基于神经网络的疲劳试验机控制系统仿真及实验研究

针对疲劳试验机控制系统，设计了基于BP神经网络和PID的并行控制器。该控制器充分利用了经典PID控制算法简单的特点，又利用了神经网络良好的自适应能力，首先通过PID控制为神经网络的在线学习提供训练样本，然后神经网络逐渐学习被控对象的动态逆模型并取代PID控制器起主导作用。该方法降低了PID参数的调整难度，同时对控制对象的刚度变化表现出良好的鲁棒性，并通过仿真证明了所设计系统的有效性。     

弧焊过程的神经网络控制

介绍了神经网络的学习算法，并给出了四种分类。分析了神经的控制原理和软硬件应用技术，探讨了神经网络的应用途径。论述了神经网络在焊接过程建模和焊接质量控制中的应用方法及其局限性。指出神经网络的应用有赖于理论的成熟和微电子器件技术的突破。     

神经网络在线自学习跟踪控制及其在伺服系统中的应用

针对传统自适应和自校正控制中存在的问题，提出一种基于神经网络的在线自学习控制方法，既做到了对象模型的在线辨识和控制器的在线设计，又避免了神经网络控制方法通常存在的实时控制的困难，使复杂系统的在线学习控制成为可能。仿真表明该方法具有良好的鲁棒性和控制精度。     

基于神经网络的直流电动机位置控制

本文研究了三层对角回归神经网络（DRNN）用于直流电动机实时控制的方法，首先，采用动态反传算法训练神经网络以辨识直流电动机的逆模型，然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压以控制系统跟踪位置或速度指令，该算法简单，计算量小，适于实时控制，实验经表明了该方法的有效性。     

神经网络在板形控制中的应用

将神经网络建模方法用于板形自动控制，研究并建立了基于神经网络的板形控制数学模型。经用北京科技大学高效轧制国家工程研究中心双机架可逆冷轧机实测数据进行仿真验证，表明该模型具有较高的控制精度。     

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想，在系统模型未知的情况下，构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识，并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。     

树形神经网络的学习机理及其在电液伺服系统控制中的应用

针对具有多维输出信息的系统，采用了一种树形神经网络的构造方法，并解释了其物理意义。此外，本文还提出了该网络的一种新的训练结构，与传统的训练方法相比，保证了系统的稳定性与安全性，加快了网络的收敛速度，避免了训练过程中的虚收敛点，同时提高了神经网络的在线学习和实时控制性能。最后给出了针对电液伺服系统的仿真结果。     

基于遗传神经网络的电液伺服系统自适应控制

针对热连轧卷取机卷取过程当中的带头损失现象，本文提出一种液压踏步控制的伺服系统。采用神经网络跟踪对象的动力学特性，建立了遗传算法与神经网络相结合的识别模型（GA-ANN），利用遗传算法进行网络权系的训练和优化。试验证明该系统有好的控制效果，对实现液压系统的人工智能化奠定了基础。     

主成分分析结合神经网络技术在焊接质量控制中的应用

介绍了主成分分析方法及人工神经网络技术在相关因素分析和质量控制的建模与估计中的应用。以大电流MAG焊熔宽控制为例，通过对6个焊接过程参数进行主成分分析，提取出影响熔宽的4个主要因素。讨论了提取的主成分与原始过程参数间的关系。以主成分得分作为新的训练样本集，送入神经网络进行计算。结果表明，基于主成分分析的神经网络无论在收敛速度，还是在训练精度上，都远远优于基本BP神经网络。     

基于神经网络的变椭圆活塞加工精度控制研究

变椭圆活塞外型面加工是一种典型的复杂型面加工问题。提高活塞外型面加工精度存在一定难度，传统的补偿控制技术不能满足要求。本文从神经网络实现非线性系统的理动力学模型辨识的思路出发，探讨了神经网络进行加工系统控制的原理，并设计了一种逆－逆模型的系统控制方案。在进行变椭圆活塞加工精度控制时，检验了该系统的控制精度。     

遗传优化LVQ神经网络在设备故障诊断系统中的应用

为了提高设备故障诊断的准确度,采用LVQ神经网络来完成设备故障定位及识别,并借助遗传算法求解LVQ神经网络权重初始值。在设备故障诊断的建模过程中,根据实际故障情况和故障常见类别建立LVQ神经网络的设备故障诊断模型,充分挖掘LVQ神经网络在机械设备故障诊断细粒度的优势,为了防止因为故障细粒度诊断而造成收敛过慢的情况,对LVQ神经网络的权重和阈值初值进行遗传算法求解,然后在进行LVQ神经网络的迭代训练,得到稳定的LVQ神经网络故障诊断模型。经过实验证明,相比于传统的LVQ神经网络算法,采用基于遗传算法优化LVQ神经网络的设备故障分类,分类准确度更高,训练时间更快。     

