基于均匀设计及BP神经网络的大体积混凝土热学参数反分析

为了解决桥梁工程大体积混凝土热学参数失真的问题,提出一种基于均匀设计理论与BP神经网络的大体积混凝土热学参数反分析方法.该方法通过BP神经网络建立大体积混凝土温度场与热学参数的非线性关系;BP神经网络的训练样本由均匀设计方法确定;在BP神经网络训练阶段,采用附加动量法对网络结构进行优化;对优化前后的误差曲线及多次训练过...     

基于BP神经网络矩形微带天线谐振频率预测

谐振频率是微带天线的重要技术指标,建立合适的数学模型以获得微带天线精确的谐振频率,在微带天线的设计中至关重要,通过BP神经网络建模的方法对天线谐振频率进行预测.以一款谐振频率为2.4 GHz的矩形微带天线为分析算例,通过HFSS软件的仿真计算,获取了大量的天线样本,在此基础上建立了矩形微带天线的BP神经网络模型,并预测出不同结构参数下5个矩形微带天线的谐振频率.再将这5个天线的结构参数输入HFSS软件,用HFSS软件对这些天线进行仿真得到其谐振频率,比较结果证明采用BP神经网模型预测得到的天线谐振频率与HFSS仿真结果间误差很小,说明神经网络预测得到的天线谐振频率有效,本文的设计方法可行,效果良好.     

基于立体正交试验的连杆热锻模优化设计

利用立体正交试验设计和BP神经网络对发动机1KD连杆锻模设计参数进行优化.根据立体正交表的数值模拟试验,得到了成形载荷、锻造缺陷和连杆模具的磨损深度,使用训练后的BP神经网络模型求得了模具设计参数的最佳水平子集组合.结果表明:训练后的BP神经网络的最大相对误差达到要求的0.81%;最佳水平子集组合为模膛中心距{d|30.5 mm≤d≤31.0 mm}、腔内旋转角度{α|α=12.3°}、中心飞边仓深度{h|h=8.7 mm},研究结果可为连杆锻模设计提供参考.     

基于BP神经网络的换热器涡流检测探头参数的预测研究

涡流检测方法可以用来进行列管式换热器管束的缺陷检测,介绍了管束的典型缺陷,实验测定了涡流检测传感器的设计和使用中的一些关键参数的相互关系,设计了BP神经网络,采用实验数据对BP神经网络训练,得到了训练后的神经网络关键参数预测曲线,从而为工程现场大量换热器管束快速检测奠定了一定的基础.     

BP神经网络在醋酸乙烯生产中的应用研究

介绍了醋酸乙烯合成反应器BP神经网络模型的建立及有关参数的选取;提出了采用LevenbergMarquart优化法来训练BP神经网络. 通过将BP神经网络用于醋酸乙烯合成反应器操作优化的研究表明,对于机理不明确或精确模型难于建立的过程, 人工神经网络是一种有效的方法.     

死端微滤牛血清白蛋白溶液膜通量的预测

为实现对不同操作条件(操作压力、料液质量浓度和温度)下的牛血清白蛋白溶液死端微滤膜通量的预测,以训练步数、绝对相对误差和相关系数作为预测的衡量指标,并对所建立的3层BP神经网络和RBF神经网络基本模型的内部参数进行了优化.优化的BP神经网络模型的拓朴结构为3-9-1,学习率为0.05,学习/训练函数为traingdx,隐层到输出层的传递函数为logsig,该网络对牛血清白蛋白(BSA)溶液膜通量预测的平均绝对相对误差为2.37%,相关系数为0.9960;优化的RBF神经网络的网络设计函数为newrbe,散布常数为400,该网络对BSA溶液膜通量预测的平均绝对相对误差为4.83%,相关系数为0.987 0.结果表明,BP神经网络优于RBF神经网络.     

基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。     

基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

清漂无人船船体轻量化研究

以清漂无人船质量最轻为设计目标,将船舶设计规范要求的板厚尺寸及最大等效应力、剪应力作为约束条件,通过灵敏度分析筛选确定设计变量。将设计变量进行正交试验,得到神经网络训练和测试样本。构建双隐含层的BP神经网络模型替代耗时的有限元模型,确定应力与设计变量之间的关系,并与不同隐含层的神经网络进行比较,得出双隐含层BP神经网络模型性能更好的结论,从而用其对清漂无人船进行轻量化优化。优化后的船体质量降低10.3%。优化后的船体经有限元分析,满足船舶设计规范要求,说明双隐含层BP神经网络模型在船舶结构设计优化上具有可行性。     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

骡坪隧道围岩参数的智能反分析研究

基于有限元理论、正交设计和人工神经网络建立了新的隧道围岩物理力学参数智能反分析方法。按照正交设计和均匀设计要求选取不同物理力学参数,用ANSYS有限元程序计算得出相应的神经网络分析样本;进行网络训练和网络结构及学习参数优化;利用现场监测数据,对骡坪隧道围岩物理力学参数进行神经网络反分析,分析结果满足精度要求。     

人工神经网络在乘员约束系统中的应用

建立正面碰撞乘员约束系统空间模型,通过实车碰撞试验验证了模型的正确性.结合均匀试验设计方法,分别建立3种人工神经网络拟合乘员伤害,网络结构经过优化和训练后使用遗传算法寻优,优化后的参数使得约束系统的保护性能得到显著改善.优化结果表明:RBF网络和GRNN网络对乘员约束系统的拟合效果较好,预测精度较高.     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,索力值是衡量索力学状态的重要指标.目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素.为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证,并生成模拟数据;然后,以索长、线密度、抗弯刚度、1阶频率、2阶频率、3阶频率为输入参数,以索力...     

带式输送机支架的有限元分析与结构优化设计

建立了带式输送机头部支架的有限元力学模型,完成了头部支架有限元结构分析。利用ANSYS软件的APDL参数化语言,创建了优化控制文件程序（ODPST）,完成了头部支架的结构优化设计,取得了合理和满意的设计结果。     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

Optimization of Processing Parameters of Power Spinning for Bushing Based on Neural Network and Genetic Algorithms

A neural network model of key process parameters and forming quality is developed based on training samples which are obtained from the orthogonal experiment and the finite element numerical simulation. Optimization of the process parameters is conducted using the genetic algorithm (GA). The experimental results have shown that a surface model of the neural network can describe the nonlinear implicit relationship between the parameters of the power spinning process:the wall margin and amount of expansion. It has been found that the process of determining spinning technological parameters can be accelerated using the optimization method developed based on the BP neural network and the genetic algorithm used for the process parameters of power spinning formation. It is undoubtedly beneficial towards engineering applications.     

加肋板式水室结构的有限元优化设计

利用ANSYS软件建立了加肋板式凝汽器水室的参数化模型，将有关结构参数变量指定为优化设计变量，以结构在已知工况下的应力和位移为状态变量，采用有限元数值方法，对加肋板式凝汽器水室进行了优化设计计算，得到了轻量化程度较高的设计参数，从而为实际生产设计部门进行优化结构、节省材料用量提供理论依据。     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。     

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆（BiLSTM）神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤. 将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果. 通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。