动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。     

基于卷积神经网络的FrameNet框架消歧研究

针对当前FrameNet框架下的词义消歧准确率较低的问题,采用卷积神经网络应用于FrameNet框架进行框架消歧研究.该模型依托依存句法分析树排序选出待消歧词的6个邻接单词节点,并选择单词词义、父节点词义、单词词性、单词依存分析类型作为消歧特征,使用Softmax函数作为全连接层分类器,通过输出待消歧词可激活的各框架概率选出概率值最高的作为激活框架,从而判定待消歧词词义.实验结果表明,该模型在FrameNet框架的消歧准确率较高于条件随机场等其他普遍算法,各目标词的准确率较为稳定,通过该模型切实提升了FrameNet框架消歧的准确率.     

基于L-M算法的正交Stewart平台位姿正解的初值补偿

针对牛顿拉夫逊迭代法求解正交Stewart六自由度平台位姿正解对迭代初值依赖的问题,提出基于Levenberg-Marquardt(L-M)算法改进的BP神经网络模型,进而实现对Stewart平台位姿正解的迭代初值补偿值计算,并与基于BFGS拟牛顿算法、SCG量化共轭梯度算法、GDA梯度下降自适应算法所建立的BP神经网络模型进行对比分析,重点分析模型的适应性、预测输出、误差性能等。结果表明:采用提出的基于L-M算法改进的BP神经网络模型对正交Stewart六自由度平台位姿正解的迭代初值校正后,收敛速度有显著提升,初始值校正误差低于0.1%,校正结果满足预期要求。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度，针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题，提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力，结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心，进而优化神经网络结构。通过路网真实交通流数据进行训练，选择常用于短时交通流预测的BP神经网络，RBF神经网络，广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于迭代学习的BP神经网络权值训练算法

针对传统BP算法存在收敛速度过慢、易陷入局部极小的问题,提出基于迭代学习的BP神经网络权 值修正算法。该算法将迭代学习的原理与神经网络相结合,同时采用本次训练误差和前一次的训练误差修正神经 网络权值,提高了网络训练速度。仿真结果验证了该算法的有效性。     

基于改进BP神经网络算法的多指标综合评价方法的应用研究

研究利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，以建设工程项目招标评标为背景，建立了多指标综合评价的BP模型，引入附加动量法和变步长算法，对BP神经网络算法改造，大大提高了学习训练速度，运用这种神经网络来解决实际问题，并给出了结果．     

基于卷积神经网络的词义消歧

为了提高词义消歧性能,提出了一种基于卷积神经网络的消歧方法.以歧义词为中心,向左右两侧连续扩展4个邻接词汇单元,选取其中的词形、词性和语义类作为消歧特征.以消歧特征为基础,使用卷积神经网络来确定歧义词的语义类别.利用SemEval-2007：Task#5的训练语料和哈尔滨工业大学语义标注语料来优化卷积神经网络.使用SemEval-2007：Task#5的测试语料来测试词义消歧分类器的性能,所提方法的消歧平均准确率有提高.实验结果表明,该方法在词义消歧中是可行的.     

基于微博文本的层次化实体链接方法

首先基于用户偏好一致性假设,根据信息函数对所有提及进行排序,得到歧义最小的提及,利用消歧算法消歧,并将返回的确认实体纳入消歧函数。通过这种迭代策略让正确的结果正向传递给下一层更模糊的消歧任务。在人工标注测试集上的实验结果表明,本文方法具有良好的性能。     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

A new grey forecasting model based on BP neural network and Markov chain

A new grey forecasting model based on BP neural network and Markov chain was proposed. In order to combine the grey forecasting model with neural network, an important theorem that the grey differential equation is equivalent to the time response model, was proved by analyzing the features of grey forecasting model(GM(1,1)). Based on this, the differential equation parameters were included in the network when the BP neural network was constructed, and the neural network was trained by extracting samples from grey system’s known data. When BP network was converged, the whitened grey differential equation parameters were extracted and then the grey neural network forecasting model (GNNM(1,1)) was built. In order to reduce stochastic phenomenon in GNNM(1,1), the state transition probability between two states was defined and the Markov transition matrix was established by building the residual sequences between grey forecasting and actual value. Thus, the new grey forecasting model(MNNGM(1,1)) was proposed by combining Markov chain with GNNM(1,1). Based on the above discussion, three different approaches were put forward for forecasting China electricity demands. By comparing GM(1, 1) and GNNM(1,1) with the proposed model, the results indicate that the absolute mean error of MNNGM(1,1) is about 0.4 times of GNNM(1,1) and 0.2 times of GM(1,1), and the mean square error of MNNGM(1,1) is about 0.25 times of GNNM(1,1) and 0.1 times of GM(1,1).     

Artificial Neural Network Performing the Forward Operation of Color Appearance Model

A method of the forward operation of color appearance(from colorimetric attributes to color appearanceattributes)using an artificial neural network(ANN)is presented.The neural network model developed is a multilayerfeedforward neural network model for predicting color appearance model(CAM).This method greatly decreased themathematical computation in color appearance prediction.The error backed-propagation(BP)algorithm was applied     

一种基于BP神经网络的彩色打印机标定模型

彩色打印机打印色彩色度值与输入的数字图像象素值之间存在着非常复杂的非线性关系,按传统方法建立的打印机标定模型往往不能很好地反映打印机的特性。在研究中,利用BP神经网络理论,提出并建立了按色相角范围对实验数据分类的打印机标定模型。由于BP网络良好的非线性模拟和逼近特性,标定模型达到了较高的精度,欲打印色彩色度值与标定后实际打印色彩色度值之间的色差平均值远远小于人眼可以识别色差的阈值,标定精度要求适用于以彩色打印机作为输出设备色彩管理系统的色域匹配环节。     

Establishment of constitutive relationship model for 2519 aluminum alloy based on BP artificial neural network

An isothermal compressive experiment using Gleeble 1500 thermal simulator was studied to acquire flow stress at different deformation temperatures, strains and strain rates. The artificial neural networks with the error back propagation（BP） algorithm was used to establish constitutive model of 2519 aluminum alloy based on the experiment data. The model results show that the systematical error is small（δ=3.3%） when the value of objective function is 0.2, the number of nodes in the hidden layer is 5 and the learning rate is 0.1. Flow stresses of the material under various thermodynamic conditions are predicted by the neural network model, and the predicted results correspond with the experimental results. A knowledge-based constitutive relation model is developed.     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

基于BP神经网络的CSI无源目标分类方法

针对无源目标分类系统中精度和费用之间不平衡、采用手工提取特征的方法进行特征提取工作量较大的问题,提出了一种基于误差逆传播（BP）神经网络的信道状态信息（CSI）无源目标分类方法.通过提取WiFi信号的CSI作基信号,并结合具有自主学习数据特征能力的神经网络方法,设计了BP神经网络的训练模型,减少了手工提取特征带来的开销.实验结果表明,以身高分类为例,所提方法能够区分4个不同身高段,且平均分类准确度可以达到90%以上.     

BP神经网络拟合方解石晶体色散方程

介绍BP算法神经网络曲线拟合方法,并借助MATLAB工具箱函数将它运用于方解石色散特性研究,通过拟合效果图,误差曲线,误差范数反映BP神经网络的优越性,体现BP算法较高的预测能力和良好的泛化能力,并且可以自动地确定数学模型,精确度高,原理也较简单,尤其对复杂的输入输出系统具有更好的效果。