基于共轭梯度法的改进型BP神经网络PID控制算法

针对常规BP神经网络PID控制器存在收敛速度慢和易陷入局部极小的缺点,提出一种基于共轭梯度算法的改进型BP神经网络PID控制器,采用Polak -Ribiere线性搜索方法,对传统BP神经网络PID控制器进行改进,加快了网络训练速度,避免网络陷入局部极小.在Matlab平台下实现算法程序,仿真结果表明该改进控制方法的有...     

基于改进神经网络的多重化可控整流电路的故障诊断

提出了一种改进神经网络的多重化可控整流电路故障诊断方法。针对BP算法收敛速度慢、容易陷入局部极小的缺点,采用了改进的BP算法,利用附加动量学习速率可变梯度法改进神经网络学习速率,从而达到了加快网络的收敛速度与提高网络的诊断精度。文中给出了基于改进BP网络的模型训练和测试数据的诊断。测试结果表明所提出的方法正确可行,该诊断方法对多重化可控整流电路故障的识别可达到较高的精度。     

基于PSO-BP算法的水下机器人运动模型辨识

将粒子群算法(PSO)与误差反传算法(BP)相结合,利用粒子群算法的全局突变性,使BP算法避免在神经网络权值寻优过程中陷入局部极小值.对Elman神经网络结构进行调整,并将PSO-BP算法用于改进后的Elman网络的权值修改.最后,对比了3种不同算法、结构的神经网络对水下机器人运动学模型的辨识结果,证明了基于PSO-BP算法的改进Elman神经网络对水下机器人运动模型,有较高的辨识精度.     

改进的BP神经网络在故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题．提出采用一种基于Levenbe rg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力．具有广泛的应用前景和应用价值。     

改进人工蜂群优化神经网络的短期负荷预测

准确的短期负荷预测能够减少发电机组停机备用和旋转备用,其预测效果直接影响电网的安全稳定和经济效益.针对BP神经网络初值敏感、易陷入局部最优的缺点,提出了一种改进人工蜂群算法优化BP神经网络的负荷预测方法.首先融合负荷数据与温度、湿度等天气数据并进行高斯滤波处理,再采用搜索位置更新实现人工蜂群算法的改进,利用其算法完成BP网络权值和阈值的优化,最后建立用于短期负荷预测的优化模型,并通过实例进行仿真验证.结果 表明:该改进预测模型与传统BP算法相比预测精度及收敛速度均有大幅提高,具备工程实用价值.     

萤火虫算法优化神经网络的无线传感器网络数据融合

为了降低无线传感器网络中收集数据的冗余性,提高网络的生存周期,并且针对无线传感器网络数据融合算法中使用单层BP神经网络与SOFM神经网络收敛慢、易出现局部最优解的缺点,设计了一种萤火虫算法优化神经网络的无线传感器网络数据融合的策略FA-BPNN。首先,每个簇首节点接收该簇内感知节点监测到的数据,并根据相关性,提取相关的特征数据;然后,依据萤火虫算法优化BP神经网络进行数据融合;最后,通过仿真实验对其可行性进行测试。仿真结果表明,FA-BPNN算法提高了网络数据融合的效率,减少了网络的能量消耗,延长了网络的生命周期。     

果蝇优化BP神经网络路面附着系数估计

在利用BP神经网络进行路面附着估计时，存在收敛速度慢和易于陷入局部最优解等问题。为此，提出一种基于果蝇算法（FruitFlyingOptimizationAlgorithmFOA）对BP神经网络进行改进并给出算法的流程。建立路面附着系数估计BP神经网络模型，将果蝇算法引入到BP神经网络，对网络的初始权值与阈值进行优化，以增强网络的全局寻优能力。利用Carsim软件获取的样本数据对网络进行训练，并与MATLAB/Simulink软件搭建联合动态仿真模型，对比实验结果表明：基于FOA优化BP神经网络的路面附着系数估计方法不受车辆模型精度的影响，定性估计精度高，能有效提高估计值的精度和稳定性。     

基于改进BP神经网络面向STEP-NC 2.5D制造特征的智能宏观工艺规划

智能工艺规划是实现智能制造的关键技术。面向新型NC编程数据接口国际标准STEP-NC(STEP-compliantnumerical control, STEP-NC),一种基于改进BP神经网络面向STEP-NC 2.5D制造特征的智能宏观工艺规划方法被提出。在该方法中,用于STEP-NC 2.5D制造特征加工操作方法决策的集成BP神经网络模型首先被建立。考虑到BP神经网络容易陷入局部最优和收敛速度慢,将混沌算法、遗传算法和BP神经网络算法相结合得到用于加工操作方法决策的改进的BP神经网络。在此基础上,将零件的加工信息归一化处理后输入到改进的神经网络中,进而实现了STEP-NC 2.5D制造特征加工操作方法的智能生成。最后,通过实例验证了该方法的有效性和可行性。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于改进PSO＿BP神经网络的干燥机可靠性预测

针对BP(Back Propagation)神经网络模型对谷物干燥机进行可靠性预测时,模型存在收敛速度慢和易陷入局部最优等问题,采用改进的粒子群算法对BP神经网络模型进行优化,建立PSO＿BP神经网络的谷物干燥机可靠性预测模型,并与BP网络模型和GA＿BP网络模型获得的MAERMSEMAPE指标进行对比。研究结果表明,采用改进的PSO＿BP网络模型预测时,与BP网络模型相比三项指标分别降低了0.051 8、0.047 9和28.04%;与GA＿BP网络模型相比,三项指标分别降低了0.000 4、0.000 2和0.61%,说明其具有更小的误差和较好的预测能力。为实现谷物干燥机可靠性精准预测提供方法和思路。     

STUDY ON INJECTION AND IGNITION CONTROL OF GASOLINE ENGINE BASED ON BP NEURAL NETWORK

According to advantages of neural network and characteristics of operating procedures ofengine, a new strategy is rapresented on the control of fuel injection and ignition timing of gasolineengine based on improved BP network algorithm. The optimum ignition advance angle and fuelinjection pulse band of engine under different speed and load are tested for the samples trainingnetwork, focusing on the study of the design method and procedure of BP neural network in engine     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

基于BP神经网络的滚动轴承故障诊断研究

通过对滚动轴承振动信号的分析处理，提取能够反映轴承运行状态的特征量作为BP神经网络的输入，并用BP算法对该网络进行训练，利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。     

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。     

基于神经网络的分阶车牌字符识别算法研究

为了提高复杂环境下车牌字符的识别率和识别速度,提出了一种基于BP神经网络和卷积神经网络(CNN)的分阶车牌字符识别算法。该算法第一阶段采用BP神经网络对车牌中的汉字、非相似字符进行识别;并在第二阶段用改进的CNN对车牌中的相似字符进行识别。最后通过实验横向、纵向对比,验证了该神经网络算法的有效性。实验结果表明,相对于传统的BP神经网络算法,明显提高了车牌字符的识别率,同时减少了车牌的识别时间。     

基于BP神经网络的机器人运动学逆解新算法

介绍了BP神经网络原理及算法并利用改进的BP神经网络算法对UY自由度机器人运动学反解问题进行了探讨。通过BP网络建立运动学模型,选择贝叶斯算法,采用Matlab神经网络工具箱进行编程,同时按照一定的范围要求提供样本,在试验及数值模型提供的样本数据范围内,得出模型测试精度都能满足工程要求。文章还进行了BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路,对机器人动力学问题、轨迹规划、运动控制也有一定的启发作用。     

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。     

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.