神经网络遗传算法在粉体流量测量的应用

利用浓度和速度电容式传感器分别测量粉体的浓度和速度,结合阀门开度、喷吹罐压力、温度等参数构造神经网络粉体流量测量模型,考虑BP算法训练神经网络测量模型时收敛速度慢、动态特性不够理想等不足,用遗传算法来优化神经网络测量模型的参数,以提高测量系统的精度。在现场与电子秤比对,最大满量程误差小于4.2%,具有工程应用价值。     

遗传优化神经网络在孔系加工中应用研究

提出一种遗传神经网络优化进行孔系加工路线优化的新算法,通过建立加工路线优化的数学模型,将改进的遗传算法和Elman神经网络相结合,采用Elman神经网络进行训练,充分发挥网络动态特性,,具体算例证明了算法的可行性和有效性.     

遗传小波网络在齿轮箱故障诊断中的应用

针对小波神经网络常用的反向传播算法普遍存在收敛速度慢,容易陷入局部极小点,网络参数的选取只能凭实验和经验来确定等缺点,提出了一种基于遗传算法优化的小波神经网络并应用于齿轮的故障诊断。仿真结果表明,该方法充分的发挥了遗传算法的全局寻优能力,小波分析的非线性逼近能力和神经网络的自学习特性,优化了系统的收敛速度和故障诊断的精度。     

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。     

基于遗传算法的触针扫描传感器测杆机构动态特性的优化

杠杆触针扫描位移传感器是触针轮廓仪的关键装置,其测杆机构动态特性是保证触针轮廓仪测量精度和测量速度的基础。本文提出一种传感器测杆机构优化设计的方法:建立测杆机构动力学模型,基于有限元分析方法和触针式轮廓仪校准规范建立传感器测杆机构动态特性优化目标函数;基于神经网络算法建立测杆机构结构参数与目标函数的映射关系,利用遗传算法对目标函数进行求解,获取结构参数设计最优解;对优化后的测杆机构进行仿真,通过优化设计前后对比试验验证该优化方法的有效性。该方法对改善传感器动态响应特性、抑制测杆机构针尖飞行现象、提高轮廓仪传感器测量精度和测量效率具有重大意义。     

基于遗传神经网络的机器人腕力传感器动态建模与补偿方法

介绍用于MotomamV3X机器人上的新型多维腕力传感器,比较遗传算法与人工神经网络的特点,将遗传算法的交叉和变异操作进行改进,提出一种融合改进遗传算法(Genetic algorithm, GA)的函数连接型人工神经网络(Functional link artificial neural network, FLANN),并将其用于所介绍的新型机器人腕力传感器动态建模与动态性能补偿中。介绍动态建模与动态补偿原理及改进遗传神经网络算法,给出该传感器的动态模型和动态补偿模型。该方法利用腕力传感器的动态标定数据,采用改进遗传神经网络搜索和优化模型参数,保留了遗传算法的全局搜索能力和FLANN结构简单,鲁棒性好,且具备自学习能力的特点,克服了FLANN容易陷入局部极小的缺陷,具有快的网络训练速度及高的动态建模精度。理论分析和试验结果都证实了所提出的动态建模与动态补偿方法的有效性。     

基于稀疏存储Elman神经网络的直线伺服控制

为提高数控机床直线进给系统的动态跟踪性能及抗干扰能力,结合进给系统重复运动的特点,利用前一次或前几次的历史控制信息提高进给系统的动态性能,提出了具有动态稀疏存储功能的改进Elman神经网络;引入迅速联想的表格查询方式对神经网络的历史信息进行分类存储、选择利用以增强网络泛化能力,提高网络收敛速度;详细推导了改进Elman神经网络的数学模型及权值调整算法,并将其应用到直线进给伺服系统中,结果表明,基于稀疏存储Elman神经网络的速度控制器具有良好的跟踪精度和抗干扰能力。     

遗传优化神经网络的驾驶椅舒适度评价

提出一种遗传神经网络进行驾驶椅舒适度评价的方法,给出评价指标和数据处理方法,将改进的遗传算法和Elman神经网络相结合,采用Elman神经网络进行训练,充分发挥网络动态特性,具体算例证明了算法的可行性和有效性.     

基于组合热膜探头的气体流量积算仪

介绍了一种新型的基于组合热膜探头的气体流量积算仪.对该组合热膜探头的温度特性进行了实验研究,设计了具有温度补偿功能的测量电路,给出了用该探头进行气体流量测量的实验数据.结果表明:该组合热膜探头在微小流量测量中具有较高的灵敏度和重复性,测量精度优于1%,测量范围度达100:1.     

基于遗传算法和神经网络算法的吊车结构优化设计与实现

论文综合利用BP神经网络、遗传算法有限元法以及正交试验法对吊车结构系统进行优化研究。利用遗传算法和BP神经网络建立复杂结构系统动态优化的计算模型,该模型可代替系统原来的有限元模型。首先对吊车起重机结构系统进行模态分析及谐响应动力学分析,找出对结构动态特性影响最大的模态频率,再利用灵敏度分析,确定对动态特性较敏感的设计变量作为神经网络的输入变量,并利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构振动特性的人工神经网络模型,最后利用遗传算法对所建立的神经网络模型寻优,得到使结构动态性能最优的设计参数。     

改进粒子群优化-Elman算法在发动机曲轴脉宽预测中的应用

针对发动机曲轴脉宽难以预测的问题,提出了改进粒子群(PSO)优化Elman神经网络预测的方法。采用Elman神经网络建立脉宽预测模型,根据网络陷入局部最优的代数与迭代次数动态更新网络惯性权重使PSO算法得到改进,利用改进的PSO算法对Elman神经网络的权值和阈值进行优化。对YC6G270-30型增压中冷柴油机曲轴信号脉宽的预测结果表明,改进的PSO-Elman算法比最小二乘、Elman、PSO-Elman算法具有更高的预测精度,收敛速度更快,验证了所提出方法的有效性与实用性。     

