采用量子粒子群算法耦合差分进化算法优化BP神经网络的铣床热误差预测研究

针对铣床主轴运行产生的热误差问题,采用改进BP神经网络预测模型,并对预测结果进行验证。融合量子粒子群算法和差分进化算法的各自优点,给出混合算法寻优操作流程。分析BP神经网络结构,给出改进BP神经网络优化流程图,构造铣床热误差适应度函数,采用混合算法优化BP神经网络预测模型。通过具体实例对铣床热误差进行实验验证,预测结果显示:BP神经网络预测偏差值较大,在Y轴、Z轴方向预测产生的偏差最大值分别为7.3μm和7.5μm,改进BP神经网络预测偏差值较小,在Y轴、Z轴方向预测产生的偏差最大值分别为2.8μm和2.9μm。同时,改进BP神经网络预测铣床热误差与实际偏差值波动较小。采用改进BP神经网络预测铣床热误差精度较高,可以提高主轴加工工件的精度。     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于萤火虫优化BP神经网络的数控机床故障诊断

为了提高数控机床故障预测的能力,针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出了一种基于萤火虫算法优化BP神经网络的数据机床故障诊断算法。文章详细介绍了常见的数控机床故障类型和分类,在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的数控机床故障诊断模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于GRNN和PNN算法。该模型和算法具有很好的预测能力,可以快速、准确地完成数控机床故障诊断研究。     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

改进BP神经网络在汽车换挡机械手运动轨迹测量中的应用

针对换挡机械手机构特性,采用Levenberg-Marquandt算法设计了3层改进BP网络模型.以标定数据中的一部分作为样本对上述神经网络进行训练、仿真并预测另一部分数据,经过对结果的误差分析和与采用其他算法比较,验证了改进BP网络模型的有效性和精确性.其算法可成功应用于机器人系统中.     

基于改进BP神经网络的产品成本预测研究和实现

作为成本管理重要环节的产品成本预测是个非线性系统,目前还很难对其建立准确的数学模型.引入BP神经网络算法对产品成本进行预测,针对BP算法容易陷入局部最小的缺陷,提出了改进BP算法.根据产品成本的具体特征提取特征值并建立相应的神经网络,通过训练,网络具有较强的适应和学习功能,经测试表明,网络具有较高的预测精度,能够为企业生产运营提供可靠的依据.     

基于MATLAB的车灯光通量试验数据拟合分析

为了研究汽车灯泡光通量的变化规律,利用基于MATLAB的粒子群算法优化BP神经网络对汽车灯泡光通量试验数据进行非线性拟合分析,即用粒子群算法对目标函数进行改进,寻到最优权值和阈值应用于BP神经网络。比较改进神经网络(PSO-BP)算法与最小二乘法以及BP神经网络算法的拟合结果,结果表明改进神经网络(PSO-BP)算法的拟合能力显著提高。     

基于BP神经网络的切削表面粗糙度预测方法

利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法。简单分析了粗糙度的影响因素及预测原理。介绍了BP神经网络的特点、原理、算法和公式。在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析。结果表明,该方法的预测误差小于3%。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

基于改进BP神经网络的数控机床振动趋势预测

为准确预测数控车削时机床的振动情况,搭建了一个能用于测量机床振动信号的实验平台.并运用Levenberg-Marquardt算法改进BP神经元网络,建立了改进BP神经网络的非线性系统预测模型,实现了对机床刀架的振动趋势进行多步预测,为提高工件加工质量、加工精度和进行故障诊断提供了依据.结果表明L-M算法的收敛速度和预测精度均明显优于标准的BP算法.