基于模拟退火算法优化BP神经网络的色彩空间转换

目的研究基于模拟退火算法优化BP神经网络对喷墨打印机色彩空间转换预测准确性的方法。方法通过数据归一化处理、模拟退火算法优化BP神经网络的权值和阈值,以获取它们的全局最优解,再用BP神经网络法进行色差预测。结果模拟退火算法优化BP神经网络预测模型测试15次得到色块平均色差达到2.3067,最小平均色差达到0.7892。结论该方法优化BP神经网络精度非常高,对喷墨打印机色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

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神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。     

计算智能技术在陶瓷材料优化设计中的应用

综述了计算智能在陶瓷材料优化设计中的应用现状,阐明了利用人工神经网络以及遗传算法预测陶瓷材料性能和组分优化的方法,介绍了人工神经网络、遗传算法与免疫算法和模拟退火算法相结合的高效计算智能方法以及模糊神经网络在材料设计中的应用,分析了陶瓷材料优化设计中存在的问题并提出了今后的研究方向。     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

针对近似建模的前馈神经网络训练算法

为克服现有神经网络训练算法在建模精度方面的不足, 提出了一种专门面向近似建模的前馈网络训练算法--GA-BP贝叶斯算法. 该算法以提高网络的泛化性能为主旨, 以获取对应于后验分布最大值的权值向量为训练目标, 并采用遗传算法和L-M (Levenberg-Marquardt) BP算法相结合的权值搜索策略. 其中, L-M BP算法是当前最流行的前馈网络训练算法. 结合一个典型算例, 对GA-BP贝叶斯算法和L- BP算法进行了对比研究. 结果表明: 与L-M BP算法相比, GA-BP贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．     

基于SSPSO优化GRNN的水电站厂房结构振动响应预测

提出基于优胜劣汰、步步选择的粒子群优化算法(SSPSO),弥补了一般粒子群优化算法容易陷入局部极值、早熟收敛或停滞的缺陷。并运用SSPSO对广义回归神经网络(GRNN)平滑参数P进行优化,充分利用SSPSO寻优能力强及径向基函数调整参数少的优点,建立厂房结构的振动响应预测模型,对某厂顶溢流式水电站的厂坝结构振动响应问题展开预测研究。通过分析预测效果得出:与一般的粒子群算法相比,所提出的SSPSO算法的寻优能力得到了很大的提高。与此同时,基于SSPSO优化的广义回归神经网络(SSPSO-GRNN)与其他网络相比,在预测精度、收敛性能、泛化能力等各个方面得到了很大提升。为水电站厂房振动响应预测提供了新的方法和思路,为增强厂房结构的智能化监测提供了保障。     

基于GA-BP神经网络的结构损伤位置识别

针对传统BP神经网络训练中存在的一些问题，提出了一种基于遗传算法(GA)-BP神经网络混合技术识别结构损伤位置的方法。该方法利用基因实数编码的遗传算法优化BP网络的结构及初始参数，从而大大提高了神经网络的训练精度。运用GA-BP网络与传统BP网络技术分别对两个算例进行了结构损伤定位的识别仿真，结果表明遗传BP稳定性好，精度高，对噪声有很好的鲁棒性，便于工程应用。     

基于辨识路面的矿用自卸车平顺性优化

矿用自卸车行驶路况恶劣,路面激励是平顺性研究中的重要因素。结合整车刚柔耦合模型,提出一种利用遗传算法优化的BP神经网络(GA-BP)辨识矿山路面不平度的方法,与标准BP网络相比预测能力得到极大提高,并通过整车道路试验验证了该方法辨识路面的准确性。通过与矿用自卸车常用C级、D级路面平顺性仿真结果对比显示,基于辨识路面的模型仿真精度提高了12.3%。在此基础上,以座椅垂直方向加速度均方根值为目标,将簧载质量和轮胎刚度阻尼作为不确定量,通过建立Kriging近似模型,运用多岛遗传算法对油气悬架和座椅结构参数进行不确定性优化,优化后目标值下降了37.4%,从而达到提高矿用自卸车平顺性能的目的。     

基于混合鸡群算法和核极端学习机的锅炉NOx排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。     

波纹管耐撞性的多目标优化

研究波纹管受轴向压缩时耐撞性的优化设计。首先,选择波纹管总吸能和最大冲击力为目标函数,其主要几何参数为设计变量;其次,通过试验设计获得试验方案,进而建立耐撞性分析的替代模型;最后采用多目标优化进化算法NSGA-Ⅱ(针对不同设计变量进行实数编码或二进制编码)进行计算,最终获得优化问题的Pareto前端,实现波纹管耐撞性的多目标优化设计。研究工作为波纹管耐撞性的优化设计提供了重要工程参考。     

基于IAGA-BP神经网络的电地热室内温度预测

利用电地热对居民区进行供暖时,为实现对用户室内下一时刻温度的精确预测,该文提出一种改进的自适应遗传算法(IAGA)。该算法对自适应遗传算法的交叉概率和变异概率进行改进,通过函数测试证明所提算法比传统的遗传算法稳定性好、收敛速度快,并将改进后的算法对BP网络进行优化,从而克服BP网络算法易陷入局部极值、学习效率低和收敛速度慢的缺点,最终建立基于IAGA-BP网络的电地热室内温度预测模型。将其与粒子群算法(PSO)优化的BP神经网络模型进行仿真对比,实验表明:IAGA-BP网络相对于PSO-BP网络具有更好的预测准确度,其平均绝对误差、均方差分别为0.132 8℃、0.079 2,均优于PSO-BP网络预测,该模型建立可为后期的电地热温度控制提供依据。     

