基于人工神经网络优化算法的故障诊断

应用神经网络优化算法,进行网络参数优化计算。为了考察神经网络的优化算法,对实验室的转子模型进行了振动测试,获取其振动信号,将信号经分析仪分析,获取不同测点的动态信息及其参数分布规律,用神经网络优化算法进行故障诊断分析。     

概率积分法预计参数的智能优化选择方法研究

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料作为网络的学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP算法的计算结果进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

液压支架顶梁疲劳寿命的改进神经网络预测

对液压支架顶梁疲劳寿命计算量大,耗时多而导致的顶梁疲劳寿命很难使用智能寻优算法进行优化的问题进行了研究。提出使用遗传算法优化了的BP神经网络对液压支架顶梁疲劳寿命进行预测的方法。首先选取对顶梁疲劳寿命影响较大的5个设计参数,使用ANSYS计算其80组参数水平下的疲劳寿命。再用遗传算法优化了的BP神经网络对前70组数据进行训练建立神经网络模型。最后用10组数据验证建立的BP神经网络疲劳寿命模型的预测精度。结果表明,遗传算法优化了的神经网络能快速估算出顶梁疲劳寿命,并且估算的疲劳寿命平均相对误差较低,仅为4.04%,完全满足工程实际要求。     

采矿机械氢燃料发动机最优化模型及其求解

针对采矿机械氢燃料发动机不同的工作状态,提出了相应的优化控制方案,进而建立了可适用于采矿机械氢燃料发动机的优化模型,根据改进的模糊神经网络给出了模型的计算方法,对不同工况计算结果进行了分析,结果表明了模型的合理性与可行性。     

基于拟牛顿优化算法BP神经网络的瓦斯灾害预测模型

矿山瓦斯突出与爆炸事故的预测预报是当前我国煤矿安全生产中急待解决的问题之一。引入BP神经网络的拟牛顿(Newton)优化算法,在保留空间实体相关和多种分布并存的前提下,讨论了建立拟牛顿优化算法BP神经网络瓦斯灾害预测预报模型的数学模型设计、网络结构设计和程序设计3个部分,并以济宁二号井为实例进行了测试。结果表明:该模型稳定、快速、预测精度高,能够较好地模拟矿山瓦斯突出与爆炸事故特征,对瓦斯灾害作出较准确的预测。     

基于改进花粉算法优化的神经网络负荷预测研究

为预测短期电力负荷,可采用神经网络方法预测,而神经网络复杂权重和阈值的参数调节为预测精度的提升增加了一定程度的困难。采用进化计算算法优化过后的神经网络拥有更为优良的结构,能够提高神经网络的预测精度,为了使求解神经网络结构的进化计算算法拥有更为优秀的搜索能力,可改进算法求解网络模型结构。对进化计算花粉算法的改进及改进效果进行了研究。     

基于遗传算法—BP神经网络的突出强度预测

煤与瓦斯突出强度的预测对研究煤与瓦斯突出,保证矿井安全正常生产有着重要意义。本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法对BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求。实际计算表明,该模型有较好的预测精度,且克服了普通BP神经网络训练时间长、收敛速度慢的缺点,在已知瓦斯膨胀能和煤层厚度的前提下,可以用该模型对突出强度进行预测。     

煤炭行业网格下的自治域内信任模型研究

由于煤炭行业网格的动态性和不确定性,在网格实体进行交易时引入了信任模型。提出一种在自治域内的信任模型,并对域内信任度计算和更新进行研究,细化了煤炭行业网格的域内信任度计算模型,提出了实体间的信任度计算和更新算法。     

基于神经网络和遗传算法的瓦斯含量预测研究

为了准确预测矿井瓦斯含量,研究了神经网络和遗传算法的井下瓦斯预测算法.首先构建以煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30m砂岩比等5个参数作为输入量、瓦斯含量为输出量的神经网络模型;然后结合所建模型,采用遗传算法对神经网络模型进行优化计算.试验结果表明,所建瓦斯预测模型的预测精度高,煤层瓦斯含量预测效果良好.     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

