神经网络模型在测试系统动态补偿中的应用

本讨论了神经网络模型在测试系统动态补偿中的应用,给出了相应的补偿方式,经过补偿后的测试系统满足不失真条件。试验结果表明,应用神经网络对测试系统进行动态补偿是一种行之有效的方法。     

神经网络模型及其在计量与测试中的应用

本探讨了神经网络模型及其在计量与测试中的应用。以反传（BP）神经网络为例，详细讨论了神经网络模型结构、学习算法，推导了一种优于常规BP算法的递推预报误差算法，并给出了应用实例。     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

神经网络理论应用于误差补偿

本文利用神经网络理论中的ＢＰ学习算法，来提高机械加工中误差补偿系统的补偿精度。     

基于递归神经网络的传感器非线性动态建模

根据动态校准实验结果建立传感器的动态数学模型,以研究传感器的动态性能,是动态测试的一个重要内容。讨论了递归神经网络模型在传感器动态建模中的应用,给出了递归神经网络模型的结构及相应的训练算法。由于其反馈特征,使得递归神经网络模型能获取系统的动态响应。该方法特别适用于传感器非线性动态建模,而且避免了传感器模型阶次的选择的困难。试验结果表明,应用递归神经网络对传感器进行动态建模是一种行之有效的方法。     

BP神经网络在某测试系统故障诊断中的应用

本文以某导弹伺服机构的测试设备故障诊断为例,将BP神经网络引入测试系统的故障诊断中,建立了基于BP神经网络的故障诊断模型,并进行了仿真.验证表明BP神经网络可以运用到测试设备的故障诊断,具有易于实现和诊断精度高的特点.     

基于BP算法的神经网络工业生产质量非线性控制器

本文将工业生产控制过程与神经网络相结合 ,利用改进BP算法训练一个用于质量控制的多层前馈神经网络 ,并与传统方法相比较 ,通过仿真研究 ,表明了该方法的有效性     

BP神经网络算法在动态轴重系统中的应用

本文在分析轴重测量系统精度影响因素的基础上,确定了BP神经网络的输入输出变量,并建立神经网络模型;然后 在MATLAB软件上进行网络训练,建立了函数关系;最终通过实验对比验证该算法是可行的。     

基于BP神经网络模型的MEMS加速度计误差补偿方法

现阶段普遍采用多元线性回归对加速度计误差建模,并利用最小二乘法对模型参数辨识,但其对加速度计精度提高有限,因此该文提出一种基于BP神经网络模型的MEMS加速度计误差补偿方法。该方法利用BP神经网络建立加速度计误差模型,通过多位置翻滚进行实验数据测量,并对模型进行训练,最后利用训练好的模型对加速度计误差进行补偿。比较多元线性回归和BP神经网络建模对加速计误差补偿结果,其标准偏差分别为0.001 9 g和0.000 16 g。结果表明误差下降一个数量级,说明BP神经网络能有效地补偿加速度计误差。     

Stock Price Prediction Using Predictive Error Compensation Wavelet Neural Networks

Machine Learning (ML) algorithms have been widely used for financial time series prediction and trading through bots. In this work, we propose a Predictive Error Compensated Wavelet Neural Network (PEC-WNN) ML model that improves the prediction of next day closing prices. In the proposed model we use multiple neural networks where the first one uses the closing stock prices from multiple-scale time-domain inputs. An additional network is used for error estimation to compensate and reduce the prediction error of the main network instead of using recurrence. The performance of the proposed model is evaluated using six different stock data samples in the New York stock exchange. The results have demonstrated significant improvement in forecasting accuracy in all cases when the second network is used in accordance with the first one by adding the outputs. The RMSE error is 33% improved when the proposed PEC-WNN model is used compared to the Long Short-Term Memory (LSTM) model. Furthermore, through the analysis of training mechanisms, we found that using the updated training the performance of the proposed model is improved. The contribution of this study is the applicability of simultaneously different time frames as inputs. Cascading the predictive error compensation not only reduces the error rate but also helps in avoiding overfitting problems.     

