BP网络在加热炉效率评定中的应用

以工艺管式炉有关数据为例，将BP网络有效应用于数据的压缩存储和快速计算，为加热炉效率评定软件提供了BP网络模型。利用MATLAB软件实现了BP网络的训练及仿真分析，并讨论了应用过程中参数的选择以及训练数据的特点对网络训练产生的影响。     

基于神经网络技术的注塑成型注射压力和熔体温度预测

建立了基于径向基函数网络的注塑成型注射压力和熔体温度的预测模型，与BP神经网络模型和CAE结果进行了对比。结果表明，径向基函数网络在精度、训练速度等方面优于BP网络。     

BP神经网络模型在橡胶配方优化中的应用

利用神经网络中的误差逆传播校正算法(BP模型)建立起橡胶配合剂与性能之间的非线性多目标模型，用遗传算法对BP神经网络模型的算法进行了改进，以试验数据为基础进行神经网络的训练，得到可预测橡胶配方性能的BP神经网络模型。以胶粉在全钢子午线轮胎胎侧胶中研究为例，对BP神经网络模型进行了验证。同时，与回归分析方法进行了比较，结果令人满意。     

遗传算法与神经网络(Ⅰ)──用改进的遗传算法训练神经网络

针对BP（backpropagation）神经网络训练中的局部最优问题,提出了由改进的遗传算法EGA训练BP神经网络的新方法．该方法克服了经典遗传算法的不足,通过自适应多点变异操作比较有效地克服了收敛过程中的振荡问题,因而提高了BP网络训练的速度,并且找到了合理的变异因子范围．     

材料设计中神经网络结构及有关参数的选取

本文根据在材料设计和性能预测中应用最多的BP型人工神经网络理论，分析了BP型神经网络结构特点及有关训练参数的选择原则，为人工神经网络理论在材料的设计和性能的预测上的应用提供依据。     

苯乙烯-马来酸酐本体共聚合过程的神经网络建模

人工神经网络(ANN)是一种有效的建模方法，尤其适用于机理复杂的化工过程，故应用ANN技术来研究苯乙烯-马来酸酐半连续本体共聚合过程的建模方法，并用原始实验数据训练BP网络，来预测本体共聚合过程的目标变量——反应转化率是合适的。由于标准BP训练算法的训练速度较慢，提出了一种改进的训练算法(marquardt算法)来提高网络的训练速度。结果表明，改进的训练算法提高收敛速度10倍以上，在不同的初始条件下，如停留时间5小时、聚合温度110-120℃和马来酸酐进料分量7％-10％，能得到满意的收敛点。在3个输入和1个输出(转化率)的情况下，估计结果的最大相对误差为10％-15％，平均相对误差小于5％。转化率的模型预测结果与原始实验数据具有良好的拟合。此方法可以有效地用于此类聚合过程的模型化。     

一种简单的BP网络隐层扩展模型及其训练算法研究

为了提高神经网络的预测精度,设计一种动态扩展BP网络隐层的方法,在训练过的BP网络上动态增加一个具有线性激活函数的隐层,用改进的蚁群算法对新增权值进行训练,着重对算法的实现过程及算法分析进行论述.设计了算法改进前后用BP网络对催化剂活性进行预测的对比实验,结果表明,采用该模型及训练算法.可在不影响网络表达能力的基础上提高网络的训练精度及网络的泛化能力.     

基于改进BP神经元网络的软测量技术

针对基本BP神经元网络建立软测量模型所存在的几个问题：例如基本BP算法收敛速度较慢而且泛化能力较低等。本文尝试提出了变尺度与变步长相结合的改进BP神经网络软测量建模方法,以提高软测量模型的训练速度和外推能力,为软测量技术的在线应用提供更大的方便。实验结果表明：该改进BP神经元网络软测量建模方法在训练速度和外推能力方面有较大改善。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并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,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

人工神经网络模型及其在隧道围岩分类中的应用

应用神经网络的联想记忆功能，以隧道围岩5个类别作为训练标本，建立隧道围岩与分类指标之间对应关系的BP判定模型,伙隧道围岩分类提供了一条新途径。     

基于RBF神经网络的挤出吹塑中型坯尺寸的预测

在利用BP神经网络预测挤出吹塑中型坯尺寸工作的基础上,采用径向基神经网络(RBF)来预测挤出吹塑中型坯尺寸,并与BP神经网络的预测结果进行了比较。结果表明,虽然RBF与BP神经网络均能较好地预测挤出吹塑中型坯尺寸,RBF网络的训练时间比BP少很多,只是BP的0.7%。     

