隐层改进的BP网络在织物染色配色中的应用

为提高BP网络及其改进网络的收敛和泛化能力,依据计算机配色理论,深入研究了BP神经网络的优缺点,在此基础上提出了一种基于隐层输出反馈改进的BP网络训练算法应用于织物染色配色的算法,并按照此算法进行了织物染色的计算机配色实验。实验验证了人工神经网络算法在织物染色配色中应用的可能性和可靠性,为神经网络模型在织物染色配色中选择和构造合适的高性能网络结构提供了参考。     

BP网络泛化能力改进方法在染色配色中的应用研究

针对BP神经网络在织物染色配色中的局限性,提出了对BP神经网络应用到织物染色配色中的泛化能力改进方法。实验及仿真结果表明,基于泛化能力改进的BP神经网络在平均均方差上优于标准的BP神经网络,并且误差函数改进的BP神经网络要优于网络训练提前结束法改进的BP网络,与一般的BP神经网络模型相比,计算精度有了较大的提高。     

基于Ga-BP神经网络的色纺纱配色

针对传统配色方法及配色算法存在不足之处,利用BP神经网络对色纺纱进行配方预测,并用遗传算法对其进行改进.结果表明:将遗传算法引入到BP神经网络,可优化BP神经网络配色模型;测试样本包含在训练样本中时,预测配方精度非常高,配方绝对误差均值几乎为0;而测试样本不包含在训练样本中时,预测配方精度较低,配方绝对误差均值为0.033,初次打样色差均值为1.69 CMC(2∶1),大于1 CMC(2∶1).     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

基于神经网络的摄像机色度标定方法

研究将摄像机颜色数据从设备依赖色空间转化到与设备无关色空间 .利用BP神经网络的非线性映射特性 ,实现RGB色空间到CIELAB色空间的映射 .给出用不同的网络结构得到的映射精度 .对于摄像机色空间的颜色数据转换 ,用BP网络可以获得令人满意的转换精度     

改进LMBP神经网络在织物染色配色中的应用

目前织物染色配色技术具有低效率和低精度缺点,许多染色配色方法收敛速度慢。为此提出了一种基于改进LMBP算法神经网络的织物染色配色方法,在分析了传统染色配色方法缺陷的基础上,提出并建立了用改进LMBP神经网络来进行染色配色的模型,并将其与LMBP算法神经网络染色配色结果对比。实验的预测结果表明,改进的LMBP神经网络方法收敛速度更快,并且能够满足实际染色配色的要求。     

细菌菌落优化的印刷色彩配色

分析了两种原色油墨叠印后的颜色光谱,并在此基础上建立了印刷中黄、品、青3原色的网点面积率和相互叠印之后的光谱反射率之间的关系模型,结合细菌菌落算法具有良好寻优能力的特点,该文提出了细菌菌落优化的印刷色彩配色模型,以标准色谱作为测试样本进行仿真实验,结果表明该模型具有较高的配色精度。     

色度空间转换模型评价体系的研究

颜色的色度值在不同色度空间之间的相互转换是色彩管理技术的核心技术之一.通过定义色度空间转换模型的稳定性和鲁棒性的概念及其评价方法,建立了以模型稳定性、鲁棒性及模型转换精度为参数的色度空间转换方法评价体系,并选择确定的检验色块样本集,分别以基于动态子空间划分的BP神经网络颜色空间转换方法和基于模糊神经辨识方法的颜色空间转换模型这两种人工智能的彩色设备特征化方法为例,分别对其进行评价分析.结果表明,该评价体系可以有效地对颜色空间转换模型进行定量分析,从而为色度空间转换方法的评价建立新的思路.     

智能CAPP系统及其加工资源动态决策

为了提高计算机辅助工艺规划（CAPP）系统的柔性、可扩展性、可重用性和动态适应性，基于并行工程理念，采用多代理技术，提出了一种智能CAPP系统体系结构．在研究了智能CAPP系统的工作机理基础上，利用BP神经网络和相关算法实现了车间加工资源的动态决策．结果表明：基于多代理的智能CAPP系统由若干代理构成，每个代理具有独立的功能、结构、推理机和知识库，它们通过协作完成对整个工艺计划问题的求解，在系统结构上具有可重构、可扩展的能力；企业的应用表明，通过CAPP和车间生产计划的集成，基于BP神经网络实现制造资源的动态决策，使得工艺计划的可执行性提高了近1／3．     

BP神经网络在油脂颜色检测中的应用

油脂颜色采用数字颜色传感器测量的RGB值与罗维朋比色计测量值,属于不同的颜色表示方式。采用BP神经网络建立两者之间的关系,利用MATLAB软件对油脂颜色样本,设计了一个网络实现非线性映射,并进行了精度分析,结果表明,两种颜色系统之间具有良好的关联性。     

BP神经网络在带钢宽展预测中的应用

传统数学模型对非线性系统进行预测往往造成较大误差，而BP神经网络能取得较好的效果．本文将BP神经网络的思想用于热连轧精轧自然宽展预测。研究并建立了基于BP神经网络的精轧自然宽展预测控制数学模型。经用现场实测数据仿真验证表明该模型大大优于传统的数学预测模型的预测精度．     