The optimum design of the pressure control spring of the relief valve based on neural networks

Based on the traditional optimization methods about the pressure control spring of the relief valve and combined with the advantages of neural network, this paper put forward the optimization method with many parameters and a lot of constraints based on neural network. The object function of optimization is transformed into the energy function of the neural network and the mathematical model of neural network optimization about the pressure control spring of the relief valve is set up in this method which also puts forward its own algorithm. An example of application shows that network convergence gets stable state of minimization object function E, and object function converges to the utmost minimum point with steady function, then best solution is gained, which makes the design plan better. The algorithm of solution for the problem is effective about the optimum design of the pressure control spring and improves the performance target.     

小波网络模型在渗流量预测中的应用

将小波理论与神经网络理论相结合,建立了小波网络模型,并应用于工程实例。它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题,大大简化了训练,具有较强的函数学习能力和推广能力。实例计算结果表明,小波网络模型具有比BP神经网络收敛速度快、预测精度高等特点,因而具有广阔的应用前景。     

用于钢丝绳断丝定量识别的神经网络模型参数优化

建立了钢丝绳断丝定量识别的BP神经网络模型,重点从网络输入特征值的分析与优化、网络训练集与测试集的合理选择、网络训练目标的确定3个方面讨论了优化神经网络参数与性能的方法。经实际网络的训练及测试,证明了合理参数的选择改进了网络性能,提高了钢丝绳断丝定量识别的精度,具有实际工程意义。     

Study on optimization control method based on artificial neural network

Introduction A great number of goal optimization questions exist in such fields as electronic science, control sci-ence, computer science and management science. So-lution to these questions can be summed up as seeking the maximum or minimum value to a certain definite goal function with constraints. Effective algorithms have not been found for many questions. In solving problems the problems’ time complexity is exponen-tial, it is difficult to find an overall optimized solution in limited ti…     

人工神经网络在抗滑结构位移预测中的应用及对比分析

以现场实测资料为依据, 建立了抗滑结构位移预测的神经网络模型, 分别用于抗滑桩顶位移预测和抗滑桩沉降预测, 并与灰色模型的预测结果进行了比较, 结果表明, 神经网络的预测结果更接近于实际值, 从而验证了神经网络用于抗滑结构位移预测的可行性。神经网络收敛快、拟合效果好、泛化能力强、预测精度高, 是抗滑结构位移预测的有效方法。     

工程结构优化设计中的神经网络方法

分析人工神经网络适用与工程结构优化的主要特征，建立结构优化设计的神经网络方法流程，讨论了人工神经网络在结构优化中的应用；给出了十杆桁架的动力优化实例。算例表明，神经网络求解结构优化问题，避免了不必要的结构分析，减少了计算花费，提高了收敛速度。     

Hopfield神经网络在原料混匀中的应用

建立了原料混匀的数学模型，运用Hopfield神经网络优化算法对武钢工业港的原料混匀进行了优化仿真计算，计算结果表明完全符合生产工艺要求，为原料混匀提供了定量依据。Hopfield神经网络优化计算方法也为以后类似问题的优化计算提供了新的途径和方法。     

基于改进的新型神经网络在煤矿企业安全管理中的应用

针对煤矿企业生产过程中安全生产状况的模糊性、多因素性等特点,利用Levenberg-Mrquardt优化算法改进BP神经网络并对其进行训练和仿真。并与标准BP算法和动量BP算法进行比较,发现经过改进的网络比标准BP算法和动量BP算法具有更好的效果。     

有色金属压铸工艺专家知识的神经网络模拟

将误差反向传播（BP）神经网络与专家系统知识表示的框架结构相结合，进行有色金属压铸工艺参数映射的神经网络模拟，神经网络学习训练收敛后，得到其各层神经元联接权（含阈值）的分布状态，工艺设计知识则以隐式分布存储于这些联接权分布状态中，神经网络知识的生成是根据其自学习机制，通过工艺知识的编码样本自动进行，且具有自动寻优和自更新功能。     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。