基于BP神经网络的汽车音响塑件模具成型工艺优化研究

通过对某汽车音响塑件模具进行工艺方案设计,采用Moldflow软件对正交试验中各工艺方案组合进行模流分析,获得体积收缩率、充填时间、总翘曲量等目标函数值。将获得的数据作为样本进行BP神经网络训练,使BP神经网络预测值与Moldflow模拟值之间的吻合程度提高,即欲提高BP神经网络模型的预测精度,可以通过样本训练的多输入和多输出来实现。同时采用训练好的BP神经网络预测最优工艺参数,从而获得最佳工艺参数组合为:注射速率45 cm~3/s,模具温度57℃,保压压力121 MPa,保压时间17 s。通过试模,获得合格的汽车音响塑件模具。     

神经网络在橡胶轻集料混凝土匀质性预测中的应用

基于神经网络原理,建立3层BP网络模型,以预测橡胶轻集料混凝土中的分布状况.根据试验训练样本数据,对该模型进行训练,建立BP网络模型系统.结果表明,基于模型系统的拟合曲线与试验曲线符合较好,为预测橡胶轻集料混凝土匀质性提供了参考.     

滚动轴承故障智能诊断技术的研究

主要介绍一种基于BP人工神经网络的滚动轴承故障智能诊断方法,利用试验台采集到的数据所形成的特征向量对所建立的BP神经网络进行训练,再将该网络用于滚动轴承的状态分析,具有很高的准确性,显示了BP神经网络在故障诊断方面的智能性。     

人工神经网络在注塑参数预测中的应用

应用人工神经网络技术建立了注塑工艺参数值快速预测的双层BP网络模型。利用CAE软件进行模拟，获取训练样本。用Matlab语言编制了应用程序，对网络的训练及参数预测的过程进行求解。将网络预测结果与模拟所得验证数据进行比较和误差分析，显示出BP网络的稳定性和可靠性。经实例验证，表明人工神经网络技术应用于注塑参数值的快速预测和选取方面是可行的。     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

BP网络结构和算法对非线性系统进行辨识

利用MATLAB神经网络工具箱进行了基于BP神经网络的非线性系统辨识仿真研究,针对实际问题选取BP网络结构和BP算法,并对网络输入、输出、隐层节点的个数选取作了探讨,选取一个非线性系统,通过改变隐层节点数和训练函数,找出适当的BP网络结构和算法对非线性系统进行辨识。     

一种优化的橡胶老化性能预测方法

正申请公布号:CN 112989691A申请公布日:2021年6月18日申请人:航天材料及工艺研究所发明人:张欢、许文、赵云峰等本发明介绍了一种优化的橡胶老化性能预测方法。利用优化的BP人工神经网络对应用于复杂环境下的橡胶材料及制品的老化性能进行预测。首先对输入的数据进行整理和筛选;然后确定输入层和输出层的参数,利用BP人工神经网络对输入数据进行训练,优选出隐含层神经元个数和训练函数;之后利用训练的神经网络模型对橡胶材料性能数据进行预测。该方法使用的BP人工神经网络具有良好的自适应性和自学习能力,     

基于BP神经网络的层状矿床采空区稳定性评价研究

层状矿床采空区稳定性的影响因素和方式有其固有特点,有必要系统地研究层状矿床采空区的稳定性并建立评价模型。根据BP神经网络原理,系统梳理了典型矿山采空区稳定性计算与评价案例,结合部分矿山设计实例,选取影响采空区的3类主要因素中的岩石抗压强度、采场暴露面积及采场跨度等9项评价指标。利用MATLAB神经网络工具箱,以选取的9个影响因素作为神经网络输入层,设立稳定、基本稳定、不稳定和极不稳定4个等级作为神经网络输出层;该网络允许最大训练步数为1 000步,训练目标最小误差为0.001,选取单隐层网络对所构建的20个样本数据进行训练测试,从而建立了BP神经网络层状矿床采空区稳定性评价模型。并以某层状铁矿采空区为例,应用训练好的BP神经网络模型对其稳定性进行预测评价,其预测结果与实际情况相符,验证了BP神经网络的有效性。