基于位移反分析的岩质边坡稳定性分析

通过工程现场获得边坡位移量等信息,并基于正交试验设计和FLAC3D建立训练样本和测试样本,运用BP神经网络建立起边坡位移与待反演参数之间潜在的映射关系.利用粒子群算法的参数优化功能优化BP神经网络,然后再用粒子群算法从全局空间上搜索出BP神经网络中预测位移与实测位移最接近的一组参数组合,最后采用FLAC3D计算出边坡的安全系数来评价其稳定性.研究表明将BP神经网络与粒子群算法相结合,进行位移反分析是可行的;通过位移反分析得到的参数结果,进行稳定性分析将更准确.     

基于超图的非规则应用局部性优化

针对非规则循环应用中存在的一次迭代访问多个间接数组的问题,给出了超图数组的形式化描述,提出了三种基于超图的数据重排算法,即基于超图的非重复编码数据重排算法、基于超图的回溯搜索数据重排算法和基于超图的先划分再回溯数据重排算法,以及两种基于超图的迭代重排算法,即基于超图的非重复编码迭代重排算法和基于超图的回溯搜索迭代重排算法.通过对典型的非规则应用实例——流体力学问题进行实验,表明单独的重排算法提高程序执行速度约25.4%.在最好的数据重排与迭代重排的组合算法下,一级和二级高速缓存的平均命中率分别增加到91.7%和96.5%.      

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法.新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化.新算法不依赖于函数梯度信息,不需要手动调节网络结构.粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能.两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度.     

BOF→LF→CC流程钢水温度预报

针对炼钢连铸流程的工艺特点和生产数据,建立了基于BP神经网络的"BOF→LF→CC"流程钢水温度预报模型。通过相关性分析筛选模型变量,利用五数概括法筛选数据,采用LM优化算法改进BP神经网络,利用生产数据对模型进行了训练和测试。并用Java语言开发了钢水温度预报模型的程序,在某钢厂进行了应用。结果表明,各区段钢水温度预报模型的预报命中率基本可以满足生产的要求。     

基于模糊神经网络的地图匹配算法

提出了基于模糊神经网络的新的地图匹配算法.该算法综合了数字道路信息和GPS/DR定位信息,提取两个重要参数作为输入变量,即定位点到候选路段的投影距离及定位航向与候选路段方位角差.设计出了四层模糊神经网络及改进的收敛学习规则.实验结果表明所提出的算法能很好地匹配车辆行驶路段位置.      

一种基于自适应线性神经网络的瞬时谐波检测方法

介绍了线性神经网络的原理与结构、线性神经网络学习算法的计算步骤和基于线性神经网络预测的瞬时谐波检测原理图,提出了基于线性网络预测的实时谐波检测的网络结构和仿真程序,仿真波形表明检测系统可在0.3s之后就跟随上基波的变化。     

BP神经网络在连铸板坯质量在线诊断中的应用

为了更好地应用BP神经网络对连铸板坯质量进行在线诊断,基于连铸生产特点,利用采集的过程数据建立了符合生产实际的均一化函数.通过分析BP神经网络中各参数对网络性能及诊断准确率的影响,对BP神经网络的结构及学习算法进行修正,使该网络有选择和有区分地学习铸坯质量知识.结合某钢厂连铸现场数据,以黏结为例,建立了6种网络模型,对各模型算法进行了比较测试.结果表明:采用自定义函数均一化样本或采用提出的差异性算法训练神经网络,均可明显提高诊断准确率;采用选择性算法可确保诊断准确率不变的同时,提高学习速度;修正的算法更能很好地符合连铸生产实际.     

基于过程神经网络的步态模式自动分类

为克服步态辨识中特征向量法存在的步态特征难于提取、计算量大和算法复杂等局限,提出一种基于过程神经网络的步态模式自动分类综合方案.为感知人体步态,在测试者下肢安装加速度传感器来采集步行过程中的时序运动学信息.采用巴特沃斯滤波处理并将其拟合为时变函数直接输入到过程神经网络,利用其对任意连续泛函的逼近能力来实现对不同步态模式下时序加速度信号的自动分类.同时,针对传统梯度下降法难于收敛和局部极小等问题,提出采用粒子群优化算法对网络的权函数和权系数进行学习.实验证明了该方案的正确性和有效性.     

基于高相关滤波算法的PSO-LSTM连铸坯质量预测模型

文章提出了一种将高相关滤波算法与粒子群优化长短期记忆神经网络相结合的连铸坯质量预测模型.首先,使用高相关滤波算法对影响连铸坯质量的多种因素进行降维处理,然后,利用粒子群优化长短期记忆神经网络进行连铸坯中心偏析陷等级的预测实验.实验结果验证了该模型在预测性能方面的优势.     

基于目标规划的多物料配比优化计算

本文介绍了一种基于目标规划的多物料配比计算模型，它克服了目前普遍采用的一些配料计算法只考虑成分要求这一单一因素的缺陷，还可体现管理者降低成本、合理使用原料等要求。利用笔者编制的以两阶段单纯形法为核心算法的多物料配比优化计算程序，可实现对该模型的求解。应用的结果表明，利用该程序可快速、准确地求出综合考虑上述因素的最优配比。该程序可用于各种多物料配料过程的配比计算。