关新方法积极引入木材科学领域，成为木材领域科学工作者不断寻求科研突破和创新的有效办法。
人工神经网络是迄今为止应用最为广泛的预测技术之一，也必将在木材科学中得到广泛运用。
在林业中，神经网络技术已经有了比较多的应用，但比较多的研究和应用集中在森林资源、生态等宏观的预测与分类、树木的生长量以及树木外观属性等方面。
而在木材材质方面的应用，例如对木材本身的天然材质和缺陷等，目前来说也有了部分研究，但总体还不是很多。
要实现木质产品生产规范化、规模化、成本节约、以及对林业资源的保护等方面的要求，需要在生产的原料阶段对木材材质进行细分，使各种材质的木材能够做到物尽其用，提高生产效率，促进经济和社会效益的提升。
在木材材质测试研究中，应用图像处理、CT 技术、超声波、应力波等无损检测新技术收集木材数据并进行处理，对于木材材质的准确预测来说是至关重要的。
由于影响木材材质的因素众多，存在显著的非线性关系，因此，传统的处理手段如多元回归已不能适应对木材材质的准确预测。
而人工神经网络可模拟人思维的非线性动力学过程，具有良好的逼近能力和适应能力，可在不了解输入或输出变量间关系的前提下完成非线性建模。
神经元、神经网络都有非线性、非局域性、非定常性、非凸性和混沌等特性，具有很好的发展前景，也给预测系统带来了新的方向与突破，得到了广泛的应用。
本文介绍了人工神经网络在木材材质检测中的应用，主要围绕木材本身的特性和缺陷两大问题展开，以期为神经网络在木材材质检测中得到更广泛的应用提供参考。
基于BP神经网络的帷幕注浆量预测模型研究刘晓阳;胡江春;王红芳;郭乃胜【摘要】在帷幕注浆工程中,注浆量预测具有重要的实际应用价值.利用Matlab神经网络功能,通过编写预测注浆量的程序,建立了预测帷幕注浆量的BP神经网络模型,得出了注浆量与影响因子的非线性关系.结合工程实例,分别对注浆段和注浆孔进行了注浆量预测,并将注浆量预测值与实测值进行了比较分析.结果表明,在帷幕注浆工程中,BP神经网络模型对注浆量的预测误差较低,预测效果良好.【期刊名称】《中原工学院学报》【年(卷),期】2016(027)001【总页数】5页(P57-61)【关键词】帷幕注浆;BP神经网络;注浆量;预测【作者】刘晓阳;胡江春;王红芳;郭乃胜【作者单位】中原工学院,郑州450007;中原工学院,郑州450007;中原工学院,郑州450007;中原工学院,郑州450007【正文语种】中文【中图分类】TU457岩体及土体性质复杂，其裂隙的发育程度、大小、分布情况难以判断，其赋存特征是影响岩体工程注浆量的主要因素。
注浆量的预测在工程中具有重要的实际应用价值。
在注浆设计与施工中，注浆量的预测与注浆过程的控制以技术人员的工程经验为基础。
传统的实验室模拟、工程类比等方法对注浆量的预测偏差较大[1]。
因此，如何构建预测能力强的模型以较准确地预测注浆量，是工程预测研究领域内的一个难点。
传统的用于注浆量预测的建模方法主要是时间序列分析方法[1-3]，该方法本质上属于回归分析，是用确定的模型表达变量之间的函数关系。
然而，由于工程地质条件的复杂性及岩土体特征性参数的不确定性，难以用准确的数学模型去描述这种关系。
王述红等提出了一种岩体微裂隙注浆量预测的新方法——人工神经网络方法，并得出了这种方法比其他方法有更高精度的结论[4]。
人工神经网络是基于对生物大脑的结构和功能进行模仿，通过神经元之间的互连，运用一定的数学物理方法来实现类似人在语言和图像处理上的能力而构成的一种新型信息处理体系。
基于BP神经网络的落叶松生长模型研究
阚龙攀;黄家荣;赵俊卉;牛晓锋
【期刊名称】《江苏农业科学》
【年(卷),期】2010(000)001
【摘要】利用黑龙江省落叶松解析木为样本,采用Richards、Logistic、Gompertz、Mitscherlich、Korf、Weibull等6种常用的生长方程和BP神经网络对林分胸径和树高进行模拟,分析它们的精度情况,得出最佳的生长方程,用以指导林业生产.