称重传感器蠕变误差的神经网络补偿方法

针对电阻应变式称重传感器存在严重的蠕变误差直接影响称重结果准确度的问题,提出了一种基于神经网络的称重传感器蠕变误差自动补偿模型,并给出了模型的训练算法。对量程为50 kg,C3等级的电阻应变式称重传感器进行了实验,实验结果表明,使用神经网络蠕变误差补偿方法补偿后,称重传感器加载标准砝码30 min内的蠕变误差最大变化量为0.0108 kg,小于国家标准GB/T 7551-200《称重传感器》规定的允许值。     

Predicting Dementia Risk Factors Based on Feature Selection and Neural Networks

Dementia is a disorder with high societal impact and severe consequences for its patients who suffer from a progressive cognitive decline that leads to increased morbidity, mortality, and disabilities. Since there is a consensus that dementia is a multifactorial disorder, which portrays changes in the brain of the affected individual as early as 15 years before its onset, prediction models that aim at its early detection and risk identification should consider these characteristics. This study aims at presenting a novel method for ten years prediction of dementia using on multifactorial data, which comprised 75 variables. There are two automated diagnostic systems developed that use genetic algorithms for feature selection, while artificial neural network and deep neural network are used for dementia classification. The proposed model based on genetic algorithm and deep neural network had achieved the best accuracy of 93.36%, sensitivity of 93.15%, specificity of 91.59%, MCC of 0.4788, and performed superior to other 11 machine learning techniques which were presented in the past for dementia prediction. The identified best predictors were: age, past smoking habit, history of infarct, depression, hip fracture, single leg standing test with right leg, score in the physical component summary and history of TIA/RIND. The identification of risk factors is imperative in the dementia research as an effort to prevent or delay its onset.     

人工神经网络在钢铁材料研究中的应用

人工神经网络是近年发展起来的模拟人脑生物过程的具有人工智能的系统,在钢铁材料研究中有着广阔的应用前景.人工神经网络可根据钢的化学成分和/或加工工艺参数对微观组织、相变温度和时间及性能等做出快速准确预测,并可用于研究钢的上述各影响因素间的相互关系.研究人工神经网络也可用于钢的冶金过程及钢的表面处理过程工艺参数的预测及控制.     

人工神经网络在玻璃配方设计中的应用研究

应用人工神经网络技术,采用Neuralworks Predict软件建立BP网络模型,通过对R2O-MO-Al2O3-SiO2系统玻璃组成与热膨胀系数关系实验数据的训练,以期能预测该系统指定组成的玻璃的热膨胀系数?研究结果表明,所建立的神经网络模型能较正确地反映玻璃氧化物组成与其热膨胀系数之间的规律性。模型对给定组成玻璃热膨胀系数的预测值与实际测试值的相对误差在6．4％以内,表明由神经网络技术建立的这一模型能正确反映R2O-MO-Al2O3-SiO2系统玻璃组成与热膨胀系数间的内在规律性。     

皮带秤动态称重用神经网络算法设计

针对皮带秤在使用中难以保持标称计量精度的缺点,提出将过程神经网络引入皮带秤动态称重误差的补偿中。将动态称量过程中皮带秤单位长度上的重量、皮带速度、皮带垂度变化作为模型输入,设计了应用于皮带秤动态称重误差研究的单隐层过程神经网络误差反传播学习算法,利用Matlab软件对算法模型进行训练和测试,模型经过149次学习优化达到网络精度要求,测试组误差为1%,较使用网络前的原误差明显降低,验证了算法的可行性和有效性。     

基于神经网络的结构动力模型修改和破损诊断研究

提出了一种基于神经网络的结构动力模型修改和破损诊断方法，讨论并解决了该法实施中的若干技术问题，如神经网络的拓扑结构的快速算法，结构模态特性的量化比较，结构破损特征信息的提取和处理，计算结果精度的提高等等。     

人工神经网络和机械故障诊断

智能化诊断是现代故障诊断技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一个全新的途径。本文首先简单介绍了人工神经网络的基本性能及几个重要模型,着重探讨了人工神经网络技术在机械故障诊断领域中预测与控制、工况监测与故障分类诊断、模糊诊断和基于专家系统的故障诊断等几个主要方面的应用,指出人工神经网络技术与现有的信号处理、模式识别、模糊逻辑、专家系统等技术相结合,以解决故障信号分析与处理、故障模式识别以及故障论域专家知识的组织和推理等问题,必将加快智能化诊断发展的进程。可以预料:基于人工神经网络的故障诊断技术将具有广阔的发展与应用前景,并且随着VLsI 技术的发展,这一新技术必将广泛地应用于各种诊断实例。最后讨论了进一步值得研究的方向。