BP神经网络修正灰色残差组合模型方法在油液光谱分析中应用的研究

提出了采用神经网络修正灰色残差组合模型对设备的磨损状态进行预测和诊断分析的方法。通过比较GM(1,1)模型、神经网络模型的预测结果,融合GM(GreyModel)模型与神经网络模型并构建组合模型进行油液光谱分析参数预测,可以克服单个模型所存在的不足。结果证明,该组合模型方法在预测中是可行的,预测的误差最小。     

基于灰色神经网络的传感器分段标定

针对大量程高精度传感器不能一次完成标定实验的情况,提出一种将优化灰色GM(1,1)模型与BP神经网络相结合来预测分段标定过程中特征值缺失的方法,从而实现传感器的分段标定。首先,根据实验数据建立传统灰色GM(1,1)模型,对待标定传感器和标准传感器的测量值进行缺失数据的预测;然后,为弱化传统灰色GM(1,1)模型序列变化的幅度,提高模型的预测精度,利用中心逼近的思想对传统的GM（1,1）模型进行优化;最后,利用BP神经网络对优化的灰色GM(1,1)残差序列进行修正,以较高的精度实现对分段标定过程中缺失特征值的预测。结果表明,待标定传感器和标准传感器组合预测模型的平均残差分别为0.023%和0.401%,证明了组合预测模型的有效性。所提出方法为解决大量程高精度传感器分段标定时静态特性曲线的拟合提供了一种新思路。     

基于灰色理论的电厂设备状态趋势预测研究

本文提出了基于灰色预测理论的机械设备状态监测方法,重点介绍了灰色预测理论的内容及其应用;其根据设备自身历史数据建立动态微分方程,并预测自身的发展,具有数据量小、计算简单、预测准确的特点.通过实例证明,该方法是有效的.     

基于遗传灰色液氯储罐焊接质量可靠性评价方法的研究

利用遗传灰色系统理论和方法对液氯储罐焊接质量进行评价,在分析灰色GM(1,1)模型建模机理的基础上,利用遗传算法优化此模型,提高评价精度,节约人力和物力。实例表明,遗传灰色系统理论和方法对焊接质量进行评价是可行的,且具有显著的预测精度。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

灰色模型在疲劳寿命预测中的应用

疲劳寿命预测的问题是疲劳研究中的重要课题。影响疲劳寿命的因素多且复杂,利用灰色理论方法进行疲劳寿命预测,提出了非等间距GM(1,1)模型和中心逼近式GM(1,1)模型两种预测疲劳寿命的方法。通过对实验数据进行分析和整理,然后建立微分方程,利用MATLAB软件计算得到灰色预测值。与实验数据值进行比较,得出结果表明灰色模型方法具有很高的预测精度,证明灰色理论是一种简单可行的、可靠的分析方法。     

灰色系统理论在油管腐蚀寿命预测中的应用

利用灰色系统理论,对N80钢氮化在郝现联合站介质中的腐蚀数据进行了灰色分析,建立了对上述数据的GM(1,1)模型。经检验,此模型预测精度较高,对实际工程油管腐蚀寿命的研究起到指导作用。     

基于灰色线性回归组合模型的故障率预测

针对武器装备在使用过程中故障率变化的复杂性,提出了灰色线性回归组合模型的故障率预测方法。该模型用线性回归方程和指数方程的和来拟合故障率曲线,它可以改善线性回归模型中没有指数增长趋势和GM（1,1）模型中没有线性因素的不足。通过对装备备件故障率的预测分析表明,灰色线性回归组合模型在故障率预测精度上优于单一的灰色模型和线性回归模型,且不要求对所提供的历史数据具有典型的分布规律。该模型的预测结果可以为装备的维修工作提供决策依据。     

基于灰色理论GM(1,1)模型的企业能耗预测方法与实例研究

企业生产过程中影响能源消耗量的因素繁多、影响关系复杂,导致能源预测较为困难。论文引入灰色理论,提出了基于GM(1,1)模型的企业能源消耗预测方法。以某企业历史能耗样本数据为基础,运用GM(1,1)模型,对2014-2020年的企业能耗总量进行了预测和分析。通过对其真实值与预测值相对误差等指标的分析验证,得到2014-2020年的能源需求量。论文提出的能源预测方法可作为评估项目经济效益的依据,为企业生产的有序用能安排提供了较为实用的技术手段。     

基于BP网络的工程数据处理

基于BP神经网络的高度非线性映射特性,提出一种改进的BP神经网络及其算法,将其应用于工程图的数据处理,并通过建立渐开线齿轮齿廓线的BP神经网络模型后进行齿轮轮廓线拟合,由仿真曲线可验证此方法的有效性.     

