基于自适应遗传BP算法的混合气体定量检测研究

针对混合气体检测问题,利用误差反向传播(BP)算法和遗传算法,提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测.即利用遗传算法的全局搜索能力,对神经网络连接权值和阈值进行优化,再以优化后的初值作为BP神经网络的初始连接权值和阈值,最后用附加“动量项”的误差反向传播算法训练BP网络.设计了一个结构为7×18 ×3的3层BP网络用于一组含有5个样本的混合气体识别试验.结果表明:将自适应遗传神经网络算法应用于混合气体定量识别的训练中,收敛速度比附加“动量项”BP算法要快,而且学习精度更高,识别效率也提高了2/3.     

MSMA驱动器特性及非线性控制策略研究

磁控形状记忆合金(Magnetic Shape Memory Alloy, MSMA)的磁滞非线性限制了MSMA驱动器的性能。利用多场耦合加载测量系统对MSMA的力-磁耦合特性进行了实验,通过控制加载变量,得到了MSMA磁感应强度-形变率曲线和外加应力-形变率曲线。结合实验数据,通过BP神经网络对MSMA形变特性进行建模,并分别提出了2种控制策略对模型进行了比较分析。仿真结果表明,基于PID与磁滞正模型的闭环控制策略可以很好地补偿MSMA的磁滞非线性,提高驱动器的控制精度,有益于MSMA在驱动器领域的进一步应用。     

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。     

基于PSO-LM-BP神经网络的压力传感器温度补偿方法

为了提高高速列车表面压力测试的准确性,补偿温度对压阻式压力传感器的影响,克服BP神经网络收敛速度慢、易陷入局部极小值、稳定性差的缺陷,提出PSO-LM-BP神经网络补偿传感器温度误差的方法。首先,使用粒子群优化(PSO)算法,筛选BP网络的权值和阈值;然后使用LM算法作为BP网络的训练算法进行训练;最后,综合对比BP网络、LM-BP网络、PSO-BP网络和PSO-LM-BP网络的性能。结果表明,PSO-LM-BP网络收敛速度快、精度高、稳定性好,兼具3种算法的优点,有效抑制了温度对传感器的影响。     

基于BP神经网络数控机床热误差建模的研究

热误差是影响数控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床进行热误差建模,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且精度相对较高,可以很好的提高BP网络的学习能力与泛化能力。仿真实验表明,变惯性因子PSOBP优化模型性能优于BP网络和标准PSOBP算法优化模型。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

基于改进BP神经网络的结构可靠度计算方法

针对传统BP神经网络代理模型拟合精度不足和计算效率较低的问题,采用思维进化算法(MEA)优化BP神经网络,提出一种基于改进BP神经网络代理模型的可靠度计算方法.首先采用MEA对BP神经网络的权值和阈值进行优化,获取最优的初始值,然后利用贝叶斯正则化(BR)算法对优化过后的网络进行训练,建立MEA-BR-BP神经网络代理模型,并采用测试函数验证改进代理模型的有效性,最后结合Monte Carlo法计算转向架构架的可靠度.研究结果表明:所提方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性和可行性.     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

基于遗传BP网络的模拟电路故障诊断

在模拟电路故障诊断中,BP(back propagation)神经网络得到了广泛的应用并取得了不错的效果。但是BP神经网络在训练时仍然存在网络学习收敛速度慢、不易获得全局最优解、网络结构不确定等缺点。采用Levenberg-Marquardt算法进行网络训练,并用遗传算法对BP神经网络结构、初始连接权值和阈值进行全局优选,可以有效克服BP网络存在的缺陷。以Leap Frog Filter滤波器电路的故障诊断为例,仿真实验表明,优化后的BP网络能够快速有效的诊断电路中存在的故障,并且具有更高的诊断精度。     

基于Petri网和萤火虫神经网络的柴油机故障诊断

针对BP神经网络在柴油机故障诊断中,提取训练数据的盲目性及网络收敛速度慢、精度低的问题,提出一种基于Petri网与萤火虫神经网络的故障诊断方法.通过Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,利用萤火虫算法来优化BP神经网络的权值和阈值,改善BP神经网络的性能.仿真实验表明,采用Petri网建模并用萤火虫算法优化BP神经网络的方法,有效地提高了神经网络的收敛速度和诊断精度,在柴油机故障诊断中得到了较好的应用.     

扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进.对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型.用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析.最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比.结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力.     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

再制造机床可修复零部件精度分配研究

研究可修复零部件精度参数的分配是关系到再制造机床性能和再制造成本的重要问题。本文提出了用BP+GA的混合算法优化分配可修复零部件精度参数的方法。首先利用BP神经网络建立零部件精度参数与再制造机床空间几何误差之间的正向映射模型,然后用正交设计法得到训练样本数据并训练网络,最后再用BP+GA的混合算法逆向确定零部件的精度参数。仿真结果表明了混合算法是解决复杂精度分配问题的一种理想方法,优化结果可用于指导零部件精度的修复。     

大量程柔性铰六维力传感器静态解耦的研究

为提高大量程六维力传感器的测量精度,提出了一种新型的六维力传感器非线性静态解耦方法,该方法结合混合递阶遗传算法和小波神经网络的优点,采用递阶遗传算法与最小二乘法分别对小波神经网络隐层结构参数以及输出层权值进行优化,再将优化后的小波神经网络模型用于六维力传感器非线性解耦.建立了基于混合递阶遗传算法和优化小波神经网络的六维力传感器非线性解耦模型,设计了基于混合递阶遗传算法的小波神经网络结构及参数优化算法,给出了六维力传感器非线性解耦的具体实现流程.以最新研制的6-UPUR大量程柔性铰六维力传感器为对象进行实验,结果表明,采用该方法六维力传感器的Ⅰ类误差和Ⅱ类误差分别为1.25％和2.59％,比采用BP和RBF神经网络方法的测量精度高.     

Mechanical Properties Prediction of the Mechanical Clinching Joints Based on Genetic Algorithm and BP Neural Network

For optimal design of mechanical clinching steel-aluminum joints, the back propagation (BP) neural network is used to research the mapping relationship between joining technique parameters including sheet thickness, sheet hardness, joint bottom diameter etc., and mechanical properties of shearing and peeling in order to investigate joining technology between various material plates in the steel-aluminum hybrid structure car body. Genetic algorithm (GA) is adopted to optimize the back-propagation neural network connection weights. The training and validating samples are made by the BTM(R) Tog-L-Loc system with different technologic parameters. The training samples' parameters and the corresponding joints' mechanical properties are supplied to the artificial neural network (ANN) for training. The validating samples' experimental data is used for checking up the prediction outputs. The calculation results show that GA can improve the model's prediction precision and generalization ability of BP neural network. The comparative analysis between the experimental data and the prediction outputs shows that ANN prediction models after training can effectively predict the mechanical properties of mechanical clinching joints and prove the feasibility and reliability of the intelligent neural networks system when used in the mechanical properties prediction of mechanical clinching joints. The prediction results can be used for a reference in the design of mechanical clinching steel-aluminum joints.     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。     

一种确定神经网络初始权值的新方法

针对BP神经网络对易陷入局部极小的缺点,结合粒子群优化算法(PSO)在全局搜索上的良好性能,提出了一种新的算法--PSO-BP混合算法.该算法先用PSO算法将BP网络的初始权值优化到全局极小点附近,然后用传统BP神经网络学习算法进行进一步优化,仿真表明:该方法很好地解决了BP神经网络对初始值敏感、易局部收敛的问题.     

基于遗传算法的人工神经网络在航空发动机磨损预测中的应用

提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络，实现网络结构的优化，并用优化后的BP人工神经网络建立了航空发动机的磨损预测模型。将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较。检验结果表明：基于遗传算法的BP神经网络优于BP算法及多元线性回归法，具有良好的预测效果。     

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0．035％,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。     

基于GA-BP网络的矿山路面不平度辨识

提出利用经遗传算法优化的BP神经网络辨识矿山路面的方法。建立了14自由度自卸车仿真模型,将仿真得到的座椅加速度作为网络理想输入样本,基于逆变换原理拟合出的路面不平度作为网络理想输出样本,通过网络训练,建立了两者之间非线性映射模型。对拟合出的不同等级路面、各种凹坑路面及自卸车不同载重下路面不平度进行辨识,辨识路面与测试路面相关系数高、相对误差小,验证了该方法具有对复杂矿山路面的辨识能力。通过整车道路试验,证明了该方法的准确性。与自卸车常用C级路面下的平顺性仿真结果的对比显示,采用该方法得到辨识路面更加接近实际路面,达到了提高模型仿真精度的目的。