BP神经网络在测力轮对横垂向桥解耦中的应用研究

BP网络是应用最广泛的网络之一，现已成功地应用于图像识别、预测预估、语音变换、数据压缩、模式辨识和自动控制等领域。本文应用BP网络的计算原理，研究了BP网络在测力轮对横垂向桥解耦中的应用，同时利用测力轮对模型仿真计算的数据，进行了BP网络的训练与测试。     

基于径向基函数神经网络的轮轨力检测

用测力轮对检测列车轮轨作用力时,由于轮轨作用力与轮辐贴片点处应变是非线性映射关系,同时作用的垂向力和横向力还会产生相互耦合,导致测量电路复杂,测量精度不高.本文在轮对有限元计算基础上,采用径向基函数神经网络拟合轮轨力与贴片点处应变的非线性关系,通过学习消除横向力与垂向力之间相互影响,简化了测量电路,提高了测量精度,达到很好效果.     

在线连续测量轮轨接触点的神经网络方法

尽管轮轨力测量的测力轮对技术已相对成熟,轮轨作用点位置的测量却一直很困难。作用点位置的在线连续测量对脱轨机理的研究、机车车辆性能的研究有十分重要的意义。在常规测力轮对的基础上,增加一个电桥感应作用点位置的变化。采用神经网络拟合轮轨作用力位置变化与电桥输出间复杂的非线性映射关系,用不同作用点位置下各种横、垂向力的组合来训练神经网络,从而达到由电桥输出值得到作用点位置的目的。实验结果表明,网络不仅训练精度好,而且预测能力也令人满意。     

基于轮轴应变的轮轨力测量方法

以高速动车车轮轮轴作为有限元建模的模型,在一定的条件下进行测量。以有限元分析作为基础通过数据分析与处理,以车辆轮轴垂向力作为离散变量分析得到其与横向力及应变的关系;再通过横向应变测算横向力和垂向力。通过基于STM32和PS081芯片的数据采集板得到应变数据,得到实际轮对轮轨接触力。     

基于改进BP神经网络算法的数据挖掘技术的研究

本文主要介绍数据挖掘技术的概念、过程和BP神经网络算法的原理,研究如何将BP神经网络与数据挖掘技术相结合,从海量数据中挖掘出潜在有用价值的信息,阐述了数据挖掘技术与神经网络结合的关键技术和实现方法,并提出一种改进的BP神经网络算法以实现有用模式的挖掘,能大大缩短训练时问和提高挖掘精度。     

基于BP神经网络的数字识别

利用BP神经网络算法实现对数字的识别。首先获取各种0-9共10个号码数字的样本图像,提取Hu矩不变矩特征向量作为特征值输入BP网络,对其进行训练与测试,再用训练好的BP网络对待识别的数字图像进行识别,实现了对存在旋转、平移和缩放等几何失真的图像的正确识别,实验结果表明,基于Hu不变矩和BP网络的数字识别方法具有很强的抗图像平移、拉伸和旋转识别能力,并且具有实现简单、训练速度快、识别率高等特点。     

基于BP神经网络的图像分离算法

现在纹理图像分离效率比较低,为解决这个问题,提出一种基于反向传播神经网络的纹理图像分离算法。一些因素会影响的结果是RGB值图像分离的象素的颜色本身,它附近的像素、边界的概率。根据这些因素,我们构建一个模型,用BP神经网络训练功能区域的图像和噪音一组样本,训练之后,BP神经网络训练可以用于纹理图像分离。最后我们设计一种实验,利用BP神经网络分离三个纹理图像。实验结果表明该算法简单、可行的、可以降低人们的工作。     

贝叶斯算法BP神经网络缺陷量化研究

为克服传统BP神经网络中网络训练速度慢、量化精度低、数据过度拟合、容易陷入局部极小点等缺点,该文将贝叶斯算法引入BP神经网络用于基于漏磁检测的缺陷量化,有效地控制网络模型的复杂度,利用不同尺寸的缺陷特征量训练网络,从而实现对缺陷长度、宽度、深度的量化,节约网络的训练时间,提高量化精度。     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

基于遗传BP神经网络反演楔体参数的研究

为了获得未知楔体的参数,建立了遗传算法和反向传播(Back Propagation,BP)神经网络结合的反演模型。仿真得到不同角度、密度、杨氏模量下楔体导波的频散曲线。采用反对称第一阶模态相速度数据作为遗传BP神经网络反演模型的输入变量;利用遗传算法改进BP神经网络获得优化的初始权值和阈值,并对BP神经网络进行训练;最后将实测的楔体一阶模态相速度代入训练好的网络进行参数反演。结果表明,通过该反演模型可同时反演出楔体的角度、密度、杨氏模量,并且较单一BP神经网络具有收敛速度快、精度高的优点。     

