BP神经网络在高密度电法反演中的改进与应用

采用BP神经网络反演的方法,通过ANSYS数值模拟获取训练样本,克服了传统Res2dmod获取的训练样本误差大的缺点。将训练好的网络用于其他视电阻率数据的反演中,将反演后的数据和传统的二维反演软件Res2dinv的反演效果进行对比分析。表明BP人工神经网络训练误差达到一定精度后,能够克服传统线性反演的不足,最后结合工程实例说明BP神经网络反演的可行性。     

BP神经网络在基坑变形预测中的应用及改进

在对某基坑工程采用BP神经网络模型预测基坑开挖引起地表变形的分析中,考虑到现有模型可能会遇到预测结果跳不出训练样本以及训练时间较长的问题,提出采用Matlab中的mapminmax函数进行归一化处理,并基于牛顿法、共轭梯度法和L-M法三种数值优化方法对BP网络训练算法进行了改进。研究结果表明:与常用的基于梯度下降原则相比,改进后的BP神经网络在训练时间和预测误差方面均有明显的优势,采用L-M法的神经网络在训练样本时的迭代次数最少为74次,采用共轭梯度法的预测结果与实测结果的误差最大为2.4%,而采用牛顿法神经网络的预测值则比较均衡,预测结果相对最佳。     

AZ91镁合金带材挤压过程数值模拟与实验研究

采用三维有限元模拟和实验验证相结合的方法，研究了AZ91镁合金带材高温挤压变形规律。研究结果表明，通过三维有限元模拟能够真实地揭示镁合金挤压变形各阶段挤压力的变化趋势和挤压出口温度的演变，模拟计算结果和实验测量值非常接近。通过对制品的表面质量和组织、性能研究发现，制品的表面质量和组织、性能主要取决于出模口处的最高温度和应力状态。制品的表面质量和组织、性能随挤压出口温度的下降而提高。     

基于因子分析与BP神经网络的煤体瓦斯渗透率预测

为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。     

基于BP神经网络的煤炭自燃温度预测方法研究

在对BP神经网络原理进行分析的基础上,设计出预测煤层温度的BP神经网络模型,然后对实验数据进行仿真模拟,采用MATLAB语言,利用样本进行网络训练后,得出的预测结果达到了工程实际能够接受的精度,说明该模型能够用于煤矿煤炭自燃温度的预测,实现煤炭自燃早期预报。     

基于遗传算法和BP神经网络岩爆预测

将BP神经网络与遗传算法相结合,使用遗传算法优化神经网络的权值和阈值,然后用BP算法训练网络,避免了单独使用BP神经网络训练时易于陷入局部极小值的问题,建立了一种新的岩爆预测模型。采集国内外具有代表性的一些岩爆案例作为BP训练样本,将样本数据经过多次迭代之后,达到指定误差停止训练,利用训练好的模型对某铜矿部分岩爆进行预测,预测结果与实际岩爆等级一致。     

基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

基于BP神经网络的Cu-0.75Cr挤压过程中的挤压力预测

运用BP神经网络方法建立Cu 0 75Cr合金反挤压挤压力预测模型。在挤压过程中,有多种因素对挤压力产生影响,模型反映出各因素之间的非线性关系。挤压力预测值与试验结果吻合良好     

基于Monte Carlo方法改进的BP神经网络对回采工作面瓦斯涌出量预测

文章首先构建和训练以煤层埋藏深度、煤层厚度、煤层瓦斯含量、工作面煤层与邻近煤层距离、工作面推进距离、工作面产量等为输入变量,回采工作面绝对瓦斯涌出量为输出变量的BP神经网络模型。然后采用Monte Carlo方法通过对6组输入变量的随机抽样来预判各自的发展趋势并对输入变量随时间变化的行为进行模拟,将模拟结果作为BP神经网络输入层节点值,代入训练好的网络,输出值即为下一生产周期回采工作面绝对瓦斯涌出量的预测值。     

基于正交设计的覆岩移动BP神经网络预测

为了预测采矿过程中覆岩的移动,在正交实验设计优化组合的基础上,利用数值模拟软件FLAC3D对采宽、采厚、岩性及采深4个影响覆岩移动因素所构建的16种组合进行模拟。根据数值模拟结果,构建了基于BP神经网络预测方法,并借助BP神经网络对覆岩移动进行预测,并与数值模拟结果进行对比。研究结果表明,在正交实验设计的少量模拟结果的基础上,运用BP神经网络对覆岩移动的预测误差较小,具有较高的可信性。     