【总页数】3页(P366-367,379)
【作者】阚龙攀;黄家荣;赵俊卉;牛晓锋
【作者单位】河南农业大学林学院,河南郑州,450002;河南农业大学林学院,河南郑州,450002;北京林业大学/省部共建森林培育与保护教育部重点实验室,北
京,100083;河南农业大学林学院,河南郑州,450002
【正文语种】中文
【中图分类】S711
【相关文献】
1.基于哑变量的日本落叶松生长模型研究 [J], 李忠国;孙晓梅;陈东升;李子敬
2.基于树干解析的兴安落叶松人工林单木生长模型研究 [J], 萨如拉;徐加睿;王智慧;张科;于宪军
3.基于BP人工神经网络的兴安落叶松天然林全林分生长模型的研究 [J], 金星姬;贾炜玮;李凤日
4.基于BP人工神经网络的大青山自然保护区华北落叶松人工林全林分生长模型研究 [J], 杨潇;张秋良
5.基于贝叶斯法的长白落叶松林分优势高生长模型研究 [J], 姚丹丹;雷相东;张则路因版权原因，仅展示原文概要，查看原文内容请购买。
间剪切性能影响较为突出［４－５］。
因此，孔隙含量分析对于复合材料制件内部质量评定、质量提升以及产品工艺的持续改进起着非常积极和重要的作用。
现阶段，主要的复合材料孔隙含量检测分析方法分为破坏性检测法和无损检测法。
破坏性检测法主要包括密度测量法、吸水法、光学显微图像法和酸溶解法。
无损检测法包括超声检测法和射线检测法等［６－７］。
常见的复合材料光学显微图像分析方法有显微镜标尺测定法、放大网格计数法和图像分析仪法。
图像分析仪法是根据光学显微图像孔隙区域与良好区域灰度不同的原理工作的一种自动化统计方法，受人为因素影响较小，但容易受到试样表面质量的影响，统计误差较大。
显微镜标尺测定法和放大网格计数法主要通过人工判断孔隙相对于辅助网格的大小，进而间接获得孔隙含量结果，其统计数据量庞大，且不同的统计人员会引起统计结果的偏差，效率极低。
此外，在各大高校和科研单位中也会使用ＩｍａｇｅＪ等图像处理软件实现显微图像孔隙含量分析，但其适应力较差，对金相样品制样要求较高，适用性难以保证［７－８］。
由于实际金相样品通常会存在划痕、附着物等特殊情况，而人工孔隙统计过程有着非常高的灵活性，会主动识别与规避以上特殊情况，因此显微镜标尺测定法和放大网格计数法为目前主流的孔隙含量分析手段。
传统复合材料孔隙含量人工分析过程存在统计试样多、统计周期长、人工统计存在差异等问题，目前国内暂时没有准确高效的孔隙含量分析手段。
近年来，神经网络算法以其更接近人脑思考的特性广泛应用于模式识别、图像分割、智能控制等领域，具有大规模并行处理、分布式存储和处理、自适应、自组织、自学习能力等特点［９－１０］。
其中，由卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）模型发展而来的Ｕ Ｎｅｔ神经网络算法已广泛应用于医疗影像领域，如肿瘤图像识别［１１］、肺部图像识别［１２］、视网膜病变识别［１３］等诸多方面，效果良好。
Ｕ Ｎｅｔ网络结构如图１所示。
基于深度图像和BP神经网络的红枣体积预测方法研究
贾雅欣;李传峰;弋晓康;吴明清
【期刊名称】《河南农业科学》
【年(卷),期】2024(53)4
【摘要】为了实现红枣体积的快速无损测量,提高红枣体积分级精度,提出了一种基于深度图像和BP(Back propagation,反向传播)神经网络的红枣体积测量方法。
通过采集红枣深度图像,利用分割算法进行平面分割和红枣聚类,对聚类后的红枣点云分别进行柱面拟合,建立红枣3D模型。
采用包围盒算法、凸包法等多种方法提取红枣3D模型上的长径、短径、轮廓周长、投影面积、球度共5种特征,建立7组不同特征组合的BP神经网络模型,分别预测红枣体积。
结果表明,包含红枣5种特征的模型预测结果最好,其体积预测值与实测值的决定系数(R2)为0.86187,均方根误差(RMSE)为1.66 mL,与实测值的平均相对误差为6.65%。
表明采用深度图像和BP神经网络估测红枣体积具有较高预测精度。
【总页数】9页(P172-180)
【作者】贾雅欣;李传峰;弋晓康;吴明清
【作者单位】塔里木大学机械电气化工程学院;塔里木绿洲农业教育部重点实验室(塔里木大学)
【正文语种】中文
【中图分类】S126;TP391;S37
【相关文献】
1.基于PCA-BP神经网络模型的采场底板破坏深度预测方法
2.浅论小学数学教学中德育的渗透
3.基于医学影像图像的深度学习在肝脏语义分割和体积测量中的研究进展
4.基于多模态图像深度学习局部晚期鼻咽癌肿瘤靶体积自动勾画的研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络隧洞施工安全评价模型
王醒;吴向男;马斌;解伟峰
【期刊名称】《黑龙江交通科技》
【年(卷),期】2015(000)009
【摘要】为了研究隧洞施工安全评价方法，以某正在施工的隧洞为背景，确定了24个安全评价指标，设计了隧洞施工的多层前馈BP神经网络结构，建立了较为完善的基于BP神经网络的隧洞施工安全评价体系模型，并验证了其实用性。
对背景工程进行了施工安全评价，评价结果与工地实地考察结果一致，说明所建立的隧洞施工安全评价模型的有效性和实用性。
【总页数】4页(P79-82)
【作者】王醒;吴向男;马斌;解伟峰
【作者单位】金钼股份有限责任公司;西安理工大学;西安理工大学;陕西核工业215医院
【正文语种】中文
【中图分类】U442
【相关文献】
1.基于EM-BP神经网络的财务绩效评价模型的构建与检验 [J], 王艾娟
2.基于BP神经网络的旅游资源评价模型分析 [J], 刘燕威
3.基于博弈论组合赋权的水工隧洞TBM施工地质适宜性评价模型 [J], 景耀斌;顾伟红;翟强
4.基于BP神经网络的高足弓异常程度评价模型的构建 [J], 王新亭;王琪;徐聃弟;邱
念;任建平
5.基于K-means聚类和BP神经网络的大学生体质类型评价模型 [J], 郝霖霖因版权原因，仅展示原文概要，查看原文内容请购买。