基于粗糙集与最小二乘支持向量回归的汽轮机主蒸汽流量预测

针对传统主蒸汽流量计算方法的不足,提出了一种新的主蒸汽流量预测方法,该方法综合了粗糙集理论与最小二乘支持向量回归算法的优点,利用ROSETTA V1.4.41研究实验平台中的遗传约简算法对输入变量的属性进行约简,再利用最小二乘支持向量回归算法建立主蒸汽流量的预测模型。实验表明,与未经粗糙集理论处理过的BP神经网络、支持向量回归算法和最小二乘支持向量回归算法所建模型相比,该方法具有更好的预测精度和泛化能力,且建模速度显著提高。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于自适应模拟退火遗传算法的传感器优化配置研究

针对传感器优化配置组合优化问题,提出了一种基于模态置信度准则MAC的优化算法——自适应模拟退火遗传算法。以模态置信度MAC矩阵的最大非对角元的值极小为目标函数,针对满足传感器数量不变的约束条件问题,提出了二重结构编码遗传算法,并将传统的模拟退火算法改良后,作为一个独立的算子置于遗传算法进化过程中;为了避免出现过早收敛的现象,引入了自适应交叉和变异概率。算例结果表明该混合算法对传感器数目与位置同时实现了优化,得到了满足不同精度要求的传感器优化配置方案。     

汽车车身耐撞性设计参数的区间稳健性优化

基于区间分析,提出了一种考虑公差的汽车车身耐撞性稳健优化设计模型,可在有效降低耐撞性能对设计参数波动敏感性的同时实现公差范围的最大化。该模型首先利用对称公差来描述汽车碰撞模型中车身关键耐撞部件的主要尺寸、位置和形状等设计参数本身的不确定性,然后将参数设计和公差设计相结合,建立了以稳健性评价指标和公差评价指标为优化目标,设计变量名义值和公差同步优化的多目标优化模型。再次,利用区间可能度处理不确定约束,将该优化模型转换为确定性多目标优化模型。最后,将该模型应用于两个汽车耐撞性优化设计问题,并通过序列二次规划法和改进的非支配排序遗传算法进行求解,结果表明该方法及稳健优化设计模型可行且实用。     

在线自适应神经网络算法及参数鲁棒性分析

为了提高传统BP神经网络在线预测精度和计算效率,提出一种在线自适应神经网络算法。该算法在传统BP网络的输入层和隐含层之间增加一个反馈层,通过存储内部状态增强网络动态映射能力,以提高算法自适应性;同时,在学习阶段采用递推形式在线训练算法权值和阈值,以提高算法计算精度和计算效率。基于两组防屈曲支撑构件拟静力试验数据,在线预测防屈曲支撑恢复力。研究表明:与传统神经网络算法相比,在线自适应网络算法具有更好的在线预测精度和计算效率;通过对网络结构中的输入变量、输入和观测样本、隐含层激活函数等算法参数进行鲁棒性分析,找到算法参数对算法性能的影响规律,给出算法应用时参数选择的建议。     

响应表面法在薄壁构件耐撞性优化设计中的应用研究

汽车结构的耐撞性及碰撞吸能优化是现代汽车工业重要的研究内容。耐撞性的优化涉及材料与结构的众多参数。传统的设计、碰撞仿真及试验往往只能在一定程度上改善结构的碰撞性能而无法达到限定条件下的最优状态。利用国际上近年来新发展起来的一种优化理论方法--响应表面法,结合传统的优化手段以及非线性有限元程序对薄壁构件的耐撞性问题进行了优化研究。耐撞性优化的结果表明,该方法具有较高的精确性和有效性。     

基于遗传算法优化神经网络权值的损伤识别

针对传统BP神经网络存在着容易陷入局部极小点、训练时间太长等缺点,采用基于浮点编码的遗传算法对BP神经网络的初值空间进行遗传优化.用基于浮点编码的遗传算法来优化BP神经网络的权值,得到最佳初始权值矩阵,并按误差前向反馈算法沿负梯度方向搜索进行网络学习.以弹簧质量系统作为算例,用结构的模态频率变化作为网络的输入向量,结构的损伤位置作为输出向量.对网络进行训练,仿真结果表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到结构的模态参数识别中.     

光电测量系统故障诊断中跟踪误差预测的CS-BP算法研究

近年来,随着光电测量系统的数量与复杂度的日趋增长,其故障诊断的需求也不断增加。在光电测量系统的故障诊断中,跟踪误差的预测尤为重要。本文在BP神经网络的基础上利用布谷鸟算法进行了阈值及权值的优化,提出了一种CS-BP算法。利用光电测量系统的方位引导、俯仰引导、方位编码器、俯仰编码器和时间数据,对跟踪误差进行预测。与传统神经网络算法相比,该算法利用布谷鸟出色的寻找极值特点,解决了因初始阈值及权值设置不当给神经网络算法所带来的无法得到最优解的问题。实验结果表明,与传统BP神经网络、遗传算法优化的BP神经网络(GA-BP)对比,CS-BP算法的迭代次数分别少21次和60次,且其预测平均相对误差分别低4.85%和1.57%。因此,CS-BP算法具有较快的收敛速度和较高的预测精度,适合应用在光电测量系统故障诊断中。