基于改进神经网络的机器人逆解与轨迹精度提高方法

为了提高工业机器人的逆解精度与运动轨迹精度,提出了一种基于改进神经网络的机器人逆解与轨迹精度提高方法。首先通过改进遗传算法的交叉和变异概率优化BP神经网络来提高机器人的逆解精度;然后采用改进Sigmoid函数的神经网络PID控制方法实现机器人的运动轨迹控制,进而提高机器人的运动轨迹精度。构建了机器人轨迹精度测试实验系统,进行仿真与系统实验研究。仿真结果表明,改进遗传算法优化BP神经网络可有效提高机器人的逆解精度和速度;圆弧与直线轨迹的系统实验结果显示,SR4C型工业机器人运动轨迹精度提升效果均优于60%。该方法可有效提高机器人的运动轨迹精度,满足工业生产、智能制造等领域对机器人运动轨迹精度的需求。     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

神经网络的故障诊断方法研究

为了解决智能诊断应用中BP神经网络收敛速度慢、稳定性差以及精度不高的问题,通过嵌入到设备中的诊断Agent采集到设备各元件工作电压,以此为对象研究基于Elman的神经网络故障诊断方法,使用设备故障信息作为BP神经网络和Elman神经网络的训练样本.结果表明,在相同的神经网络训练样本和测试样本下,BP神经网络的收敛速度比Elman神经网络慢,Elman神经网络比BP神经网络诊断精度有提高.经过对训练过程和仿真结果的分析,验证了基于Elman神经网络的故障诊断方法收敛速度提高了约2倍、精确度提高约1.5倍,满足系统在线故障诊断需求.     

计算机配色系统运用浅谈

当今印染行业对颜色准确度和一次成功率（First－time）的要求越来越高。为了适应形势的发展，计算机配色渐为广大印染工作者所接受。对于采用DataColour系统，如何利用好计算机配色系统，如何提高计算机配色准确度呢？下面谈谈一点小小看法。1计算机配色不准的几点原因1．1印染工艺方面的原因印染的机理是很复杂的；影响色光的因素也很多，如温度、时间、助剂等。我们在做计算机配色时发现，浅色织物配色时，半漂布毛效、白度及助剂对色光影响很大。如用128．ho／20‘16纱卡两个批次，一个毛效6．scm，另一个7．scm。两批半制品用同一工…     

BP神经网络的遗传优化及其应用研究

针对BP神经网络具有训练速度慢、容易陷入局部极小值的特点,在分析其训练算法本质的基础上,提出将遗传算法（GA）引入神经网络训练,优化神经网络的权值和闽值,充分发挥遗传算法的全局寻优能力和BP算法的局部搜索优势,形成了一种新的GA—BP神经网络．应用实例仿真结果表明,GA—BP神经网络具有全局搜索、快速收敛的特点,建立的模型具有较高的预测精度和良好的泛化能力．     

计算机配色中活性染料单位浓度K/S值研究

在计算机自动配色中,所用染料的单位浓度K/S值准确与否,直接影响配色精度.提出的单位浓度K/S值算法思想是,通过引进调整系数,根据不同浓度梯度对光谱数据进行合理的调整,使库贝尔卡-芒克函数与浓度具有更好的线性关系.在实例分析中,用3组活性染料按不同浓度梯度对纯棉织物进行染色,应用最优化方法确定光谱数据的调整系数,进而求解所用染料的单位浓度K/S值,最后由三刺激值匹配算法得出预测配方,并使用CIE1976(L*,a*,b*)均匀颜色空间色差公式来衡量配色效果.实验证明,配色的预测结果能够较好地满足计算机配色的要求.     

基于BP神经网络整定的PID控制及其仿真研究

讨论BP神经网络PID控制,利用BP神经网络的自学习能力实现PID控制参数的在线整定,并使用Matlab软件进行仿真研究.仿真结果表明：基于BP神经网络的PID控制器参数调整简单,具有很高的精度和很强的适应性,可以获得满意的控制效果.     

基于主成分分析的神经网络算法对期权价格预测研究

采用基于主成分分析的神经网络算法对华夏上证50ETF期权价格进行预测,并使用期权数据验证该方法的有效性。比较传统Black-Scholes期权定价、单个BP神经网络算法和基于主成分分析的BP神经网络算法对期权价格的预测精度,结果表明:基于主成分分析的BP神经网络算法预测精度最高,传统的Black-Scholes期权定价方法其预测精度最低。     

基于RS-GA-BP神经网络的住宅房地产估价模型与应用

针对一般住宅房地产估价问题的非线性特征,融合粗糙集方法、遗传算法和神经网络算法的优势,提出了一种新的住宅房地产估价模型一基于粗糙集、遗传算法和BP算法集成的住宅房地产估价模型．首先对影响房地产估价因素进行离散化处理,其次利用粗糙集方法对估价因素进行约简,即精减BP神经网络的输入变量,最后利用遗传算法来优化BP神经网络初始权重和阈值．优化后的BP神经网络具有较好的处理非线性问题的能力,收敛速度和仿真精度较传统BP算法都有了明显的提高．选取某市工程案例进行实证分析,研究结果表明,新的估价方法能较客观准确地估测住宅房地产的价格,在住宅房地产估价中具备较高的实用性．