基于BP神经网络PID的注塑机液压控制

注塑机液压系统是一个非线性、大时滞性和强耦合的复杂系统,传统比例积分微分(PID)控制由于参数固定不变,导致超调量大、稳定性差、控制精度低,对注塑机液压控制效果不理想,现提出了一种改进型误差反向传播法(BP)神经网络PID控制方法。分析了液压注塑机工艺流程以及液压伺服系统控制原理,在此基础上将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i、K_p、K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。仿真结果表明,经过粒子群优化后的BP神经网络能够快速地对PID参数进行自适应调整,同时粒子群优化后的BP神经网络控制效果明显优于传统PID控制,该控制方法对于提升注塑机液压系统响应速度以及控制精度具有重要作用。     

基于遗传神经网络的冰蓄冷空调系统负荷预测研究

针对现阶段冰蓄冷中央空调系统负荷预测的BP(Back Propagation)模型收敛速度慢和容易陷入局部极小点等缺点,结合遗传算法GA(Genetic Algorithm)和BP神经网络,提出了一种GA-BP算法,并在冰蓄冷中央空调负荷预测系统中应用。     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

基于改进BP神经网络PID励磁控制器的研究

传统PID励磁控制器在现代电力系统快速发展的背景下,已经很难满足现代电力系统的各项高性能指标。在分析同步发电机励磁控制系统模型的基础上提出一种基于改进BP神经网络的PID励磁控制器,这种控制器能够克服常规BP神经网络励磁控制器收敛过程慢、网络训练时间长等问题。经过仿真研究和分析,采用改进型BP神经网络的PID励磁控制器控制效果好,收敛速度快,具有很强的动态特性以及鲁棒性,效果优于传统的PID励磁控制器。     

基于GA-BP网络混凝投药系统预测模型的研究

针对BP网络建模易陷入局部极小、收敛速度慢等缺点,建立GA-BP网络预测模型,为混凝投药系统生产指导提供决策依据。利用遗传学习算法具有全局寻优的特点,同时优化BP网络的初始权值和网络结构,建立GA-BPNN混凝投药的预测控制模型。通过算法比较和模型仿真结果分析,GA-BP混合模型较BP模型收敛速度快,其平均预测相对误差仅为9.94%,预测精度远高于BP模型。表明GA-BP模型可以有效、可靠地用于混凝剂投加量预测控制系统的生产指导中。     

基于GA＿BP神经网络的地铁车站深基坑变形预测研究

BP神经网络对复杂和高度非线性序列有良好的适用性而被广泛应用于深基坑变形预测中,针对其算法存在收敛速度慢、容易陷入局部极小值、隐含层神经元不确定等不足,本文运用遗传算法对BP神经模型的初始权值和阈值进行了优化,通过郑州市地铁5号线某车站深基坑变形监测实测数据,验证了GA-BP模型能够提高预测精度,泛化能力更好,在时间序列变形数据预测中有较好的适用性和准确性。     

腐蚀海洋立管剩余强度预测

利用人工神经网络具有的高度非线性映射功能,对在役腐蚀海洋立管的剩余强度进行预测。综合分析了管径、壁厚、腐蚀缺陷长度、腐蚀缺陷深度和管材极限抗拉强度对腐蚀海洋立管剩余强度的影响,建立了反向传播(BP)神经网络预测模型。利用遗传算法(GA)优化BP神经网络的权值和阈值,构建了GA-BP神经网络预测模型。采用DNV-RP-F101标准计算出来的样本数据分别对以上两种网络模型进行训练和预测。预测结果表明:利用人工神经网络对腐蚀海洋立管剩余强度进行预测是可行的,且GA-BP神经网络能够有效地提高网络的收敛性和预测精度。     

遗传算法与神经网络(Ⅰ)──用改进的遗传算法训练神经网络

针对BP（backpropagation）神经网络训练中的局部最优问题,提出了由改进的遗传算法EGA训练BP神经网络的新方法．该方法克服了经典遗传算法的不足,通过自适应多点变异操作比较有效地克服了收敛过程中的振荡问题,因而提高了BP网络训练的速度,并且找到了合理的变异因子范围．     

基于改进GA的FNNC在水泥回转窑温度控制中的应用

神经网络和模糊控制在解决复杂的对象方面有独特优势,将模糊理论的知识表达容易和神经网络较强的学习能力这两个优势有机结合起来,用以提高系统的学习能力和表达能力.模糊神经网络(FNN)是近几年的研究热点,但由于采用对神经网络进行训练的BP算法是梯度算法,容易陷入局部极小.本文提出把动态的交叉率、变异率与在传统的遗传算法(GA)中加入动态学习的BP算子结合起来改良传统的遗传算法,即在遗传操作中,利用动态交叉率和变异率来改善全局样本的收敛速度:而在BP运算中加入动态学习率得到最大的优化收敛,不仅发挥了神经网络的泛化的映射能力,采用的遗传算法也极大地提高网络的学习速度和控制性能.     