Chebyshev神经网络的改进及其应用

针对目前Chebyshev神经网络所存在的不足，提出一种改进的Chebyshev神经网络，它使用多输入多输出神经网络结构与使用改进的Chebyshev正交多项式。因此改进的神经网络不仅扩大了网络辨识模型的能力与学习适应性，而且算法简单，学习收敛速度快，有线性、非线性逼近精度高等优异特性。文中给出两个应用实例，仿真结果表明是有效的。     

人工神经网络在电磁无损检测中的应用

介绍人工神经网络在电磁无损检测领域的应用现状，重点讨论BP(误差反向传播)神经网络、模糊BP神经网络和径向基函数(RBF)神经网络，分别以应用实例讨论了它们在漏磁和涡流无损检测中的应用。人工神经网络是实现电磁无损检测定量化的有效途径。     

复合正交柔性神经网络及其应用

针对目前神经网络所存在的不足,提出一种带参数的单极性Sigmoid函数的柔性复合正交神经网络,并给出相应的参数学习算法,这种柔性复合正交神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性,非线性逼近精度高等优异特性。以模型辨识作为应用实例,仿真结果表明,其算法是有效的,柔性神经网络能提高正交神经网络的性能。     

一种作业车间调度问题的Hopfield神经网络优化方法

结合Hopfield神经网络结构和作业车间调度问题(JSSP)的约束特点,给出了适合于Hopfield神经网络求解的作业车间调度问题的矩阵表达数学模型。借用神经网络中能量函数的概念和含义确定网络的连接权,并将模拟退火算法应用于Hopfield神经网络求解,避免了系统输出陷入局部极值。将优化作业车间调度方案问题转换成求解网络系统的平衡点,即吸引子,该网络不仅能输出可行最优解,且优化速度快、实时性强。并通过计算机仿真表明了该方法的有效性。     

应用人工神经网络理论建立热粘塑性材料的本构关系

本文将人工神经网络（ＡＮＮ）用于建立热粘塑性材料的本构关系，意在探索出一种描述材料变形力学行为的新方法。文中给出了应用人工神经网络建立热粘塑性材料本构关系的ＢＰ模型和学习算法过程，并应用于４５号钢在高温和高速变形条件下的流动应力计算。计算结果与实测结果比较表明，二者吻合良好。因此，应用人工神经网络建立热粘塑性材料的本构关系具有重要的工程应用价值。     

基于BP神经网络的传力片冲裁凸模磨损仿真预测

以离合器盖总成中的传力片作为研究对象,借助Deform-3D仿真软件模拟了传力片冲裁过程中的凸模磨损情况,依据正交仿真试验的数据以及BP人工神经网络对传力片冲裁凸模的磨损量进行仿真预测。将冲裁间隙、凹模刃口圆角半径与冲裁速度作为BP神经网络的输入层,将冲裁凸模的最大磨损深度作为BP神经网络的输出层,建立3-12-1的3层BP神经网络。BP神经网络通过训练之后,仿真预测的最大误差为1.14%。基于正交试验的仿真数据对BP神经网络的性能进行检验,BP神经网络的仿真预测值与数值模拟值之间的误差为2.09%,并利用冲压级进模对BP神经网络的仿真预测值进行试验验证,两者之间的相对误差为8.25%,验证了BP人工神经网络应用于传力片冲裁凸模磨损仿真预测的准确性。     

一种应用于图像去噪的广义回归神经网络模型设计研究

为了更好地去除图像中的椒盐噪声、保留图像细节信息,提出了一种广义回归神经网络模型,适用于图像去噪。首先,对传统广义回归神经网络的原理进行了分析,并对采用的广义回归神经网络进行具体设计。然后对广义回归神经网络中的唯一可调参数（平滑因子）进行了优化。采用归一化均方误差和峰值信噪比指标进行具体算法性能分析。仿真试验结果显示：相比径向基神经网络和传统广义回归神经网络,提出算法的去噪能力更强,具有较高的峰值信噪比和较低的归一化均方误差,验证了提出算法的有效性和先进性。     

An artificial neural network for eddy current testing of austenitic stainless steel welds

An artificial neural network is presented for on-line eddy current testing of austenitic stainless steel welds. Time-domain parameters that are functions of digitized in-phase and quadrature components of probe impedance are used as input to the neural network and the network output, in depth units, is evaluated and displayed continuously. The neural network is trained to recognize disturbing variables such as variations in weld microstructure, lift-off and edge-effect as well as notches of different depth. The neural network is able to detect and characterize longitudinal and transverse surface-breaking notches, despite the presence of disturbing variables.     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。