基于BP神经网络的Kalman滤波算法的改进

针对传统的Kalman滤波算法在机动较强的目标跟踪中误差变大甚至发散的缺点,考虑到BP神经网络具有较强的非线性逼近能力,提出了用BP神经网络辅助Kalman滤波的新算法,仿真表明该算法优于传统的Kalman滤波算法.     

基于FBG和BP神经网络的声发射定位方法

针对传统基于神经网络的声发射定位选择的样本不具有广泛代表性的问题,提出了基于光纤布拉格光栅(fiber Bragg grating,简称FBG)传感和反向传播(back propagation,简称BP)神经网络的声发射定位技术。该方法使用提取的窄带信号间时差作为样本,无需考虑损伤特性及波速对定位的影响,同时使用Levenberg-Marquardt(简称LM)算法训练样本,提高了BP神经网络的训练速度。在500mm×500mm的铝合金板上进行实验,声发射定位的平均误差为6.65mm,验证了该方法的有效性和准确性。     

基于BP神经网络技术的刀具状态监控系统

利用BP(back propagation)神经网络建立刀具检测系统的模型,通过BP神经网络来实现对于车间刀具的运行状态的控制。通过这个检测系统,实时反馈车间加工过程中刀具的即时信息,为企业的自动化和信息化的发展带来了促进的作用,进一步提高效率,减少了因为刀具磨损而带来的经济损失,具有一定的现实意义。     

基于BP神经网络和D-S证据理论的火灾报警系统

将BP神经网络与数据融合理论中的D-S证据有机融合,提出一种决策级火灾报警识别方法.通过模拟实际输入信号的仿真结果发现,将BP神经网络和D-S证据理论相结合的多传感器数据融合技术,可以显著提高火灾的识别能力,有效降低火灾误报率,而且该系统具有良好的适应性,达到了预期效果.     

基于神经网络的点云残缺数据修补方法

针对常用的三坐标测量设备在对物体表面采样时造成的局部区域数据残缺问题,提出并试验了一种三维残缺数据的BP神经网络修补方法.该方法首先人裁出一小片数据,然后框选出残缺数据边界附近的样本点集,并加以训练;最后,在给出残缺数据映射于xoy平面的xy坐标情况下,把训练后的BP网络用于残缺区域数据点z值的预测;根据预测值和真实残缺值的对比实验分析表明,此方法具有较高的修补效率和精度,可获得满意的修补效果.     

基于改进型BP神经网络PID控制器在转台系统中的应用研究

为改善转台系统性能,针对传统的PID控制参数难以获得较理想的控制效果,设计了一种基于改进型BP神经网络的PID控制器。介绍了PID控制器的结构和BP神经网络算法描述,利用最小二乘法和神经网络建立被控对象的预测数学模型,并用该模型所计算的预测输出取代预测输出的实测值,对基于BP网络的PID控制器的权值调整算法进行改进。以某转台模型为对象,建立了转台控制系统的数学模型并对其进行仿真。仿真结果表明,改进型BP神经网络PID控制器具有良好的控制效果,跟踪精度高、性能稳定及鲁棒性强,能更为有效地应用到转台系统中。     

基于BP网络的机器人多传感器手爪特征级数据融合

机器人手爪上装有多种传感器。为了保证手爪能完全、可靠地抓取工件，必须对这些传感器的数据进行融合。本文介绍了手爪上传感器的配置情况，进行手爪抓取工件实验，将BP神经元网络应用于传感器的特征级融合，得到手爪抓取工件的准确信息。     

基于改进BP神经网络的机械故障研究

BP网络易陷入局部最优和运算不稳定,提出附加动量下降法对其改进;通过改进BP与标准BP对旋转机械常见故障诊断进行对照分析,得出改进BP能够克服标准BP的固有缺陷。