新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。     

基于BP神经网络的GMAW焊接工艺参数设计

焊接工艺参数决定着焊缝几何尺寸和焊接接头的组织性能,正确地设计焊接工艺参数是焊接结构生产的重要工作,基于数值模拟和神经网络技术,以焊接质量信息（焊缝几何尺寸和冷却时间）为输入,焊接工艺参数为输出,建立了BP网络设计焊接工艺参数系统,对该网络的性能进行了测试和验证。     

基于遗传算法的BP网络优化研究

提出了一种改进的自适应遗传算法(IAGA)，它利用网络结构的特点，采用前向自适应技术，实现对神经网络的有效训练．仿真实验表明，该算法优于BP算法和标准遗传算法(BGA)，网络训练质量和效率都有很大提高．     

新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。     

BP算法在非线性系统参数辨识中的应用

非线性系统很少有精确的数学模型,因此,很难就系统提出一个良好的控制方法。为了解决这一问题,本文用人工神经网络来辨识非线性系统,并着重介绍其学习算法BP算法。     

BP网络在非线性油阻尼减振器建模中的应用

针对传统的线性理论在解决复杂非线性油阻尼减振器模型上的局限性，提出了一种应用BP网络进行建模的新方法。为阐述BP网络在非线性系统中建模的优越性，进行了非线性油阻尼减振器的试验研究，建立了其相应的非线性模型。在分析实验模型的基础上，对BP网络进行改进，建立更为符合实际的非线性油阻尼减振器模型，仿真结果表明，神经网络在建模中具有较高的精度和适应性，是一种可行的方法。     

基于遗传算法的BP网络优化研究

提出了一种改进的自适应遗传算法(IAGA),它利用网络结构的特点,采用前向自适应技术,实现对神经网络的有效训练.仿真实验表明,该算法优于BP算法和标准遗传算法(BGA),网络训练质量和效率都有很大提高.     

基于BP网络微位移传感器误差修正研究

对微位移传感器非线性误差的修正存在诸多问题,该误差是提高微位移传感器测量精度的＂瓶颈＂。本文介绍了用神经网络校正传感器系统非线性误差的原理和方法,提出了基于BP神经网络传感器非线性误差校正对测量数据进行修正。修正结果表明该方法是准确有效的,而且网络结构简单,准确度高。     

基于人工神经网络的振动钻削仿真与参数优化

将人工神经网络技术引入振动钻削领域,研究适用于变参数振动钻削过程仿真与参数优化的神经网络模型和算法。实验表明,ＡＮＮ优化精度较高,为振协钻削研究提供了新的分析方法与途径。     

基于BP神经网络的燃料电池发动机温度模型

燃料电池堆的热特性对燃料电池整体性能和寿命有重要影响,电堆温度特性具有不确定性和非线性,本文利用BP神经网络建立了电堆温度模型,并通过实测数据分析了神经网络模型的特性,研究结果表明,神经网络可以用于电堆温度模型的建立,为质子交换膜燃料电池电堆的建模与控制提供了一条可供参考的途径.     

城市房地产预警系统的研究与设计

本文将计算机信息系统建模技术引入到城市房地产经济预警领域,结合数据仓库和决策支持系统,探讨设计与开发城市房地产预警系统的技术与方法,并在模型上引入BP神经网络,开发科学实用的城市房地产预警系统。     

基于BP类神经网络的化学生物絮凝工艺模型研究

运用BP类神经网络建立化学生物絮凝工艺模型,考察了单一的多输入多输出(MIMO)和多输入单输出(MISO)模型的适应性.研究表明,MISO模型的预测相对误差均在9.0%以下,低于MIMO模型.采用多输入单输出的MISO模型组合建立化学生物絮凝工艺模型是合理的,能够用于实际工艺控制的需要.该项研究为实现化学生物絮凝工艺的优化设计与控制提供了可行的途径.     

基于BP神经网络变参数设计的广义预测控制

针对广义预测控制算法中控制参数整定困难这一缺陷,提出了一种基于BP神经网络变参数设计的广义预测控制算法,实现了广义预测控制中的输出柔化系数α和控制增量加权系数λ的在线调整。仿真结果表明,该算法无论在跟踪性能、控制精度及鲁棒性上,均优于固定参数设计的广义预测控制算法,并对干扰有一定的抑制作用。     

基于神经网络的焊接过程建模及控制研究

采用人工神经网络方法对焊接过程进行建模及控制．并以ＧＴＡＷ作为对象加以实施。用误差反传网络（ＢＰ网）建立了静态过程ＧＴＡＷ熔透情况下表征其质量的正面熔宽、背面熔宽与施焊参数之间的关系，即静态模型，并从质和量两个方面验证了该模型的可行性。提出了采用两个网络对ＧＴＡＷ动态过程建模及控制的方法，并通过实验验证了所提方案的正确性。文中所提的方法从根本上不同于以往的以固定结构数学模型为基础的建模及控制的方法，无需对过程作任何假设，所建模型与实际过程符合较好。实验证明，该方法具有容错性好、通用性强和抗干扰能力强等优点，为焊接过程的建模及智能化控制找出了一条新途径。     

BP神经网络PID控制器研究

分析了常规PID控制在工业控制中的特点,引入一种基于BP神经网络的PID控制器,介绍其基本工作原理,阐述了应用BP算法,通过自学习功能,能够逼近任意连续有界非线性函数特性,解决非线性系统的鲁棒性和动态性能.     

基于BP神经网络的化工过程建模研究

研究使用BP神经网络来完成化工过程的建模.一般的化工过程建模问题是非线性的问题.很多情形下,与不同相有关量的变化速率数量级相差很大,从而问题是刚性的.这时,用数值方法难于对过程的变化精确求解.由于BP网络能实现任何非线性的连续映照,故适于处理复杂化工建模问题.将BP神经网络用于精馏塔的温度计算,结果令人满意.     

基于BP神经网络的化工过程建模研究

研究使用ＢＰ神经网络来完成化工过程的建筑。一般的化工过程建模问题是非线性的问题，很多情形下，与不相有关量的变化速率数量级相差很大，从而问题是刚性的。这时，用数值方法难于对过程的变化精确求解。由于ＢＰ网络能实现任何非线性的连续映，故适于处理复杂化工建模问题，将ＢＰ神经网络用于精细塔的温度计算，结果令人满意。     

神经网络PID参数自整定的应用研究

PID控制是工业控制中应用最为广泛的控制方法,但在实际应用中,其参数整定仍未得到较好的解决.本文把神经网络技术应用在PID控制中,采用BP网络对被控对象在线辨识,利用神经元自适应PID在线调整参数,构造神经网络PID自整定控制器.通过在实际交流变频调速系统上的实验表明,当突然加、减负载时,神经网络PID控制与传统PID控制相比,具有恢复时间短、超调量小等特点.     

基于BP网络的典型工业过程自适应预测区域控制

针对一类具有分数传输滞后、参数时变的典型工业过程开环参数与广义预测控制器参数之间的内在联系 ,通过在目标函数中引入开环增益 ,并利用BP网络的非线性映射能力得到了自适应广义预测控制的一种直接算法。在该算法中 ,先用一个辨识器辨识过程开环参数 ,然后由一个已训练好的BP网络根据辨识结果和加权因子的值直接计算出控制器的参数 ,得到控制律。该方法不依赖于过程的精确模型 ,极大地简化了在线计算负担。同时 ,把区域控制的思想引入到预测控制之中 ,给出了两种区域预测控制方案。在一个二元精馏塔模型上与常规广义预测控制方案的对比仿真结果验证了文中所示方法的可行性