基于BP神经网络的光纤陀螺仪温度建模研究

目前光纤陀螺应用广泛，但是其性能容易受到环境温度影响，从而影响到惯性导航系统的性能．光纤陀螺的温度特性具有非常复杂的非线性特点，而BP神经网络具有良好的逼近复杂非线性函数能力。使用BP神经网络建立光纤陀螺温度特性的黑箱模型，不对零漂和标度因子进行补偿，而直接对陀螺输出进行校正．经实际数据检验，该建模补偿方法比未经补偿和经过传统工程补偿方法的精度提高了两个数量级．与传统的线性模型相比较，本文基于BP神经网络建立的光纤陀螺温度模型具有补偿方法简单，精度高，通用性好等优点．     

基于BP神经网络的转动架稳定性灵敏度分析

转动架作为某型游乐设备的关键部件,其固有频率和屈曲强度直接关系着结构的稳定性。运用有限元软件ANSYS Workbench建立转动架的有限元模型,通过模态分析和谐响应分析得到对转动架振动影响最为显著的固有频率,通过屈曲稳定性分析得到转动架失稳时的屈曲特征值,并运用试验设计获得140个样本点。为探索各个设计参数对转动架固有频率和屈曲强度的灵敏度,运用MATLAB软件建立BP（back propagation,反向传播）神经网络数学模型并对样本点进行拟合,再通过Isight与MATLAB的集成应用,利用描述性蒙特卡洛抽样法对神经网络模型进行数值模拟。结果表明：对转动架稳定性影响较大的危险模态主要是第10至第12阶模态;对转动架危险模态频率影响较大的主要是肢杆壁厚度、肢杆截面长度和肢杆截面宽度,而对转动架屈曲稳定性影响较为明显的则是肢杆、腹杆和圆板的6个尺寸参数。研究结果表明,合理地改善对转动架稳定性影响较大的设计参数将有效地提升其稳定性和设计效率,这可为该结构的后续设计和优化提供一定的借鉴和参考。     

基于Kohonen神经网络算法的网络入侵聚类算法的测试研究

提出一种基于Kohonen网络的网络入侵聚类研究的方法,在阐述基本理论、原理和算法步骤基础上,利用Matlab软件平台对提出的网络入侵算法进行测试研究,并同其他方法进行仿真对比,发现Kohonen神经网络算法的网络入侵聚类在训练准确率、测试准确率和运行时间3个方面都优于PNN算法,其准确率可以达到98.1％.     

基于BP神经网络的导线脱冰跳跃高度预测模型

冰区导线脱冰振动会引起绝缘间隙减小,严重时甚至导致闪络和跳闸等电气事故.首先利用数值方法模拟得到各种参数条件下导线的脱冰动力响应,获得导线的最大脱冰跳跃高度.进而基于数值模拟结果和BP神经网络构建导线脱冰跳跃高度预测模型,将线路的导线分裂数、导线型号、档距、高差等结构参数以及初始应力、覆冰厚度和脱冰率等载荷参数作为输入...     

基于BP神经网络对CuNiSiCr合金时效后性能预测

采用改进的BP 网络算法———Levenberg Marquardt算法,建立了固溶态Cu Ni Si Cr合金的时效温度和时间参数关于时效后性能的非线性映射模型。结果表明所建立的BP神经网络模型可对Cu Ni Si Cr合金时效后的性能进行有效的预测和分析。     

基于BP神经网络的吸运风机故障诊断

吸运风机是农业现代化生产机械联合收割机的重要组成设备.针对目前吸运风机经常出现的故障,收集了吸运风机故障征兆和其对应的故障类型.将故障样本数据和模糊神经网络相结合,并根据BP神经网络确定网络的输入和输出向量,对风机进行故障诊断,诊断结果与实际情况比较吻合.运用MATLAB实现神经网络故障诊断仿真,仿真结果表明诊断误差较小,输出向量与实际故障矩阵结果接近.     

基于BP网络和遗传算法的枪架结构优化

为提高机枪的射击精度,需要对机枪枪架的结构参数进行优化设计。基于CAE软件的结构优化有其自身的局限性,所以提出了一种新的优化方法,即联合应用BP网络和遗传算法。本文以此为基础,根据机枪有限元模型,对枪架结构参数进行了优化设计,结果表明：BP网络和遗传算法相结合的方式可适用于多设计变量的枪架参数优化设计,为其它复杂结构的参数优化提供了新的思路。     

基于BP神经网络遗传算法的高强钢成形研究

对新材料DP-780高强钢依据国家标准GB/T228.1-2010进行室温拉伸试验,获得材料的力学性能参数;依据冲压成形极限图,进一步提出冲压成形质量评价指标;针对车身侧围板整个冲压制造工艺过程,对不同的工艺参数设计正交试验,并得到试验数据库;根据BP神经网络遗传算法得到最优参数组合,最后经试验验证,满足成形工艺要求并且与数据库结果相匹配。