基于GA-RBF神经网络的电火花成形加工电参数优化

针对电火花成形加工的电参数选择问题,先建立RBF神经网络,将加工电参数和工艺指标参数分别作为神经网络的输入和输出.然后用GA优化RBF神经网络,建立用于电火花成形加工电参数优化的GA-RBF神经网络模型.试验结果表明,该网络的精度是令人满意的.     

基于多目标蜂群优化算法的计算机辅助配色

针对消费者对配色结果表述相对模糊的问题,提出一种适用于求解复杂高维优化问题的分层蜂群优化算法,并以女性服饰为例,将该算法用于色彩设计模型进行计算机辅助配色。首先采用BP神经网络构建了女性裙装色彩设计多目标评价模型,将调查问卷结果的量化值同服装色彩选配值一起作为BP神经网络的输入,将服装色彩设计的诸多评价目标作为BP神经网络的输出,经训练建立了服装色彩设计与女性多目标评价对应的评价模型。采用多目标多蜂群优化算法对该模型进行优化,以获得诸多评价结果较好的配色组合。通过设计实例证明了所提算法对配色的实用性。     

基于GA-BP神经网络的机床主轴刚度预测研究

提出一种基于遗传算法(GA)优化的BP神经网络的机床主轴刚度预测模型,以主轴悬伸量、前后轴承间距、主轴当量外径、前轴承径向刚度、后轴承径向刚度为输入,以主轴末端刚度为输出,训练神经网络,可以预测主轴刚度。研究表明,经过遗传算法优化的BP神经网络模型较未经遗传算法优化的BP神经网络模型而言,拥有较高的预测精度。     

机器人神经网络逆标定法研究与仿真

基于运动学模型的机器人几何参数标定法需要建立复杂的误差模型,在不断变化的环境中缺乏柔性。基于神经网络的机器人逆运动学标定法,是通过一定的算法得到各关节角所对应的误差值,以关节角值为输入,关节角所对应的误差值为输出来训练神经网络,把所有的误差都归结为关节角误差,通过对关节角补偿来驱动机器人。利用遗传算法优化神经网络的权值与阈值,使优化后的BP神经网络能够更好地预测函数输出,利用MATLAB神经网络工具箱进行仿真,结果证明经遗传算法优化的神经网络标定法可以进一步提高标定精度。     

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0．035％,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。     

基于BP-NSGA的注塑参数多目标智能优化设计

为获得成型性能最优的注塑参数设计方案,提出了基于BP神经网络和非支配排序遗传算法的注塑参数多目标优化方法。将注塑模结构尺寸参数和注塑工艺参数作为待优化的设计变量,建立了以高质量、低成本、高效率为优化目标的注塑参数优化设计模型。基于非支配排序遗传算法获取给定参数范围内的所有Pareto最优解,并通过建立多输入和多输出的BP神经网络来快速获得非支配排序遗传算法优化进程中所有个体的适应度值。开发了基于BP神经网络与非支配排序遗传算法集成的注塑参数智能优化设计系统,并通过鼠标注塑参数设计实例,验证了其适用性和有效性。     

基于粗糙集神经网络的刀具磨损监测的研究

针对多传感器刀具磨损监测系统输入维数较多、神经网络结构复杂、收敛速度慢等缺点,提出了粗糙集和遗传算法优化神经网络的模型.该模型首先利用粗糙集理论的属性约简对输入数据进行处理,从而达到减少神经网络输入维数、简化神经网络结构的目的.然后通过遗传算法优化神经网络的初始权值和阈值,以提高神经网络的收敛速度,避免神经网络陷入局部极值点.将该模型应用到刀具磨损监测,通过对声发射信号和电流信号进行处理,提取特征向量值,将特征值先通过自组织神经网络进行连续属性离散化,再通过粗糙集理论进行属性约简,最后通过遗传算法优化的BP神经网络进行识别,取得了很好的效果,证明了此模型的有效性和可行性.     

小型制冷压缩机热力计算神经网络方法的改进

由于制冷压缩机热力计算神经网络方法存在不足 ,所以在充分考虑传统制冷压缩机热力计算模型的物理特征后 ,提出改进的神经网络方法。新方法中的多层前向神经网络输入参数少、网络结构紧凑 ,输入、输出参数无需规范化和反规范化。通过对多种小型制冷压缩机进行的实例计算表明改进后的方法效果很好     

基于两级神经网络分析的切削力与切削功率的研究

基于多层神经网络原理,建立了切削深度、进给量和刀具耐用度为输入,以切削速度为输出的第一级神经网络.构造了切削深度和进给量和切削速度为输入,切削力与切削功率为输出的第二级神经网络.获得满足刀具耐用度条件下的切削速度、切削力和切削功率的插值计算模型建立方法.摆脱了传统经验公式的拟合计算的缺陷.为实现系统在线监测分析提供条件.     

基于PSO-BP神经网络的飞灰含碳量测量方法

针对飞灰含碳量测量困难的问题,提出了基于粒子群算法优化BP神经网络的飞灰含碳量测量方法。以飞灰含碳量影响因素为模型的输入,飞灰含碳量为模型的输出,建立飞灰含碳量预测模型,并将预测结果和传统BP神经网络预测结果相比较。实验结果表明,该测量方法具有较高的预测精度。