基于BP算法的平面CAPP研究及Matlab实现

基于人工神经网络建立了零件表面加工方案模型,把一系列推理规则转化为网络权值,用BP算法对网络进行训练,并利用Matlab软件中的神经网络工具箱编程,对网络进行训练,从而输出了零件平面加工工艺顺序。     

岩体可爆性分级的神经网络判别方法

以神经网络技术为基础,利用MATLAB软件设计了岩体可爆性分级的BP神经网络判别模型,使用此模型完成对某铁矿中7种不同岩体岩体可爆性分级判别,并将此判别结果与使用模糊识别方法的判别结果进行比较分析,得出的结论一致。体现了使用MATLAB语言设计BP神经网络模型不仅简便精确,而且还具备较强的可行性和客观性。     

基于模态参数和神经网络对裂纹梁的损伤识别

为了更准确地判断简支梁中裂纹的损伤位置和损伤程度,使用模态固有频率的变化率判断出简支梁中裂纹的存在,通过模态振型的变化判别出其损伤位置,并利用基于模态振型的BP神经网络理论,对有限元数值分析得到的模态振型差作为输入向量进行网络训练。结果表明:通过固有频率的下降和振型的变化可以快速地判断裂纹的位置,BP神经网络预测值与理论值误差非常小,可以很准确地判断裂纹的损伤程度。     

基于BP神经网络的生物质固定床热解气化过程模拟

为研究生物质的热解气化规律，基于BP人工神经网络原理，利用Matlab神经网络工具箱，以试验得到的两种生物质54组试验数据作为样本，建立了以停留时间、水分、温度、催化剂种类和催化剂用量为输入变量，气、液、固产物产率和不同种类气体组成为输出变量的生物质固定床热解气化过程模型。模型输出的7个变量的预测结果与试验数据吻合较好，证明该模型对生物质热解气化过程模拟的可行性和有效性。     

基于遗传算法的挤压模CAO系统的研发

由正交实验法确定模拟参数组合, 采用有限元分析软件对型材挤压过程进行数值模拟, 建立了神经网络、正交实验法和遗传算法相结合的铝型材挤压模具结构优化模型和挤压模具CAO系统。以不对称槽形型材挤压为例, 在分析金属流动均匀性的基础上, 进行了模具参数的优化。     

基于虚拟仪器和神经网络算法的旋转机械故障诊断系统设计

设计一种基于虚拟仪器和神经网络算法的旋转机械故障诊断系统。介绍了系统的结构、工作原理、硬件电路及软件设计流程。利用LabVIEW软件作为平台,对转子振动信号进行提取和分析,采用了BP神经网络的方法,对其故障进行分析和诊断,实际应用表明,该系统具有安装使用方便、抗干扰能力强、可靠性高等特点。     

GPS高程拟合方法研究

当前工程测量中采用的高程为正常高,而GPS测量获得的高程为大地高,两者之间存在高程异常。为求解高程异常值,结合Matlab软件,对GPS高程拟合方法进行了研究。结果表明：①测区点位呈面状分布时,采用曲面拟合法更能反映测区的似大地水准面状况,其精度优于曲线拟合法;②BP神经网络拟合法的拟合效果较好,并且组合法的拟合精度优于单一拟合法的精度;③曲面拟合法、曲线拟合法、BP神经网络拟合法以及组合法的内、外符合精度均满足四等几何水准要求。研究表明,运用Matlab软件进行GPS高程拟合精度较高。     

神经网络及数值模拟技术在热熔钻中的应用

为了能准确把握影响热熔钻钻进的各个主要因素,揭示各因素的影响规律以及热熔钻钻进时周围地层温度场的变化情况和影响范围,首次将神经网络应用到热熔钻领域的研究中,采用神经网络及数值模拟技术分别对实验数据进行预测拟合及仿真分析。运用神经网络能够对热熔钻的实验数据进行很好的预测拟合,数值模拟可模拟地层温度场情况,利用有限元软件生成地层的温度场云图及曲线,使温度场的变化更为直观,便于分析研究。将训练好的网络模型保存下来,在下次实验中只需测量少数几个值将其导入训练好的网络模型,便可得出一组对应的数据,从而节省实验成本,提高实验效率。该模型可作为对应结论的预测模型使用,为热熔钻的研究提供了新思路。     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。