基于改进BP神经元网络的软测量技术

针对基本BP神经元网络建立软测量模型所存在的几个问题：例如基本BP算法收敛速度较慢而且泛化能力较低等。本文尝试提出了变尺度与变步长相结合的改进BP神经网络软测量建模方法,以提高软测量模型的训练速度和外推能力,为软测量技术的在线应用提供更大的方便。实验结果表明：该改进BP神经元网络软测量建模方法在训练速度和外推能力方面有较大改善。     

改进BP神经网络预测Ni/Al_2O_3催化CH_4-CO_2重整反应

CH_4-CO_2重整制合成气的反应可以实现CO_2的减排和C1资源的高效利用。这一反应受反应温度、原料气比例、催化剂种类等诸多因素影响,如果考察每种因素影响,势必大大增加实验的工作量。人工神经网络以其超强容错性、并行处理、可学习和自适应等优点,在非线性预测方面具有明显的优势。本文基于Ni/Al2O3催化CH_4-CO_2重整反应过程,采用改进的BP神经网络建立了关于CH_4转化率、CO_2转化率和H_2/CO比的预测模型,结果表明,采用改进BP神经网络在此研究中具有更快的收敛速度和更好的网络稳定性,其收敛次数仅为BP神经网络的58.86%;改进BP神经网络模型的敏感度分析表明,输入因素对反应结果影响的顺序为:反应温度Ni负载量平均孔径≈比表面积≈孔体积。     

基于混合遗传算法的选矿生产过程能耗预测分析

针对BP神经网络模型进行预测易出现收敛陷入局部极小点、网络震荡大、预测值可信度不高等问题,以鞍钢集团大孤山选矿厂为研究对象,建立了基于混合遗传算法的能耗预测模型。用MATLAB编写计算程序进行测试,并与纯BP神经网络进行分析比较。结果表明,在预测精度和收敛速度方面均得到了改善。     

基于改进BP网络与MISO模型的污水系统建模

利用共轭梯度学习算法改善了BP神经网络的性能,并提出四层BP网络用于污水处理过程水质指标的建模和模拟,在一定程度上避免了采用负梯度方向学习算法收敛速度慢和易陷于局部极小点的缺点,提高了模型的精度,在处理大量数据和在线控制时显得尤为重要;利用改进后的BP网络对某污水处理厂的进出水水质建立了MIMO和MISO模型,并进行了对比和评价分析。     

基于自适应学习速率的模糊神经网络控制器

针对模糊神经网络控制器中很难确定一个最佳学习速率的问题,将带有动量因子的自适应学习速率BP算法引入模糊神经网络控制器中。采用模糊推理自适应调节学习速率,同时引入动量因子,提高系统的收敛速度,并基于Lyapunov定理给出了系统稳定的证明过程。针对同一数学模型,用Matlab编程仿真3种方法的实验结果表明:优化后的模糊神经网络控制器较普通模糊神经网络控制器和模糊控制器具有更优越的控制性能。     

一种改进型混合遗传算法的分析

针对遗传算法和BP算法的特点,提出了一种在改进型遗传算法的基础上引入BP算法的混合遗传算法。仿真结果表明,该算法不仅保证了全局收敛性,而且大大提高了算法的收敛速度和稳定性。     

应用优化的BP神经网络模型预测储层伤害程度

为了快速、准确的预测柴西北区N21～N22储层伤害程度,在收集岩心分析资料的基础上,建立了预测储层敏感性伤害的神经网络模型。该神经网络模型运用遗传算法和Levenberg-Marquardt算法对BP神经网络的权阈值进行搜索,改进了以往神经网络模型容易陷入局部最优以及收敛速度慢的缺点,有效提高了网络的收敛性和预测的准确率。仿真结果表明：优化后的BP神经网络模型的敏感性伤害程度预测结果与岩心流动实验结果符合率高,同时,优化后的BP神经网络模型比以往的BP网络模型预测速度快、精度高。     

模拟退火-回火算法在原子吸收分光光度多元测定中的应用

:提出了反向传播人工神经网络 (BP ANN)参数学习的模拟退火 回火算法。在保持模拟退火算法能收敛于全局最优的特点同时 ,利用模拟回火过程 ,加快了算法的收敛速度。建立了原子吸收光谱单波长下多元测定的BP网络模型。利用干扰效应 ,用常规火焰原子吸收分光光度法在单波长下同时测定了污水中的痕量镉和砷 ,方法简便、安全 ,具有较高的准确度和精密度     

混凝土配合比设计及强度预测

为了优化混凝土配合比,采用直接搜索算法对既有的混凝土配合比进行优化设计;为了提高BP神经网络的预测精度,利用遗传算法对普通BP神经网络的权值和阈值进行优化,充分发挥BP神经网络处理非线性问题的能力强、收敛速度快、预测精度高的优点,以既有混凝土配合比为训练样本,对优化后的混凝土强度进行预测,预测精度得到了大幅度提高,经实验验证,该配合比下的混凝土不仅满足功能性、工作性以及耐久性要求,而且大幅节约原材料成本.     

Al_2O_3陶瓷凝胶注模成型过程建模

根据实验结果收集相关数据,研究了分散剂用量﹑固相量和研磨时间对Al2O3陶瓷浆料黏度的影响,以及固相量对坯体烧成收缩率的影响。再根据实验数据通过BP神经网络进行建模。结果表明,结构为3-9-2的BP神经网络模型能较为精确的拟合凝胶注模成型过程中的实验数据,其拟合相关系数R为0.986,而且该模型具有收敛速度快﹑预测精度高的特性。     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。