考虑运行条件的Elman网络丝杠驱动系统热误差建模

研究了建立滚珠丝杠副热误差模型的方法,以进一步提高半闭环丝杠驱动系统的定位精度。分析了滚珠丝杠副的热源和温度场的动态特性并考虑丝杠驱动系统运行条件提出了基于Elman神经网络的热误差建模方法。首先,根据滚珠丝杠副的结构特点,确定其内部热源及温度场分布特性。然后,基于丝杠温度分布函数,研究丝杠热变形与其内部热源之间的动态非线性函数关系。最后,综合考虑丝杠驱动系统运行条件对其热误差的影响,建立了基于Elman神经网络的热误差预测模型。实验结果表明,当丝杠驱动系统的运行条件较为复杂时,采用文中提出的预测模型得到的热变形估计残差为-3.1μm~2.4μm。结果显示:考虑运行条件的Elman神经网络比BP和Elman网络(仅考虑温升数据)具有更好的预测精度和鲁棒性,有较强的工程应用前景。     

基于改进GA-BP神经网络的湿度传感器的温度补偿

针对自动气象站采用的HMP45D型湿度传感器测量精度易受温度影响的问题,通过对遗传算法中的编码方式、适应度函数和参数进行改进研究,利用改进的遗传算法(genetic algorithm,GA)对反向传播(back propagation,BP)神经网络的初始权值阈值进行优化,在较大的范围进行搜索,采用反向传播算法在较小范围内进行微调,优化网络结构和参数,提出了用改进遗传算法优化BP神经网络的方法,根据在多温度条件下湿度传感器的实测数据,对利用此方法建立的模型进行温度补偿研究,并结合一般BP神经网络方法进行分析比较.实验结果表明,该方法具有全局寻优能力,补偿精度高,收敛速度快,能够有效补偿温度对湿度传感器的影响,大大提高了湿度传感器的测量准确度.     

基于PROFIBUS-DP的热电偶非线性在线校正方法

提出了基于PROFIBUS-DP的热电偶温度测量系统非线性在线校正方法,通过DDE协议在上位机实现mATLAB与MCGS软件的数据交换,引入神经网络模型模拟检测系统非线性特性,并利用遗传算法的全局搜索能力对神经网络模型进行权值优化,新方法减轻了热电偶温度采集从站的负担,充分利用了PC机的数据处理能力,实现了热电偶温度采集系统的非线性实时补偿.实验证明该方法可将样本温度的最大相对误差从9.96%降低到4.76%.新方法具有模型可靠、自适应能力强、计算精度高等特点.     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

车辆动态称重系统的补偿算法研究及其软件设计

车辆动态称重系统作为治理超限运输的主要工具,其测量精度一直是主要的研究课题.通过动态称重的实测数据,运用一元线性回归方法,建立以速度作为补偿因子的补偿模型,然后用该补偿模型对动态测量结果进行修正,并进行了相应的软件设计.实际应用表明该补偿算法具有一定的精度和实用价值.     

基于遗传算法和神经网络的塔机结构动态优化设计

利用遗传算法和BP神经网络建立复杂结构系统动态优化的计算模型,该模型可代替系统原来的有限元模型,用于振动系统的快速重分析。首先对塔式起重机结构系统进行模态分析及谐响应动力学分析,找出对结构动态特性影响最大的模态频率,再利用灵敏度分析,确定对动态特性较敏感的设计变量作为神经网络的输入变量,并利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构振动特性的人工神经网络模型,最后利用遗传算法对所建立的神经网络模型寻优,得到使结构动态性能最优的设计参数。     

双频激光干涉三自由度微振动测量系统

为获取光学平台多自由度微振动信息,设计了一种基于平面镜双频激光干涉的三自由度动态微振动测量系统。该系统利用激光多普勒效应,采用三个测量轴获得测量反射镜的三点位移信息,计算出测量镜平动、扭转角、俯仰角信息,实时检测三自由度的微振动情况,从而为光学系统的微振动补偿控制提供基础。对微振动测量系统进行了不确定度分析,建立了不确定度模型,为进一步提高系统精度提供理论依据,也为系统在校准和计量领域的应用奠定基础。实验过程中,采用高精度地震计对待测平台进行同步测量,与系统平动测量结果进行对比,验证了系统的测量准确性。该系统的平动分辨率可达到5nm,扭转角分辨率为5.05μrad,俯仰角分辨率为4.69μrad,具有多自由度、非接触、高分辨、可溯源的优点。     

基于遗传小波神经网络的多传感器信息融合技术的研究

依据小波函数的非线性逼近能力和神经网络的自学习特性,提出一种小波神经网络。为使小波神经网络具有更高的学习精度和更快的收敛速度。利用遗传算法对小波神经网络权阈值的优化,设计了遗传小波神经网络。将该网络用于多传感器信息融合设计了遗传小波神经网络多传感器信息融合系统。压力传感器数据融合系统的仿真表明该方法能有效的提高传感器的输出准确度,消除非目标参量对传感器输出结果的影响,此系统还可用于其他多传感器信息融合系统,具有实际应用价值。系统设计实现简单,适合工程应用。     

基于混合Elman网络的非线性自适应逆控制

针对Elman动态递归神经网络的特点,在现有结构的基础上提出一种隐层包含径向基函数的混合Elman神经网络,给出了网络结构和训练算法,并将其应用于非线性自适应逆控制系统中.仿真实验表明该动态神经网络自适应性强,动态特性优异.此方法为实现非线性系统自适应逆控制提供了理想的途径.